교량 응용 가상센서 모델
교량 응용 가상센서 모델은 교량에 응용할 수 있는 실물 센서를 가상 센서로 대체할 수 있도록 하는 모델이며, 실측 수집된 가속도 및 신축이음 실물 센서에 대한 신호 특성을 파악하여, 이상 신호에 대한 모니터링을 수행한다. 이는 물리 환경의 데이터를 기반으로 가상센서를 개발하여, 실물 센서를 대체할 수 있는 신뢰도 높은 디지털트윈 플랫폼 응용을 구현하는 것을 목표로 하고 있다.
Seq2Seq 기반 모델
Seq2Seq 기반 모델은 인코더 디코더에 데이터 두 가지를 각각 입력한다. 인코더에서 입력 신호를 학습하여, 데이터 특징을 추출한 후 디코더 출력 신호에 대한 복원 성능을 확인한다.
오토인코더 모델 기반 이상 감지 모니터링
오토인코더 기반 이상감지 모니터링은 가속도 및 신축이음 센서에서 수집된 데이터를 활용하여 정상의 상태를 학습하며, 임계값을 기준으로 정상과 이상을 판별한다. 임계값을 기준으로 이상이 판별되었다면, 이상 신호로 판별된 횟수를 카운트 하며, 지정된 횟수 이상으로 카운트 되었을 시, 학습 데이터 분포 유사도 검증을 통해 유사도에 맞는 업데이트 신호를 출력한다.
Keras Tuner 기반 모델 학습 튜닝
Keras Tuner 기반 모델 학습 튜닝은 모델을 배포하기 전에 추론 데이터에 대한 모델 검증을 수행하여, 설정한 임계값을 초과하는 경우, 반복적 재학습을 통한 모델 튜닝을 수행하도록 한다.
모델 배포를 위한 Container 환경 구축
모델 배포를 위해, DataBase(DB)에 입력되어 있는 데이터를 통해 자동적으로 모델을 학습할 수 있는 CI/CD Pipline을 Docker라는 Container를 이용하여, 구축하였다.
원전이차계통 환경 적응형 연속학습을 위한 누출 감지 모델 개발
원전이차계통 환경 적응형 연속학습을 위한 누출 감지 모델은 이차계통 기기 원격진단 적용을 위한 연속학습 기반 점진적 지식전이 모델 설계 연구 모델로, 누출을 판별하고 모니터링할 수 있는 원격 감시 모델이다.
전이학습(Transfer Learning)
2D CNN 기반 ResNet 구조의 가중치 재분배 앙상블 딥러닝 모델
플랜트 배관의 노후화로 인해 발생하는 미세 누출을 탐지하기 위해, 누출과 잡음의 시계열 신호를 다중모드 특징융합하여, 구성된 데이터를 각 도메인별로 2D CNN을 기반으로 한 ResNet 구조의 단일 모델로 학습한다. 이후 가중치 재분배를 적용한 앙상블 모델을 통해 누출과 잡음을 효과적으로 분류한다.
연속학습(Continual Learning)
1D CNN 기반 특징융합 모델
마이크로폰 센서에서 수집된 잡음 및 누출 시계열 데이터를 시간 영역과 주파수 영역에서 특징을 추출하여 모델 학습 데이터로 사용하며, 시간 및 주파수 데이터는 단일 1D CNN 기반 모델에서 학습하여 분류기를 제거 후, 전이학습 기반으로 두 도메인의 특징을 융합하여 학습한다. 전이학습 기반으로 두 도메인의 특징을 융합하여 학습함으로써 두 영역 간의 성능 차이를 해결하고, 각 영역의 특징을 효과적으로 학습하여 누출판별 성능을 크게 향상시킬 수 있다.
이상감지(Anomaly Detection)
오토인코더 기반 누출 감지 모델
수집된 잡음 및 누출 시계열 데이터에서 주파수 특징을 추출하여 학습 데이터로 사용하였으며, 비지도 학습 방식의 오토인코더 모델을 구현하여, 누출 및 정상을 판별한다. 실제 환경에서는 충분한 양의 누출 데이터를 수집하기 어렵기 때문에 해당 모델을 통해 정상의 패턴을 학습하여, 정확도 높은 누출을 판별할 수 있으며, 실시간 모니터링을 통해 누출을 조기에 감지할 수 있다.
고장 및 예지진단 플랫폼 기술개발
고장 및 예지진단 플랫폼 기술은 분산 자원 내 전력 변환 장치 고장 중 아크 고장은 장비에 지속적인 손상과 화재 위험을 수반하기 때문에 빠르고 정확한 아크 고장을 감지 및 진단하도록 하는 모델이다. 이는 물리 환경의 데이터를 기반으로 플랫폼을 개발하여, 정확도 높은 실시간 고장 및 예지진단목표로 하고 있다.
