양자 메커닉스 기반 생성적 적대 신경망을 이용한 데이터 결측치 추정 프레임웍 (Missing Value Estimation Framework Using Quantum Mechanics-based Generative Adversarial Network)

서지정보

· 발행기관 : 한국지능시스템학회
· 수록지 정보 : 한국지능시스템학회 논문지 / 32권 / 6호 / 457 ~ 463페이지
· 저자명 : 오은서, 이현수

초록

자동화 공정으로 인하여 데이터가 수집됨에 따라 수집된 빅데이터를 기반으로 제품의 고장을 예측하는 프레임워크가 대두되고 있다. 대표적인 제조 데이터로 트럭의 브레이크 시스템인 Air Pressure System (APS) Failure at Scania Trucks Data Set가 있다. APS의 고장을사전에 예측하는 것은 안정성을 증가시킴으로써 매우 중요하다. 수집된 데이터는 사전에 고장 및 오작동을 예측할 때 이용된다. 하지만 대부분의 제조 데이터는 자동화 공정의 센서 결함으로 결측치를 포함하고 있으며 이러한 결측치는 예측의 정확도를 감소시킨다. APS 데이터 또한 결측치를 포함하여 데이터가 불안정하며 이는 고장 원인 예측 및 분석에 영향을 미친다. 이러한 이슈를 해결하기 위해 다양한 연구들이 제시되었지만 결측치가 가지는 불확실성과 노이즈를 고려하지 않았다. 이러한 이슈를 해결하기 위해서 본 연구에서는 Quantummechanics를 사용하여 결측치를 보정하고, Generative Adversarial Networks (GAN)을 통해 데이터를 재생성하는 프레임워크를 제안한다. 제안된 프레임워크의 효과를 입증하기 위하여 기존의 알고리즘들과 비교하고 그 우수성을 증명한다.

영어초록

As data is collected due to the automated process, a framework for predictingproduct failure based on the collected big data come to the fore. A representativemanufacturing data is the Air Pressure System (APS) Failure at Scania TrucksData Set, a brake system for trucks. Predicting APS failure in advance is veryimportant as it increases reliability. The collected data is used to predict failuresand malfunctions in advance. However, most of the manufacturing data containsmissing values due to sensor defects in the automated process, and these missingvalues reduce the accuracy of prediction. APS data is also unstable, includingmissing values, which affects the prediction and analysis of failure causes. Variousstudies have been proposed to overcome this issue, but the uncertainty and noise ofmissing values are not considered. To overcome this issue, this study proposes aframework for correcting missing values using quantum mechanics andregenerating data through Generative Adversarial Networks (GAN). To prove theeffectiveness of the proposed framework, the proposed framework is compared withexisting algorithms and its superiority is proven.

참고자료

· 없음