메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
정윤아 (국립금오공과대학교) 정선우 (국방과학연구소) 김성욱 (국립금오공과대학교) 김석준 (태성고무화학) 허장욱 (국립금오공과대학교)
저널정보
한국산학기술학회 한국산학기술학회 논문지 한국산학기술학회논문지 제26권 제2호
발행연도
2025.2
수록면
380 - 387 (8page)
DOI
10.5762/KAIS.2025.26.2.380

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
인산염 피막 공정은 부품의 내구성, 부식 저항성 및 접착력을 향상하여 자동차용 고무 부품의 수명과 성능을 개선하는 중요한 공정이다. 이 공정에 사용되는 에어 다이아프램 펌프는 순환 과정에서 슬러지화 또는 판막 손상으로 인해 내부 고장이 발생하며, 이러한 고장이 발생할 경우 순환이 정상화되지 않아 용액 농도 유지에 어려움을 겪는다. 본 연구에서는 에어 다이아프램 펌프의 고장 진단 시스템에 Transformer-AutoEncoder 모델을 적용하고, 기존의 Convolutional Neural Network (CNN) AutoEncoder 모델과의 이상치 탐지 성능을 비교 분석하였다. 연구 결과, Transformer-AE는 Test Data 1에서 2.76%, Test Data 2에서 2.95%의 이상치를 탐지하여 작업 일지의 라벨링 데이터와 높은 일치율을 보였으며, CNN-AE는 각각 0.44%와 0%의 이상치만을 탐지하여 상대적으로 낮은 탐지율을 나타냈다. 또한, 혼동행렬을 통해 성능을 평가한 결과, Transformer-AE 모델은 CNN-AE에 비해 정밀도, 재현율, F1-score, 정확도 모두에서 우수한 성능을 기록하였다. 이를 통해 Transformer-AE 모델이 시계열 데이터에서 복잡한 패턴과 장기 의존성을 효과적으로 학습하여 이상치를 더욱 정확하게 탐지할 수 있으며 다양한 산업 분야에서 시계열 데이터를 활용한 이상 탐지 시스템에 유용하게 응용할 수 있음을 입증하였다.

목차

요약
Abstract
1. 서론
2. 데이터 수집 방법
3. 진단 알고리즘
4. 모델 학습 결과 및 고찰
5. 결론
References

참고문헌 (0)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-151-25-02-092319142