연구동향 분석

횡 가속도 빅데이터를 활용한 선로 상태진단에 관한 연구 = A Study on Track Condition Diagnosis using Lateral Acceleration Big Data

정승섭 2023년

논문상세정보
인용/피인용
' 횡 가속도 빅데이터를 활용한 선로 상태진단에 관한 연구 = A Study on Track Condition Diagnosis using Lateral Acceleration Big Data' 의 주제별 논문영향력
논문영향력 선정 방법
논문영향력 요약
주제
  • 기계학습
  • 빅데이터
  • 횡가속도
동일주제 총논문수 논문피인용 총횟수 주제별 논문영향력의 평균
4,039 0

0.0%

' 횡 가속도 빅데이터를 활용한 선로 상태진단에 관한 연구 = A Study on Track Condition Diagnosis using Lateral Acceleration Big Data' 의 참고문헌

  • 효율적 철도차량 유지보수를 위한 지식기반 통합관리시스템 적용 연구
    최석중 우 송대학교, 박사학위논문 [2017]
  • 화차용 스윙모션 대차시스템의 동적 안정성에 대 한 실험적 검증 연구
    박진규 전승기 지해영 최정환 한국정밀공학회지 vol. 37, no. 5, pp. 321-330 [2020]
  • 한국고속철도(KTX) 차량의 대차불안정 감소 방안에 대한 연구
    김문석 서울과학 기술대학고, 석사학위논문 [2014]
  • 철도차량 스마트 유지보수시스템 도입 효과 분석 – 서울교통공사 2호선 유 지보수 시스템 중심으로 -
    고선아 서울과학기술대학교 박사학위논문 [2022]
  • 차륜 플랜지 형상변화가 철도차량 주행안전성에 미치는 영 향 검토
    강부병 김철수 박용기 한국도시철도학회논문집, vol. 6, no. 1, pp. 71-79 [2018]
  • 차량가속도데이터를 , , , , 활용한 머신러닝 기반의 궤도 품질지수(TQI) 예측
    김상수 김영철 김현기 최찬용 한국지반신소재학회논문집, vol. 19, no. 1, pp. 45-53 [2020]
  • 차량 진동이 궤도 선형 측정에 미치는 영향
    권삼영 김이현 배규영 용재철 한국 소음진동공학회논문집, Vol. 26, No. 6, pp. 644-650 [2016]
  • 주파수영역 전달함수를 이용한 궤 도틀림 식별
    권순정 김만철 김재천 신수봉 윤경림 이형진 한국철도학회논문집, vol. 12, no. 4, pp. 506-511 [2009]
  • 의료 인공지능 유용성 및 공공성을 위한 정책 제안
    박희봉 한국공공관리학회 한국 공공관리학보, vol. 35, no. 3, pp. 195-217 [2021]
  • 운전자 상황을 기반으로 한 자동차 인공지능(AI) 서비스 감성 콘텐츠 방향 연구
    유보라 한국기초조형학회 기초조형학연구, vol. 20, no. 3, pp. 199-209 [2019]
  • 영업열차를 이용한 지상설비 차상검측 시스템 구축 방안 연구
    김인호 우송대학 교, 석사학위논문 [2022]
  • 열차 축가속도의 이산웨이블릿 변환을 통한 궤도틀림 특성 분석
    박재학 조호진 한국철도학회논문집, vol. 23. no. 2, pp. 182-293 [2020]
  • 선로유지관리지침
    국가철도공단 [2020]
  • 상태기반 유지보수 기법을 적용한 차량고장 진단 및 예측 시스템 연구
    송길종 임재중 한국ITS학회논문지, vol. 18, no. 4, pp. 80-85 [2019]
  • 빅데이터와 통계학
    김용대 조광현 한국데이터정보과학지, vol. 24, no. 5, pp. 959-974 [2013]
  • 분류 앙상블 모형에서 Lasso-bagging과 WAVE-bagging 가지치 기 방법의 성능비교
    곽승우 김현중 Journal of the Korean Data and Information Science Society, vol. 25, no. 6, 1371-1383 [2014]
  • 머신러닝을 활용한 항공권 블라인드 박스 사용여부 판별 모형 개발
    Tian HanYi 전남대학교 석사학위논문 [2022]
  • 머신러닝을 활용한 지역축제 방문객 수 예측모형 개발
    윤현식 이인지 한국정보 시스템학회, vol. 29, no. 30, pp. 35-52 [2020]
  • 레일 표면조도 데이터를 활용한 머신러닝 기반 전동소음 예측
    정다해 정우태 한국 철도학회논문집, vol. 22, no. 3, pp. -217, 2019 [2019]
  • 드론 활용 목표물 추적 응용에서의 인공지능 , 작업 실행 효율 비교 분석 크라우드 기반 대 드론 기반
    손경환 한국통신학회논문지, vol. 43, no. 1 [2018]
  • 도시철도차량 제동장치의 솔레노이드 밸브 에 대한 전류기반 고장진단기법 개발
    서보성 오현석 윤병동 이규석 조수호 대한기계학회논문집 A, vol. 40, no. 9, pp. 835-842 [2016]
  • 도시철도 차량 유지보수의 CBM 적용을 위한 주요장치 선정 연구
    서경수 한국 철도학회논문집, vol. 23, no. 10, pp. 961-975 [2020]
  • 궤도틀림 특성이 철도차량 주행성능에 미치는 영향 해석
    강부병 한국정밀공학회 지, vol. 34, no. 12, pp. 881-887 [2017]
  • 고속차량 운행시 대차불안정발생 요소에 대한 고찰
    문성훈 박성준 안홍관 한국 철도학회 춘계학술대회 논문집, vol. 5, pp. 673-678 [2015]
  • 고속열차의 대차불안정감지센서 시험에 대한 연구
    손강호 전성준 차근수 한국 철도학회 세미나자료 vol. 5, pp. 603-612 [2009]
  • 고속검측차 특성을 고려한 궤도 검측결과 분석연구 최종보고서
    국가철도공단 [2010]
  • UIC518 방법에 의한 국내 및 프랑스 고속철도 차 량 진동가속도 분석
    김남포 이준석 임지훈 최일윤 한국산학기술학회논문지, Vol. 16, No. 2. pp. 8516-8524 [2015]
  • Optimized-XGBoost Learner Based Model for Photovoltaic Power Forecasting
    J. Hur S. H. Choi vol. 69, no. 7, pp. 978-984 [2020]
  • MACHINE LEARNING
    오일석 한빛아카데미 [2017]
  • KTX 및 대책수립 연구 용역 보고 서
    한국철도공사 연구원 대차 불안정 발생 원인분석 [2010]
