The Fourth Industrial Revolution and sensor technology have led to increased utilization of sensor data. In our modern society, data complexity is rising, and the extraction of valuable information has become crucial with the rapid changes in information technology (IT). Recurrent neural networks (RNN) and long short-term memory (LSTM) models have shown remarkable performance in natural language processing (NLP) and time series prediction. Consequently, there is a strong expectation that models excelling in NLP will also excel in time series prediction. However, current research on Transformer models for time series prediction remains limited. Traditional RNN and LSTM models have demonstrated superior performance compared to Transformers in big data analysis. Nevertheless, with continuous advancements in Transformer models, such as GPT-2 (Generative Pre-trained Transformer 2) and ProphetNet, they have gained attention in the field of time series prediction. This study aims to evaluate the classification performance and interval prediction of remaining useful life (RUL) using an advanced Transformer model. The performance of each model will be utilized to establish a health index (HI) for cutting blades, enabling real-time monitoring of machine health. The results are expected to provide valuable insights for machine monitoring, evaluation, and management, confirming the effectiveness of advanced Transformer models in time series analysis when applied in industrial settings.

The sensory stimulation of a cosmetic product has been deemed to be an ancillary aspect until a decade ago. That point of view has drastically changed on different levels in just a decade. Nowadays cosmetic formulators should unavoidably meet the needs of consumers who want sensory satisfaction, although they do not have much time for new product development. The selection of new products from candidate products largely depend on the panel of human sensory experts. As new product development cycle time decreases, the formulators wanted to find systematic tools that are required to filter candidate products into a short list. Traditional statistical analysis on most physical property tests for the products including tribology tests and rheology tests, do not give any sound foundation for filtering candidate products. In this paper, we suggest a deep learning-based analysis method to identify hand cream products by raw electric signals from tribological sliding test. We compare the result of the deep learning-based method using raw data as input with the results of several machine learning-based analysis methods using manually extracted features as input. Among them, ResNet that is a deep learning model proved to be the best method to identify hand cream used in the test. According to our search in the scientific reported papers, this is the first attempt for predicting test cosmetic product with only raw time-series friction data without any manual feature extraction. Automatic product identification capability without manually extracted features can be used to narrow down the list of the newly developed candidate products.

본 연구는 선박용 공기압축기의 상태기반보전 시스템에 필요한 이상치 탐지 알고리즘 적용에 대한 실험적 연구로서 고장모사 실험을 통해 시계열 전류 센서 데이터를 이용한 이상탐지 적용 가능성을 확인하였다. 고장 유형 10개에 대해 실험실 규모의 고장 모사 실험을 수행하여 정상 운전데이터와 고장 데이터를 구축하였다. 실험 결과 구축된 이상탐지 모델은 시계열 데이터의 주기에 변화를 유발하는 이상은 잘 탐지하는 반면 미세한 부하 변동에 대한 탐지 성능은 떨어졌다. 또한 오토인코더를 이용한 시계열 이상탐지 모델은 입력 시 퀀스의 길이와 초모수 조정에 따라 이상 탐지 성능이 상이한 것으로 나타났다.

Economic indicators are a factor that affects air cargo volume. This study analyzes the different factors affecting air cargo volume by each Chinese cities according to the main characteristics. The purpose of this study is to help companies related to China, airlines, and other stakeholders predict and prepare for the fluctuations in air cargo volume and make optimal decisions. To this end, 20 economic data were used, and the entire data was reduced to 5 dimensions through factor analysis to build a dataset necessary and evaluated the influencing factors by multi regression. The result shows that Macro-Economic Indicators, Production/Service indicators are significant for every cities and Chinese manufacture/Customer indicators, Korean manufacture/Oil Price indicators, Trade/Current indicators are significant for each other city. All adjusted R2 values are high enough to explain our model and the result showed excellent performance in terms of analyzing the different factors which affects air cargo volume. If companies that are currently doing business with China can identify factors affecting China's cargo volume, they can be flexible in response to changes in plans such as plans to enter China, production plans and inventory management, and marketing strategies, which can be of great help in terms of corporate operations.

