다채널 음향방출 신호에 대한 딥러닝을 통한 3차원 위치 표정 (Deep Learning for 3D Source Localization from Acoustic Emission Signals)

서지정보

· 발행기관 : 한국비파괴검사학회
· 수록지 정보 : 비파괴검사학회지 / 42권 / 1호 / 34 ~ 42페이지
· 저자명 : 임소영, 서호건, 이항로, 김진섭

초록

본 연구에서는 다채널 음향방출 신호로부터 발진 위치 좌표를 예측하는 딥러닝 모델을 활용함에 있어서 손실함수 및 데이터 전처리 조건에 따른 성능을 평가했다. 7 채널의 음향방출 신호를 이미지 형태로 모델의 입력으로 활용하였고, 출력은 X, Y, Z 좌표를 각각 출력하는 경우와 한 번에 출력하는 경우를 고려하였다. 딥러닝 모델로는 EfficientNet B3을 활용했으며, 평가지표는 평균 절대 오차를 채택했다. 손실함수로는 평균제곱오차와 평균절대오차, 시계열 데이터 전처리 기법으로는 스케일링(MinMaxScaler, StandardScaler, MaxAbsScaler), 신호 전처리(Abs, MA, LPF), 샘플링 길이(1024, 512, 342)에 따른 위치 표정 성능을 비교했다. 그 결과, 손실함수로는 평균제곱오차를 사용하는 것이 유리했고, 스케일링으로는 MaxAbsScaler가 효과적이었다. MaxAbsScaler 적용 후, 절대값을 취해준 후 저역통과필터나 이동평균을 적용한 데이터의 단순화는 성능에 악영향을 미쳤다. MaxAbsScaler 적용 후, 512 개만 샘플링 했을 때 더 좋은 성능을 보였고, X, Y, Z의 각 좌표를 개별적으로 추정하는 방식이 최고 성능을 보였다.

영어초록

This study evaluated source localization performance based on the loss function and preprocessing conditions when using a deep learning model that predicts the source coordinates from multi-channel acoustic emission signals. Signals of seven channels were fed as input into a model in the form of an image, and two output cases were considered: outputting X, Y, and Z coordinates one at a time and outputting them at the same time. EfficientNet B3 was used as the model, and the mean absolute error was adopted as the performance index. Mean square error and mean absolute error were used as loss functions. The performance was compared with respect to scaling (MinMaxScaler, StandardScaler, MaxAbsScaler), preprocessing (Abs, MA, LPF), and sampling length (1024, 512, 342). The results show the advantage of using the mean squared error and the effectiveness of MaxAbsScaler. After applying MaxAbsScaler, the simplification of the data, such as taking the absolute value, and applying a low-pass filter or moving average method, had an adverse effect on the performance. The MaxAbsScaler exhibited better performance when 512 samples were input, and each coordinate of X, Y, and Z was separately estimated.

참고자료

· 없음