  • KRCS B355, 고속차량 대차불안정 감지센서 표준 규격서
    한국철도공사
  • Development of Smart Driving monitoring device for Personal Mobility through Confusion Matrix verification
    C. H. Sim J. W. Han J. W. Whang S. H. Park vol. 27, no. 2, pp. 61-69 [2022]
  • Amended agreement chart for the confusion matrix
    C. S. Hong Y. W. Choi vol. 33, no. 4, pp. 551-565 [2022]
  • A Study on the Condition Based Maintenance Development for the Expansion of CBM Adoption in Weapon Systems
    H. S. Jeong vol 22, no. 8, pp. 631-638 [2021]
  • 9. National Aeronautics and Space Administration(NASA), RCM GUIDE For Facilities and Collateral Equipment, 2008
  • 7. Deloitte(Analytics Institute), Predictive Maintenance, 2017
  • 6. SKF Insight Rail, Improving reliability and life cycle cost of rotating equipment in railway, 2022
  • 50. Y. Freund, R. E. Schapire, Experiments with a new boosting algorithm, Machine Learning: Proceeding of the Thirteenth International Conference, vol. 9 6, pp. 148-156, 1996
  • 49. L. Breiman, Bagging predictors, Kluwer Academic Publishers, Boston Machine learning 24, pp. 123-140, 1996
  • 48. J.R. QUINLAN, Induction of decision trees - Machine Learning (Theory), Kluwer Academic Publishers, Boston, Machine learning 1, pp. 81-106, 1986
  • 36. H. J. Joo, Y. J, Choi, C. T. Ok, J. H. An, Determination of Fire Risk Assement Indicators for Building using Big Data, Journal of The Korea Institute of Building Construction, Vol. 22, No. 3, pp. 281-291, 2022
  • 34. R. Bonnin, Machine Learning for Developers, Packt, Birmingham, 2018
  • 33. S. B. Kotsiantis, Supervised Machine Learning: A Review of Classification Techniques, Informatica 31, pp. 249-268, 2007
  • 32. https://mathworks.com
  • 28. A. L. Samuel, Some Studies in Machine Learning Using the Game of Checkers, IBM Journal of Research and Development, vol. 3, no. 3, pp. 210-219, 1959
  • 18. D. TRAN ANH, K. DABROWSKI, K. SKRZYPEK, The predictive maintenance concept in the maintenance department of the INDUSTRY 4.0 Production enterprise, Foundations of Mainagement, vol. 10, no. 22, pp. 283-292, 2018
  • 17. Limblecmms, A Complete Guide to Predictive maintenance, https://limblecmms. com/predictive-maintenance/, 2022
  • 16. Industry Week & Emerson, How Manufacturers Achieve Top Quartile Performance, Partners.wsj.com, 2017
  • 15. ISO 13374, Condition monitoring and diagnostics of machine-Data processing, communication and presentation, 2015
  • 14. J. Lee, R. Abujamra, A.K.S. Jardine, D. Lin, D. Banjevic, An integrated platform for diagnostics, prognostics and maintenance optimization, in: The IMS ’2004 International Conference on Advances in Maintenance and in Modeling, Simulation and Intelligent Monitoring of Degradations, Arles, France, 2004
  • 13. A.K. Jardine, D. Lin, D. Banjevic, A review on machinery diagnostics and prognostics implementing condition-based maintenance, Mechanical Systems and Signal Proessing, no. 20, pp. 1483-1510, 2006
  • 12. MIL-STD-2173, Reliability-Centered Maintenance Requirements for Navel Aircraft, Weapons System and Support Equipment, 1999
  • 11. IEC 60300-3-11, Dependability management - Part 3-11: Application Guide-Reliability Centered Maintenance, 2009
  • 10. NAVAIR 00-25-403, Guidelines for the NAVAL AVIATION RCM Process, 2016