머신러닝을 이용한 열화상 카메라 회로보드의 고장 진단 알고리즘 분석 (Analysis of Fault Diagnosis Algorithm for Thermal Imaging Camera Circuit Board Using Machine Learning)

서지정보

· 발행기관 : 한국산학기술학회
· 수록지 정보 : 한국산학기술학회논문지 / 23권 / 10호 / 118 ~ 124페이지
· 저자명 : 김선모, 이하예림, 황인수, 허장욱

초록

열화상 카메라는 군사용 목적의 활용뿐만 아니라, 온도제어가 필요한 산업현장, 그리고 일상생활의 많은 곳에서사용되고 있다. 특히 자율주행차량에 탑재된 열화상 카메라는 기존 라이다, 레이더 등의 센서를 사용하는 자율주행차량의 약점을 보완해 줄 가능성이 높다. 그러나 자율 주행 중에 열화상 카메라의 회로보드가 고장날 수 있어 이는 운전자에게 불편을 줄 수 있고, 사고의 위험성 또한 크다. 본 연구에서는 회로보드의 고장 유형을 파악하고, 고장을 진단하고분류하였다. FMEA에 따르면 열화상 회로보드의 주요 고장 모드는 과전압이다. 따라서 실험을 통해 열화상 회로보드의저전압, 정격전압, 과전압을 인가하여 출력전압 데이터를 수집하였다. 머신러닝에 앞서 수집한 데이터의 축소 과정을거쳤다. PCA, TSNE, ISOMAP, LLE의 총 4가지 기법을 수행하고 비교한 결과, TSNE 기법이 수집된 데이터에 가장적합하였다. SVC, LR, DT, GNB의 4가지 고장진단 알고리즘을 수행한 결과 가장 우수히 고장진단을 수행한 DT 알고리즘은 Train Data를 학습시켜 Test Data에 적용한 결과, Precision, Recall, F1-score 및 Accuracy에서 97%의정확도를 얻어 4개의 머신러닝 알고리즘 중 가장 높게 산출되었다.

영어초록

Thermal imaging cameras are used in many places. Therefore, it is highly likely to be mounted on an autonomous vehicle. It can also improve the weakness of autonomous vehicles using LiDAR and RADAR. On the other hand, the thermal imaging circuit board may fail during autonomous driving, which will cause an accident and inconvenience the driver. In this study, the failure type and impact of the circuit board were identified, and the failure was diagnosed. According to the FMEA, the primary failure mode of a thermal imaging circuit board is overvoltage. Accordingly, through the experiment, this study applied low voltage, rated voltage, and overvoltage to the thermal imaging circuit board and collected output voltage data. The data went through a data reduction process prior to machine learning. A comparison of the four techniques revealed the TSNE technique to be the most appropriate for the data obtained. The decision tree algorithm obtained 97% accuracy and was the most appropriate for the machine learning algorithm comparing the four machine learning algorithms.

참고자료

· 없음