운전 조건이 다른 머신러닝 학습 데이터 표준화를 위한 방법론 연구

Abstract

특징기반 머신러닝은 데이터 샘플의 특징 값을 이용하여 진단하는 방법으로, 학습 모델은 설비 사양, 운전 조건 등의 정보가 같은 상태의 데이터 세트를 구성하여 생성하여야 한다. 하지만, 조건이 다른 데이터 세트를 통해 학습할 경우 서로 다른 운전 조건에 의해 발생하는 진동 크기, 주파수성분 등의 차이로 인해 특징 값이 다르게 표현될 수 있으며, 이를 진단에 활용할 경우 새로운 데이터는 잘못 진단될 가능성이 존재한다. 본 연구는 실험을 통한 진동 데이터를 취득하였으며, 데이터 표준화 수행 전, 후의 학습 데이터 세트를 구성한 후 특징 분석 결과의 비교 과정을 통해 데이터 표준화 적용 가능성을 평가하였다. 데이터 표준화 전의 특징 분석 결과는 진동 크기 및 주파수 성분으로인해 특징 값의 차이가 발생하여 각 상태의 데이터가 서로 다른 곳에 분포하여 나타났으나, 데이터표준화 후의 특징 분석 결과는 각 상태의 데이터가 서로 다른 곳에 분포하지 않고 동일한 상태끼리군집해 있는 것으로 나타났으며, 분류성능 또한 100%로 확인되었다.