다중모드 특징융합 기반 배관계 누출판별 앙상블 모델 연구 = Study on an Ensemble Model for Pipe Leak Detection based on Multi-mode Feature Fusion

국문 초록 (Abstract)

본 논문은 플랜트 배관계의 노후화 문제로 인해 발생하는 미세 누출을 탐지하기 위한 다중모드 특징융합을 이용한 가중치 재분배 앙상블 모델을 제안한다. 수집된 데이터는 2D 주파수 패턴 특징과 2D RMS 패턴 특징으로 변환되었으며, 여러 센서에서 추출된 다양한 도메인 특징들이 서로 결합되어 볼륨 특징으로 구성하였다. 실험을 위해 ResNet 기반의 단일 모델을 설계하여 다양한 볼륨 특징들을 이용한 앙상블 구조를 조합하였다. 또한, 다수의 예측 모델을 결합하는 과정에서 발생할 수 있는 성능 불균형 문제를 해결하기 위해, 소프트맥스 함수를 기반으로 한 가중치 재분배를 적용하였다. 실험 결과, 주파수 및 RMS 볼륨 특징을 활용한 센서별 앙상블 모델이 98.91%라는 가장 높은 분류 정확도를 제공하는 것을 실험적으로 관찰할 수 있었다.

다국어 초록 (Multilingual Abstract)

This paper proposes a weight redistribution ensemble model using multi-mode feature fusion for detecting micro leaks arising from aging problems in the power plant piping systems. The collected data was transformed into 2D frequency and RMS pattern features, and various domain features extracted from multiple sensors were combined to form volume features. For the experiment, a single model based on ResNet was designed, and an ensemble structure using various volume features was composed. Additionally, in order to resolve the performance imbalance problem that could arise in the process of combining multiple predictive models, we applied a softmax function-based weight redistribution. Experimental results showed that the ensemble model for each sensor, using frequency and RMS volume features, provided the highest classification accuracy of 98.91%.

참고문헌 (Reference)

• 1 여도엽 ; 배지훈 ; 이재철, "음향센서로부터 수집된 데이터를 이용한 비지도 학습 기반의 플랜트 배관계에 대한 미세누출 탐지 방법" 한국컴퓨터정보학회 24 (24): 21-27, 2019
• 2 박성욱 ; 김종찬 ; 김도연, "앙상블 학습 알고리즘을 이용한 컨벌루션 신경망의 분류 성능 분석에 관한 연구" 한국멀티미디어학회 22 (22): 665-675, 2019
• 3 조영복, "앙상블 딥러닝을 이용한 초음파 영상의 간병변증 분류 알고리즘" 한국인터넷방송통신학회 20 (20): 101-106, 2020
• 4 양재완 ; 이영두 ; 구인수, "딥 러닝 및 서포트 벡터 머신기반 센서 고장 검출 기법" 한국인터넷방송통신학회 18 (18): 185-195, 2018
• 5 정희철 ; 최민국 ; 김준광 ; 권순 ; 정우영, "대용량 이미지넷 인식을 위한 CNN 기반 Weighted 앙상블 기법" 대한임베디드공학회 15 (15): 197-204, 2020
• 6 황진용 ; 최보아 ; 이종혁 ; 배지훈, "기동무기체계 분류를 위한 전이학습 기반 앙상블 모델 연구" 한국정보기술학회 19 (19): 1-10, 2021
• 7 Keras Documentation, "Reduce learning rate when a metric has stopped improving"
• 8 J. Y. Hwang, "Performance Comparison of Transfer Learning Based Feature Fusion Method and Ensemble Model" 205-205, 2022
• 9 J. S. Park, "Implementation of a deep-learning model for intelligent detection of low-level leaks in plant piping system" 431-435, 2021
• 10 Y. Lecun, "Gradient-based learning applied to document recognition" 86 (86): 2278-2324, 1998
• 11 M. -S. Kim, "Detection of leak acoustic signal in buried gas pipe based on the time-frequency analysis" 22 (22): 990-994, 2008
• 12 J. -H. Bae, "DeepLearning-Based Pipe Leak Detection Using Image-Based Leak Features" 2361-2365, 2018
• 13 K. He, "Deep residual learning for image recognition" 770-778, 2016
• 14 Y. Chen, "Deep Learning Ensemble for Hyperspectral Image Classification" 12 (12): 2019
• 15 S. Ioffe, "Batch Normalization : Accelerating Deep Network Training by Reducing Internal Covariate Shift" 448-456, 2015
• 16 Y. Choi, "A Technology of Micro-leak Detection" 29 (29): 685-687, 2021
• 17 J. Y. Hwang, "A Study on Probability Distribution-Based Weight Redistribution Ensemble Technique to Improve Classification Accuracy" 285-285, 2022
• 18 D. B. Yoon, "A Study on Acoustic Signal Processing Method for Detecting Small Leak of Piping System" 139-139, 2016