기후 변화에 따른 이상기상 등 농업환경변화에 따른 농작물의 생산성 및 품질 저하 등의 문제가 발생하고 있다. 최근에는 이러한 문제를 해결하기 위해 정보통신기술(Information & Communications Technology; ICT), 사물인터넷 (Internet of Things; IoT) 및 인공지능(Artificial Intelligence; AI) 등을 이용한 지능한 작물 모델 개발과 정보화 자원 구축 등의 연구가 진행되고 있다. 국내의 ICT를 적용한 스마트팜은 비닐하우스와 같은 시설 내부 환경을 제어하는 기술로 구성되어 있으나 국내 농경지 면적의 95%는 노지로 되어 있어 노지에 쉽게 적용할 수 있는 농업 ICT 기술 이 필요하다. 따라서 본 연구는 노지 작물의 지능형 생육 환경 모델 개발을 위한 IoT 기반 환경 데이터 획득 시스 템을 구축하고 시계열 계측을 통해 농작물 생육의 주요 인자인 토양 수분과 토양 온도의 변화 특성을 파악하고자 한다. 본 실험은 전북 완주군 소재 국립식량과학원 풍산나물콩 및 대풍콩 재배 포장에 환경데이터 획득 시스템을 구축하였으며 IoT 기반 토양센서(Sentek Drill&Drop, Australia)을 통해 토양의 수분 및 온도를 측정하였다. 토양 센 서는 서로 간섭을 최소화하기 위해 일정 간격으로 설치하고 지면으로부터 전극을 깊이 30 cm 까지 삽입시킨 후 20년 07월 04일부터 20년 10월 07일까지 깊이 10 cm, 20 cm, 30 cm의 토양 수분 및 온도의 시계열 변화를 비교 분 석하였다. 토양 수분 및 온도 변화는 지면으로부터 깊이 10 cm, 20 cm, 30 cm 순으로 크게 나타났다. 본 연구의 결 과는 4차 산업 기술의 농업적 적용성을 높이기 위한 빅데이터 구축 및 노지 스마트팜 기술 기반 확보를 위한 자료 로 활용될 수 있을 것으로 판단된다.

Anomaly detection of Machine Learning such as PCA anomaly detection and CNN image classification has been focused on cross-sectional data. In this paper, two approaches has been suggested to apply ML techniques for identifying the failure time of big time series data. PCA anomaly detection to identify time rows as normal or abnormal was suggested by converting subjects identification problem to time domain. CNN image classification was suggested to identify the failure time by re-structuring of time series data, which computed the correlation matrix of one minute data and converted to tiff image format. Also, LASSO, one of feature selection methods, was applied to select the most affecting variables which could identify the failure status. For the empirical study, time series data was collected in seconds from a power generator of 214 components for 25 minutes including 20 minutes before the failure time. The failure time was predicted and detected 9 minutes 17 seconds before the failure time by PCA anomaly detection, but was not detected by the combination of LASSO and PCA because the target variable was binary variable which was assigned on the base of the failure time. CNN image classification with the train data of 10 normal status image and 5 failure status images detected just one minute before.

빅데이터는 2010년 이후 다양한 산업 분야에서 빠르게 확산이 진행되었다. 본 연구에서는 빅데이터가 확산되는 초기 과정에 대한 시계열 분석을 통해 빅데이터의 범용 기술 특징을 분석하였고, 각 산업의 확산 특성 차이에 대해 조사하였다. 빅데이터를 키워드로 하여 논문, 특허, 뉴스 데이터, 구글트렌드를 분석하여 선행 지수에 해당하는 데이터를 탐색하였고, 논문과 특허보다 뉴스와 구글트렌드가 2년가량 선행하는 트렌드를 보임을 확인하였다. 구글트렌드를 이용하여 국내와 미국, 일본, 중국의 국가별 도입 시기와 확산 양산을 비교하였고, 뉴스 데이터를 통해 국내의 주요한 8가지 산업 분야에 대해 확산이 진행되는 과정을 정량적 그리고 사례를 바탕으로 분석하였다. 본 연구를 통해 빅데이터처럼 산업 전반에 걸쳐 영향을 주는 범용 기술이 어떻게 초기 확산이 이루어지는지에 대한 실증적 연구 방법을 제시하였고, 빅데이터가 국내에서 각 산업별 확산 속도 차이는 어디에서 비롯되는지 파악하였다. 본 논문에서 제시한 방법은 빅데이터 이외에 다른 기술의 확산 과정에도 분석할 수 있으며, 특정 국가내의 기술 키워드 확산에 해당하므로 개발도상국에서 외국으로부터 도입된 기술을 어떻게 받아들일지 분석하는데 사용 가능하다. 그리고, 기업 측면에서는 새로운 기술을 출시하고 이를 확산하고자 할 때 어떤 경로가 효과적인지 이해할 수 있다.

In this paper, we propose an Elman recurrent neural network to predict and analyze a time series of gas energy consumption in an air handling unit. To this end, we consider the volatility of the time series and demonstrate that there exists a correlation in the time series of the volatilities, which suggests that the gas consumption time series contain a non-negligible amount of the non-linear correlation. Based on this finding, we adopt the Elman recurrent neural network as the model for the prediction of the gas consumption. As the simplest form of the recurrent network, the Elman network is designed to learn sequential or time-varying pattern and could predict learned series of values. The Elman network has a layer of “context units” in addition to a standard feedforward network. By adjusting two parameters in the model and performing the cross validation, we demonstrated that the proposed model predicts the gas consumption with the relative errors and the average errors in the range of 2%~5% and 3kWh~8kWh, respectively. The results of this study can be used to the energy management system in terms of the effective control of the cross usage of the electric and the gas energies.