이상감지(Anomaly Detection)
다중분산자원 아크고장감지모델
다중 분산 자원의 건정성 예측 및 관리를 위해 Dilated 1D CNN과 Attention 메커니즘을 활용한 LSTM을 모델을 조합하여, 태양광(PV), 에너지 저장 시스템(ESS)에서 20 kHz 샘플링을 통해 생성된 DC 전류 데이터를 바탕으로 각 분산 자원별 아크 고장 감지 및 분류를 수행한다. 해당 모델을 통해 분산 자원별 아크의 특징을 각각 학습하여, 자원별 높은 정확도의 아크 고장 감지가 가능하다.
3.5GHz 대역에서의 무선 주파수 센싱 딥러닝 모델
3.5GHz 대역에서의 무선 주파수 센싱 딥러닝 모델은 기계학습 기반 레이다 신호 스펙트럼 센싱 기법을 분석하고 효율적인 주파수 공유 방법을 연구하는 것으로, NIST에서 오픈한 데이터를 활용하여 딥러닝 기반의 다양한 스펙트럼 센싱 방법론을 직접 검증하고 이미 출판된 결과물과의 비교, 분석을 통해 오픈 데이터의 실효성을 검증함과 동시에 기 발표된 스펙트럼 센싱의 성능지표를 확인하고 분석한다.
이진 분류(Binary Classification)
무선 주파수 센싱 딥러닝 모델
민간용 주파수와 군사용 레이더는 3.5Ghz의 동일한 주파수 대역을 공유한다. 이로 인해 군사용 레이더에 유해한 간섭이 발생할 가능성이 존재하여, 해당 문제를 해결하기 위한 방안으로 1D CNN과 여러 종류의 순환 신경망(LSTM, Bidirectional LSTM, Stacked LSTM, GRU 등)을 통하여 이진 분류 모델을 구현한다. 최고의 성능을 나타내는 모델 간의 앙상블을 통해 민간용 주파수와 시뮬레이션으로 생성되는 군사용 레이더 주파수 데이터를 이진 분류한다.
스마트 양식장에서의 수온 예측 모델
스마트 양식장에서의 수온 예측 모델은 양식장에 설치된 센서로부터 수집되는 데이터들을 분석하고 전처리를 수행한 후, 단기 수온예측을 위한 시계열 인공지능 모델이다. 양식장 내 급격한 수온 변화는 어류의 생리학적인 측면에서 스트레스를 유발하며, 어류의 생리적인 활성에 영향을 미치기 때문에 양식장에서의 수온 예측 모델을 구현하여, 이를 통해 어류의 성장률과 생존율을 높여주어 양식장의 생산성을 높일 수 있다.
시계열 분석(Time series Analysis)
수온 예측을 위한 순환신경망 모델
스마트 양식장의 수온 예측을 위한 시계열 분석 및 모델은 해수의 유입 및 다양한 조건 속에서의 양식장 수온을 예측함으로써 수온 변화에 따른 양식장의 문제점을 예방하고 관리할 수 있게 하는 모델이다. 각 데이터는 수온 데이터 분석 결과에 따라 전처리하였으며, 시계열 예측 모델에 우수한 성능을 보이는 LSTM, 1D CNN, GRU, 그리고 LSTM, 1D CNN 조합 모델을 사용하였다.
네트워크 침입감지 모델
네트워크 침입 감지 모델은 암호화된 네트워크 트래픽의 이상 및 공격행위를 탐지하고, 탐지 모델을 서로 다른 환경에 적용할 수 있는 엽합 또는 전이학습으로 범용 탐지를 실행하는 모델이다.
이상 감지(Anomaly Detection)
네트워크 침입감지를 위한 오토인코더 모델
네트워크 침입 감지를 위한 비지도학습 기반 오토인코더 모델은 네트워크 트래픽 데이터를 분석하여 빠르고 정확하게 네트워크 침입 감지를 수행하는 모델이다. 해당 모델은 정상 트래픽의 특성을 학습하여, 네트워크 상에서의 정상 또는 공격 상태 판별하며, 판별 결과를 이용하여 네트워크 침입에 대한 모니터링을 수행한다. 이는 기존의 네트워크 트래픽 데이터를 기반으로 잘 알려진 공격과 알려지지 않은 공격 모두에 대응할 수 있는 신뢰도 높은 네트워크 침입 탐지 시스템 구축에 활용될 수 있다.