딥러닝 기반의 단말기 모터 진동 측정 고도화

1 /19
■ Model 구조

Loss function Threshold : 𝛼

Normal
Pretraining Normal … … 2 data
Data 𝑑(x) = xො − x
Autoencoder

x xො

Loss function
Normal Anomaly
Semi-supervised Normal … … 1−𝑦 𝑑 x + data 𝑑 x data

Autoencoder Data 𝑦𝑒 𝛼−𝑑 x

Anomaly
Data 0 nomal 𝛼−𝑑 x
x xො Label 𝑦 = ቊ
1 anomaly
𝑒 𝛼−𝑑 x

𝛼−𝑑 x

2 /19
■ Test results
▪ Data Setting (906U) ▪ Performance

Train Validation Test TOTAL Pretrain-AE AUC Semi-AE AUC

ALL 0.984 ALL 0.998
OK 1066 118 63 1247
- DUT1 1.0 - DUT1 1
NG 63 0 63 126
- DUT2 0.956 - DUT2 1
TOTAL 1129 118 126 1373
- DUT3 0.998 - DUT3 0.99

Test Data

Y-axis = 정상(OK) 데이터의 확률밀도

X-axis = 10*log(anomaly Score)
3 /19
■ Test results
▪ Data Setting (906U) ▪ Performance

Train Validation Test TOTAL Pretrain-AE AUC Semi-AE AUC

ALL 0.984 ALL 0.998
OK 1066 118 63 1247
- DUT1 1.0 - DUT1 1
NG 63 0 63 126
- DUT2 0.956 - DUT2 1
TOTAL 1129 118 126 1373
- DUT3 0.998 - DUT3 0.99

ALL Data

Y-axis = 정상(OK) 데이터의 확률밀도

X-axis = 10*log(anomaly Score)
4 /19
■ Test results
▪ Data Setting (906U) ▪ Performance

Train Validation Test TOTAL Pretrain-AE AUC Semi-AE AUC

ALL 0.986 ALL 0.992
OK 1420 157 100 1677
- DUT1 0.982 - DUT1 0.987
NG 100 0 100 200
- DUT2 1.0 - DUT2 1.0
TOTAL 1577 157 200 1877
- DUT3 0.975 - DUT3 0.996

Test Data

Y-axis = 정상(OK) 데이터의 확률밀도

X-axis = 10*log(anomaly Score)
5 /19
■ Test results
▪ Data Setting (906U) ▪ Performance

Train Validation Test TOTAL Pretrain-AE AUC Semi-AE AUC

ALL 0.986 ALL 0.992
OK 1420 157 100 1677
- DUT1 0.982 - DUT1 0.987
NG 100 0 100 200
- DUT2 1.0 - DUT2 1.0
TOTAL 1577 157 200 1877
- DUT3 0.975 - DUT3 0.996

ALL Data

1633개 44개

Y-axis = 정상(OK) 데이터의 확률밀도

X-axis = 10*log(anomaly Score)
6 /19
VIB_OK_9897AF43384F34455031_DUT1_17 VIB_OK_9897DE30584A58373736_DUT2_1 VIB_OK_98982849313730575031_DUT3_2
3406.tdms.wav (14.37) 71625.tdms.wav (11.89) 15806.tdms.wav (12.46)

7 /19
VIB_OK_9897DE4C474A58373736_DUT2_ VIB_OK_9897EB46355941325031_DUT1_20 VIB_OK_9897D942465551483636_DUT1
211455 (66.51) 2933 (49.12) _231134.tdms.wav (84.84)

8 /19
VIB_NG_CE0222624C2694CE3F7E_DUT3 VIB_NG_98982841353430575031_DUT2_ VIB_NG_CE0222623899DCB03F7E_DUT
_040414 (114) 235850 (68.17) 1_105227 (93.94)

9 /19
VIB_NG_9897DF32423155343636_DUT3_ VIB_NG_9897DE46474C58373736_DUT2 VIB_NG_CE0222623899DCB03F7E_DUT
222926 (13.99)->(16.05) _155506 (14.89)->(17.42) 1_105251 (14.45)->(18.03)

10 /19
■ Test results
▪ 906U
Pretrain-AE AUC Pretrain-AE AUC

ALL 0.985 (0.986) ALL 0.991 (0.992)

- DUT1 0.984 (0.982) - DUT1 0.985 (0.987)

- DUT2 1.0 (1.0) - DUT2 1.0 (1.0)

- DUT3 0.972 (0.975) - DUT3 0.987 (0.996)

▪ 908B
Pretrain-AE AUC Pretrain-AE AUC

ALL 0.956 (0.984) ALL 0.995 (0.998)

- DUT1 1.0 (1.0) - DUT1 1.0 (1.0)

- DUT2 0.873 (0.956) - DUT2 0.994 (1.0)

- DUT3 0.995 (0.998) - DUT3 0.991 (0.99)

11 /19
■ Test results
▪ MobileFaceNetV2 ▪ Performance
각 단말기 모델을 분류하도록 학습하여, 인공지능
모델이 진동 모터의 특성을 인지하도록 유도 MobileFaceNetV2 Autoencoder

S21 0.95 0.988

S22 0.55 0.99
0.9
평균 0.75 0.99
S21 Soft
AI Network 0.3
Data max
0.1

12 /19
■ 기존 Audio F/T와 딥러닝 간의 통신 인터페이스
✓ Audio F/T(기존검사기)시작시 딥러닝 agent 실행
ex)cmd /c C:\DIST\AudioInspection\launch_app.bat
※batch파일내 딥러닝 exe파일 실행 매크로 적용

✓ Ready (TCP Create)

기존 검사기 init시 TCP Create & Wait on Listner등록 (port: 61557)

✓ Send (TCP Write)

테스트 종료시 불량으로 생성된 TDMS파일명 딥러닝agent로 전달 (Audio F/T → 딥러닝)

✓ Receive (TCP Read)

딥러닝 판정결과 전달 (딥러닝 → Audio F/T)

✓ 최종 결과 판정

Audio F/T 딥러닝 Agent

NG 파일이름
TCP server
TCP Agent
localhost:61557
테스트 결과
13 /19
■ 프로그램 첫 실행화면
▪ Server (Autio F/T 모의) ▪ Client (딥러닝 Agent)

1 2

1. Start Server: Client의 접속을 기다리기 시작

2. Connect: Server에 접속 요청을 보내 Server와 Client 연결
3. Send: NG 파일명을 Server에서 Client에 전달

14 /19
■ 프로그램 동작 화면
▪ Server (Autio F/T 모의) ▪ Client (딥러닝 Agent)

2
1

1. Server에서 NG 파일명을 Client로 전송

2. Client 내에서 딥러닝 모델을 이용해 양/불 판정 후 결과 출력
3. Client에서 Server로 결과 전송 (기존 과제 전송 메시지 확인 필요)

15 /19
■ GUI 프로그램의 접근성 향상

1. Client GUI에서 단말기 모델을 지정할 수 있도록 개발예정

2. Wav 파일이 아닌 tdms 파일을 바로 읽을 수 있도록 개발 예정

2. TCP 통신 외에 Client GUI에서 TDMS 파일들에 접근할 수 있도록 개발 예정

3. 테스트 로그 기록 자동 저장 기능 개발 예정

4. 실행파일(exe)화 개발 예정 (Py2exe, Pyinstaller 이용)

16 /19