표준은 산업발전 및 무역 자유화의 기반이며 사회 · 경제적인 효율을 향상시키는 중요한 수단이다. 표준과 관련된 정책은 국가적인 차원에서 중요한 이슈 중 하나가 되고 있으며, 이에 따라 산업 분야별 한국산업표준 제정과 활용에 대한 분석은 표준과 관련된 연 구에서 중요한 부분이 되고 있다. 본 연구는 분야별 KS 보유 및 제정현황 분석 그리고 열람실적을 이용하여 표준의 활용도 를 분석한다. 먼저 KS의 보유현황을 국가정책적인 이슈와 함께 살펴보고, 세부적으로 KS 제 정현황이 유사한 분야들은 무엇인지 파악하기 위해 다차원 척도법을 이용하여 시각화 및 군 집화를 실시한다. 이후 각 군집별 제정현황이 유사한 분야들의 표준화 제정활동에 영향을 미 치는 결정요인이 무엇인지 가설설정에 따른 회귀분석을 실시한다. 연구결과 자본집약도, 연구개발 그리고 매출액이 표준화 제정활동에 영향을 미치는 것으로 나타났다. 이에 따라 정부 는 자본집약도가 큰 기업들이 표준화 과정에서 선도적 역할을 유도하고, 연구개발에 따른 표 준과 기술특허 등을 정책적으로 연계시키며, 매출액이 큰 기업들이 표준화 활동을 선도하도 록 지원정책을 수립해야 한다. 두 번째로 표준의 활용도를 분석하기 위해, KS 열람실적 데이 터를 사용하며, 각 KS의 제정연도, 형태 분야별 활용도가 어떻게 다른지 기초통계분석과 의 사결정나무를 사용하여 분석을 수행한다. 그 결과 표준의 제정시기가 활용도에 영향을 크게 미치며, 특정 분야와 형태의 KS들은 최근에 제정되었더라도 활용도가 높은 것으로 나타났 다. 이에 따라 열람실적이 낮은 표준들에 대한 홍보 정책과 함께, 표준을 제정할 때 미열람되 는 표준이 적어지도록 활용도를 고려하는 정책을 수립해야 한다.

Real-life time series characteristic data has significant amount of non-stationary components, especially periodic components in nature. Extracting such components has required many ad-hoc techniques with external parameters set by users in a case-by-case manner. In this study, we used Empirical Mode Decomposition Method from Hilbert-Huang Transform to extract them in a systematic manner with least number of ad-hoc parameters set by users. After the periodic components are removed, the remaining time-series data can be analyzed with traditional methods such as ARIMA model. Then we suggest a different way of setting control chart limits for characteristic data with periodic components in addition to ARIMA components.

In this paper, we investigate the statistical correlation of the time series for temperature measured at the heat box in the automobile drying process. We show, in terms of the sample variance, that a significant non-linear correlation exists in the time series that consist of absolute temperature changes. To investigate further the non-linear correlation, we utilize the volatility, an important concept in the financial market, and induce volatility time series from absolute temperature changes. We analyze the time series of volatilities in terms of the de-trended fluctuation analysis (DFA), a method especially suitable for testing the long-range correlation of non-stationary data, from the correlation perspective. We uncover that the volatility exhibits a long-range correlation regardless of the window size. We also analyze the cross correlation between two (inlet and outlet) volatility time series to characterize any correlation between the two, and disclose the dependence of the correlation strength on the time lag. These results can contribute as important factors to the modeling of forecasting and management of the heat box’s temperature.

시계열데이터는 ARMA 분석에 적합지 않은 요소를 내재하고 있는 경우가 있다. 특히 선형성과 주기성을 가진 요소가 확률적인 분포와 자주 혼재 되어 있다. 이 논문에서는 이런 선형적 주기적 요소를 찾아내고 분석하는 방법을 제시한다. 특히 주기적 요소는 여러 주기가 층층이 겹쳐져서 나타난다， 주기 간에 는 서로 일정 정수비율을 유지하며 ， 한 주기 안에 다른 주기가 내 포되어 있는 경우(nested periods)가 많다. 시간규모(time-scale) 개

This paper proposed a new method for estimating missing values in time series rainfall data. The proposed method integrated the two most widely used estimation methods, general linear model(GLM) and ordinary kriging(OK), by taking a weighted average of covariance matrices derived from each of the two methods. The proposed method was cross-validated using daily rainfall data at thirteen rain gauges in the Hyeong-san River basin. The goodness-of-fit of the proposed method was higher than those of GLM and OK, which can be attributed to the weighting algorithm that was designed to minimize errors caused by violations of assumptions of the two existing methods. This result suggests that the proposed method is more accurate in missing values in time series rainfall data, especially in a region where the assumptions of existing methods are not met, i.e., rainfall varies by season and topography is heterogeneous.