원문정보
Parzen Density Estimation과 Multi-class SVM을 이용한 지능형 고장진단 방법
피인용수 : 0건 (자료제공 : 네이버학술정보)
초록
한국어
본 논문은 상대적으로 새로운 기법인 Parzen Density Estimation과 Multi-class SVM을 이용한 지능형 고장 탐색과 진단 방법을 제안하고 있다. 본 연구에서는 롤링 베어링을 대상으로 고장을 탐색하고 진단하기 위한 방법을 제안하는데 Parzen Density Estimation과 Multi-class SVM은 고장 클래스를 잘 표현할 수 있다. Parzen Density Estimation은 새로운 패턴 데이터의 거절과 알려진 데이터 패턴의 밀도의 평가에 의해 새로운 패턴을 찾아낼 수 있고, Multi-class SVM 기반의 방법은 여러 클래스의 고장을 support vector로 표현하여 고장 패턴을 찾아낼 수 있다. 본 연구에서는 실제의 다중 클래스를 가지는 롤링 베어링의 고장 데이터를 사용하여 고장 패턴을 탐색하는 과정을 보여주는데, 커널함수의 적절한 파라미터의 선택에 의한 Multi-class SVM 기반의 방법이 multi-layer perceptron이나 Parzen Density Estimation 방법보다 우수함을 입증한다.
목차
Abstract
1. Introduction
2. Research Background
2.1 Parzen density estimation
2.2 Support Vector Machines (SVMs)
3. Experiments using the Proposed Approaches
3.1 Feature Extraction of Rolling Bearings
3.2 Fault Detection Experiments using MLP, Parzen Density Estimation and Multi-Class SVMs
4. Conclusion
5. Reference
1. Introduction
2. Research Background
2.1 Parzen density estimation
2.2 Support Vector Machines (SVMs)
3. Experiments using the Proposed Approaches
3.1 Feature Extraction of Rolling Bearings
3.2 Fault Detection Experiments using MLP, Parzen Density Estimation and Multi-Class SVMs
4. Conclusion
5. Reference
저자정보
참고문헌
자료제공 : 네이버학술정보