표제지
국문 초록
목차
1. 서론 8
2. 관련 연구 11
2.1. 베어링 결함 진단 네트워크 분류 11
2.2. 노이즈 강건성을 고려한 네트워크 11
2.3. 네트워크 프루닝 분류 12
3. 연구 방법론 14
3.1. 딥러닝 네트워크의 노이즈 강건성 평가 14
3.1.1. 베어링 결함 진단용 딥러닝 네트워크 선정 14
3.1.2. 베어링 결함 데이터셋 선정 14
3.1.3. 노이즈 강건성 평가를 위한 방법 18
3.2. 네트워크 프루닝 방식 선정 19
3.2.1. 노이즈 강건성 향상을 위한 활성화맵 프루닝 19
3.2.2. 합성곱 신경망 네트워크의 활성화맵 프루닝 20
3.2.3. 트랜스포머 네트워크의 활성화맵 프루닝 22
3.2.4. 활성화맵 프루닝의 오차 역전파 23
4. 실험 결과 및 해석 24
4.1. 노이즈 강건성 향상 효과 검증 실험 24
4.1.1. 검증 실험 개요 24
4.1.2. 네트워크 활성화맵 프루닝 실험 결과 25
4.2. 노이즈 강건성 효과 분석 31
4.2.1. 네트워크 희소도에 따른 노이즈 강건성 변화 31
4.2.2. 노이즈 강건성을 고려한 네트워크의 결과 34
4.2.3. 네트워크 추론 결과 시각화 35
5. 결론 38
참고 문헌 39
Abstract 43
표 1. CWRU 데이터셋 클래스별 샘플 수 17
표 2. MFPT 데이터셋 클래스별 샘플 수 17
표 3. Ottawa 데이터셋 클래스별 샘플 수 17
표 4. 1차원 합성곱 신경망 네트워크 프루닝 실험 결과 26
표 5. 2차원 합성곱 신경망 네트워크 프루닝 실험 결과 27
표 6. 트랜스포머 네트워크 프루닝 실험 결과 30
그림 1. 데이터셋 분할 및 데이터 증강 16
그림 2. 네트워크의 노이즈 강건성 평가 18
그림 3. 합성곱 신경망 활성화맵 프루닝 21
그림 4. 트랜스포머 활성화맵 프루닝 22
그림 5. 활성화맵 프루닝의 오차 역전파 23
그림 6. WDCNN의 CWRU 데이터셋에 대한 구조적 프루닝 결과 31
그림 7. TICNN의 MFPT 데이터셋에 대한 구조적 프루닝 결과 32
그림 8. STFT-CNN의 Ottawa 데이터셋에 대한 비구조적 프루닝 결과 32
그림 9. S-Transformer의 CWRU 데이터셋에 대한 프루닝 결과 33
그림 10. TICNN의 CWRU 데이터셋에 대한 프루닝 결과 34
그림 11. STFT-CNN의 Grad-CAM 결과 36
그림 12. WDCNN의 Grad-CAM 결과 37