• Nuclear Engineering and Technology
• /
• 제55권2호
• /
• pp.506-515
• /
• 2023

This study is to find a method to learn engine sound after the start-up of a diesel generator installed in nuclear power plant with an unsupervised deep learning algorithm (CNN autoencoder) and a new method to predict the failure of a diesel generator using it. In order to learn the sound of a diesel generator with a deep learning algorithm, sound data recorded before and after the start-up of two diesel generators was used. The sound data of 20 min and 2 h were cut into 7 s, and the split sound was converted into a spectrogram image. 1200 and 7200 spectrogram images were created from sound data of 20 min and 2 h, respectively. Using two different deep learning algorithms (CNN autoencoder and binary classification), it was investigated whether the diesel generator post-start sounds were learned as normal. It was possible to accurately determine the post-start sounds as normal and the pre-start sounds as abnormal. It was also confirmed that the deep learning algorithm could detect the virtual abnormal sounds created by mixing the unusual sounds with the post-start sounds. This study showed that the unsupervised anomaly detection algorithm has a good accuracy increased about 3% with comparing to the binary classification algorithm.

• 한국멀티미디어학회논문지
• /
• 제15권11호
• /
• pp.1330-1340
• /
• 2012

본 논문에서는 심음신호를 이용해 강한 심 잡음이 나타나는 심장판막협착 영역을 검출하는 새로운 알고리듬을 제안하였다. 심음의 주성분을 찾거나 심 잡음을 제거하기 위한 지금까지의 많은 연구들은 대동맥판막협착증이나 승모판막협착증과 같이 강한 심 잡음이 나타나는 비정상 심음의 경우, 강한 심 잡음으로 인해 좋은 결과를 보이지 못하였다. 본 논문에서는 구간 잡음강도함수를 이용한 잡음 검출 알고리듬을 제안하였다. 제안한 구간 잡음 강도 함수는 심음 신호에서 제 1심음과 제 2심음을 검출하여, 이를 이용한 심음 구간을 설정한 후 구간 자기상관변화량을 이용하여 도출할 수 있다. 제안한 구간 잡음강도함수를 이용하여 심 잡음의 강도를 판단하고 심 잡음 유무를 검출하였다. 제안한 알고리듬으로 실험한 결과, 심장판막협착 영역 검출에서 기존의 연구보다 뛰어난 성능을 가지는 것을 확인하였다.

• 한국전자통신학회논문지
• /
• 제11권8호
• /
• pp.759-766
• /
• 2016

본 논문은 비정상 상황 시 발생하는 음원에 대해 주변 환경 음에 강인한 음원 구간을 검출하여, 구간내의 신호를 이용한 음원 인식 과 위치 추적 시스템 설계에 관한 연구이다. 강인한 음원 구간 검출은 수신되는 오디오 신호로부터 단 구간 가중 평균 델타 에너지를 계산하여, 저역 통과 필터에 입력 후, 출력되는 결과 값들의 비교를 통해 배경음에 강인한 구간을 정의 하며, 음원 인식은 검출된 구간 내 데이터로부터 종래의 인식 방법인 HMM(: Hidden Markov Model)을 이용해, 음원 인식 정보를 생성하여 학습 및 인식을 한다. 이는 주변 배경음이 포함된 음원 신호에 대해 기존 신호의 에너지를 이용해 구간을 검출 후, HMM을 통한 인식에 비해 3.94% 상향된 인식률을 보인다. 또한 인식 결과를 바탕으로 구간내의 신호간의 TDOA(: Time Delay of Arrival)를 이용한 위치 파악은 실제 발생 위치와의 각도와 97.44%일치함을 보인다.