Stack Auto-encoder와 MLP를 이용한 하중 인식 연구

Load Recognition Using Stack Auto-encoder and Multilayer Perceptron

연구 내용

Stack Auto-encoder와 Multilayer Perceptron(MLP)로 하중 패턴을 학습·인식하는 연구

하중 인식을 위해 Stack Auto-encoder를 기반으로 비지도 특성 학습을 수행하고, Multilayer Perceptron(MLP)을 이용해 최종 분류 성능을 확보하는 절차를 연구합니다. 먼저 입력 데이터의 잠재 표현을 단계적으로 추출하여 노이즈와 분포 차이를 흡수하도록 구성하고, 이후 패턴 인식 관점에서 MLP 분류기를 결합합니다. 이러한 접근은 하중 데이터의 특징이 복잡한 경우에도 표현 학습을 통해 유효한 입력 변환을 만들고자 하는 데 차별성이 있습니다. 결과적으로 하중 인식 파이프라인을 재현 가능한 형태로 정리하는 것을 목표로 합니다.

관련 프로젝트

0건

연구 흐름

초기 연구에서는 하중 인식 문제를 패턴 인식 절차로 정리하고, Stack Auto-encoder가 입력으로부터 유용한 잠재 특징을 추출할 수 있는지 확인하는 데 집중했습니다. 이후 MLP를 분류 단계로 결합하여 학습된 표현이 분류 성능으로 연결되도록 구조와 학습 구성을 조정했습니다. 최근에는 입력 표현이 성능에 미치는 영향을 바탕으로 모델 설계의 타당성을 점검하고, 제조 공정 데이터 기반 적용 가능성을 평가하는 흐름으로 연구를 확장하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

하중 상태 분류
특성 학습 기반 데이터 전처리
공정 이상 패턴 탐지
설비 상태 레이블 자동화
차원 축소 대체 표현 학습
센서 신호 패턴 인식
제조 공정 분류 모델 구축
운전 데이터 기반 모델링
라벨 부족 환경 보조 학습
하중 데이터 기반 품질 예측 입력
모델 경량화 전 단계 표현 학습