표제지
목차
Abstract 11
제1장 서론 13
제2장 머신러닝 기법 16
2.1. 랜덤 포레스트 기법 및 관련연구 16
2.2. 서포트 벡터 머신 및 관련연구 26
제3장 딥러닝 기법 34
3.1. 1D Convolutional Neural Network 기법 및 관련연구 34
제4장 계측장비 설치 38
4.1. 센서 및 데이터 수집 장치(DAQ) 38
4.2. 계측장비 구성도 및 신호 계통도 42
제5장 머신러닝 기반 주요 인자 분석 49
5.1. 경전철용 타이어 상태분류 관련 인자분석 연구 49
5.2. 현용/고품 상태별 타이어 가속도 인자의 특성 분석 51
5.3. 현용/고품 상태별 타이어 가속도 인자의 상관 분석 58
5.4. 경전철 주행 계측 데이터 인자 분석 65
제6장 상태분류를 위한 학습데이터 생성 76
6.1. 경전철 계측 데이터 변환 및 학습데이터 Annotation 76
6.2. 경전철 계측 데이터 샘플링 및 이상치 제거 78
제7장 머신러닝 기반 타이어 상태분류 80
7.1. 가속도 데이터를 활용한 머신러닝 기반 타이어 상태분류 80
7.2. 주행 데이터를 활용한 머신러닝 기반 타이어 상태분류 83
제8장 딥러닝 기반 타이어 상태분류 85
8.1. 딥러닝 기반 타이어 상태분류를 위한 주요인자 분석 연구 85
8.2. 1D-CNN 모델 설계 및 학습 90
8.3. 경전철 타이어 운행 계측데이터 분석 94
8.4. 1D-CNN 기반 타이어 상태분류 모델학습 검증 97
제9장 결론 101
참고 문헌 103
표 2.1. Accuracy of prediction models 18
표 2.2. 각 예측 값의 정확도 결과 24
표 3.1. 수집 조건 35
표 3.2. 실험 설정 37
표 4.1. 계측장비 38
표 4.2. 센서 사양 선정 39
표 4.3. 데이터 취득 장치 사양 선정 41
표 5.1. 타이어 마모에 영향을 주는 인자 종류 49
표 5.2. 타이어 주행 가속도 데이터 정보 50
표 5.3. 경전철 주행 계측 데이터 정보 65
표 5.4. 상태분류 인자분석 적용할 채널(79채널) 및 공통취득 여부 66
표 6.1. 경전철 계측 데이터 중 학습 데이터 구성 76
표 6.2. 타이어 상태분류 학습데이터 77
표 6.3. 샘플링을 적용한 학습데이터 78
표 6.4. 운행속도 이상치 데이터 제거 79
표 6.5. 타이어 내부 온도 이상치 데이터 제거 79
표 7.1. SVM(Linear Kernel) 기반 타이어 상태분류 결과(Confusion Matrix) 83
표 7.2. SVM(RBF Kernel) 기반 타이어 상태분류 결과(Confusion Matrix) 83
표 7.3. Random Forest 기반 타이어 상태 인식 결과(Confusion Matrix) 84
표 7.4. 머신러닝 기반 타이어 상태분류 성능 비교결과 84
표 8.1. 데이터 구성 90
표 8.2. 1D-CNN 모델 최적의 하이퍼 파라미터 값 92
표 8.3. 1D-CNN 기반 경전철용 타이어 상태분류 모델의 최종 학습 결과 92
표 8.4. 1D-CNN 기반 경전철용 타이어 상태분류의 성능 비교 결과 93
표 8.5. 1D-CNN 기반 경전철용 타이어 상태분류 예측 결과(Confusion Matrix) 93
표 8.6. 경전철 타이어 주행 계측데이터를 이용한 학습데이터 세트 구성표 100
표 8.7. 1D-CNN 기반 경전철 타이어 상태분류 예측 결과(Confusion Matrix) 100
그림 2.1. 의사 결정 트리의 개수가 다른 경우 모델의 예측 오차 19
그림 2.2. RFR, SVM, ANN, MLR 모델의 정확도 비교 20
그림 2.3. 적용 방법론 22
그림 2.4. 선로 불규칙성 유형 및 차량 가속도 측정 지점 사진 22
그림 2.5. KTX 열차의 가변적 중요성 23
그림 2.6. 베어링 및 차륜 고장 감지를 위한 머신 러닝 워크플로우 25
그림 2.7. 두 클래스 점들의 분류 27
그림 2.8. 서포트 벡터를 활용한 이진분류 29
그림 2.9. 분류 정확도 비교 33
그림 3.1. 1D-CNN 기반 경전철 타이어 상태분류 모델의 구성도 34
그림 3.2. 데이터 수집 35
그림 3.3. 슬라이딩을 통한 데이터 생성 36
그림 3.4. 1D CNN 분류 36
그림 3.5. 1D CNN 분류 아키텍처 37
그림 4.1. 경전철 전동차 내부 계측장비 설치 구성도 43
그림 4.2. 경전철 전동차 내부 계측장비 설치 신호 계통도 44
그림 4.3. 경전철 전동차 내부 계측장비 설치 45
그림 4.4. 계측센서 별 설치 위치 46
그림 4.5. 가속도 센서 축 방향 46
그림 4.6. 속도, 이동거리 시간적 동기화 47
그림 4.7. 타이어 내부 가속도 시간적 동기화 47
그림 4.8. 타이어 내부 온도/압력 시간적 동기화 48
그림 4.9. 축 가속도 시간적 동기화 48
그림 5.1. 현용 타이어의 하중 및 속도변화에 따른 가속도 분포 53
그림 5.2. 고품 타이어의 하중 및 속도변화에 따른 가속도 분포 56
그림 5.3. 현용 타이어의 하중 및 속도변화에 따른 가속도 상관분석 60
그림 5.4. 고품 타이어의 하중 및 속도변화에 따른 가속도 상관분석 64
그림 5.5. 경전철 계측인자의 취득 위치(타이어)에 따른 상관분석 결과 70
그림 5.6. 타이어 상태에 따른 차축 가속도 계측 그래프 72
그림 5.7. 타이어 상태에 따른 내부온도(LF) 계측 그래프 73
그림 5.8. 타이어 상태에 따른 내부압력(LF) 계측 그래프 75
그림 6.1. 경전철 계측 Raw 데이터 변환 77
그림 6.2. 차축 가속도의 원본 학습 데이터와 샘플링 데이터 비교 79
그림 7.1. 가속도 데이터를 이용한 SVM 기반 타이어 상태분류 81
그림 7.2. 가속도 데이터를 이용한 RF 기반 타이어 상태분류 82
그림 8.1. 타이어 온도/공기압/가속도와 타이어 상태 간의 상관관계 86
그림 8.2. 온도/공기압/가속도와 타이어 상태의 분류 분석 산점도 89
그림 8.3. 1D-CNN 모델 아키텍처 91
그림 8.4. 본선 운행 중인 경전철 타이어 계측데이터 분석 결과 94
그림 8.5. 주행 시간에 따른 타이어 내부온도/공기압 데이터 패턴 95
그림 8.6. 계절의 변화에 따른 타이어 내부온도(上) 및 공기압(下) 데이터의 패턴 산점도 96
그림 8.7. 경전철 타이어 주행 계측데이터의 분류 분석 98
그림 8.8. 1D-CNN 기반 경전철 타이어 상태분류 모델 아키텍처 99