Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
회전 시스템의 불균형 질량 추정을 위해 도메인 이동을 인지하는 신경망 연구를 소개합니다. MMD 전략을 활용해 소스 및 타겟 분포 간의 특징을 정렬함으로써, 운전 조건 변화에도 높은 예측 정확도를 유지합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기본 연구는 다양한 운전 조건 하에서 회전축의 불균형 질량 (unbalance masses)을 추정하기 위한 회귀 (regression) 작업에 도메인 이동 인지 (domain-shift aware) 신경망의 적용을 조사합니다. 실험 데이터는 불균형 질량을 운반하는 플랜지가 장착된 주축 (primary shaft)이 다양한 회전 속도로 구동되는 동안, 도메인 불일치 (domain discrepancy)를 유발하기 위해 보조축 (secondary shaft)을 선택적으로 활성화할 수 있는 테스트 리그 (test rig)에서 수집되었습니다. 불균형 질량은 고정된 반경 방향 거리 (radial distance)에 배치되었으며, 시스템의 동적 응답 (dynamic response)은 3축 가속도계 (triaxial accelerometers)를 사용하여 기록되었습니다. 질량 추정의 역문제 (inverse problem)는 도메인 적응 (domain adaptation) 프레임워크 내에서 공식화되었으며, 여기서 네트워크는 소스 (source) 및 타겟 (target) 분포 간의 특징 표현 (feature representations)을 정렬하기 위해 최대 평균 불일치 (maximum mean discrepancy, MMD) 전략을 사용하여 학습됩니다. 결과는 도메인 이동 (domain shift)을 명시적으로 다루는 것이 예측 정확도를 향상시키는 데 효과적임을 입증하며, 특히 시스템의 물리적 동작과 도메인 불일치의 원인을 완전히 알 수 없거나 훈련 조건 범위를 벗어나는 경우에 더욱 그러합니다. 이러한 발견은 구조물 건전성 모니터링 (Structural Health Monitoring, SHM) 분야의 회귀 작업을 위한 도메인 이동 인지 모델의 잠재력을 강조합니다.