개선된 심층 신경망 기반 오류진단 연구

Abstract

오류 진단은 제품 생산의 중요한 문제이다. 이는 대부분의 불안정한 요소를 발견할 수 있는 장점이 있고, 정확한 조치를 통해 손실을 줄이고 비용을 절약할 수 있는 방법이다. 최근에는 기계 학습(machine learning)의 연구들이 발전함에 따라 데이터 구동에 기반한 오류 진단기술이 이슈화 되고 있다. 딥 러닝기반의 컨볼루션 뉴런 네트워크(CNN: Convolutional Neural Network)의 강력한 추출 특성 능력은 오류 진단을 진행할 수 있는 방법으로 인식되고 있다. 그러나 CNN의 레벨들이 깊어지면서 숨겨진 유용한 정보들이 사라지는 문제점이 있어, 진단 성능을 떨어뜨리는 단점이 있다. 본 논문에서는 이러한 문제점을 극복하기 위해 CNN 에서 이전 계층에서 계산한 결과가 다음 계층에 더해지는 새로운 입력 계층을 추가하여 정확성을 높이고자 하였다. 따라서 제안된 방법을 적용하기 위해 본 연구는 3개의 공공 데이터를 사용하여 비교하였다. 테스트 데이터로는 베어링(bearing) 데이터, 반도체 제조 프로세스 데이터, APS 고장 데이터를 사용하였다. 3개 공공 데이터에 대한 실험 결과는 베어링의 정밀도가 100%, 반도체 제조 공예의 정밀도가 100%, APS 고장 데이터는 97.7%였다. 본 연구는 기존의 딥 러닝 기반인 Deep Belief Network(DBN)과 Deep Neural Network(DNN), 그리고Normal CNN 모델과 비교하여 제안된 방법은 입력 데이터를 간단하게 사용하고, 다른 예비 처리가 필요 없이 좋은 성능을 얻을 수 있음을 제시하고 있다.