Anomaly detection for each industrial machine is recognized as one of the essential techniques for machine condition monitoring and preventive maintenance. Anomaly detection of industrial machinery relies on various diagonal data from equipped sensors, such as temperature, pressure, electric current, vibration, and sound, to name a few. Among these data, sound data are easy to collect in the factory due to the relatively low installation cost of microphones to existing facilities. We develop a real time anomalous sound detection (ASD) system with the use of Autoencoder (AE) models in the industrial environments. The proposed processing pipeline makes use of the audio features extracted from the streaming audio signal captured by a single-channel microphone. The pipeline trains AE model by the collected normal sound. In real factory applications, the reconstruction error generated by the trained AE model with new input sound streaming is calculated to measure the degree of abnormality of the sound event. The sound is identified as anomalous if the reconstruction error exceeds the preset threshold. In our experiment on the CNC milling machining, the proposed system shows 0.9877 area under curve (AUC) score.

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 레몬과즙의 헤스페리딘 함량이 가장 많은 수확시기 지표를 결정하기 위해 수관내부 및 외부에 착과된 과실에 대해 시기별 헤스페리딘 함량을 착색시기 및 과중과 연관시켜 평가했다. 그 함량은 과실생장에 따라 달랐으며 수관내부 및 외부에 있어 착색이 막 시작되는 개화 후 162일과 176일째에 가장 많았다. 그리고 수관외부가 내부보다 많았다. 이상의 결과는 레몬과실의 헤스페리딘 함량이 가장 많은 적정 수확 시기는 착색이 막 시작이 되고 과실의 생장이 멈추기 직전이라는 것을 나타냈다.

본 연구에서는 M16 A계통 '부지화'를 강세대목인 대목 '스윙글 시트루멜로' 또는 보통대목인 '탱자'에 접목하여 무가온 하우스에서 재배한 잎과 과실 사양의 수분상태 변화 및 과실 성숙기의 과실 가용성 고형물과 산 함량변화를 조사했다. 강세대목인 '스윙글 시트 루멜로'와 보통대목인 '탱자'에 접목한 M16 A계통 '부지화'의 대목에 따라 과실의 품질은 영향을 받는 것으로 나타났는데, '스윙글 시트루멜로' 대목은 '탱자' 대목보다 과실 가용성 고형물과 산함량이 낮았다. 동트기 직전에 측정된 과실사양의 수분포텐셜 및 팽압은 '스윙글 시트루멜로' 대목이 '탱자' 대목보다 조금 높은 경향을 보였으나, 삼투 포텐셜의 값은 '탱자' 대목이 '스윙글 시트루멜로' 대목보다 낮았다. 과실사양과 같은 시간대에 측정된 엽수분포텐셜 값의 변화도 과실 사양의 삼투포텐셜 변화와 유사한 경향을 보여주었다. 이상의 결과로 보아, M16 A계통 '부지화'에 있어 두개의 대목에 따라 잎의 수분 상태와 과실사양의 삼투포텐셜 차이가 있었으며, 이러한 차이로 인하여 과실 가용성 고형물과 산 함량에 차이가 나타나는 것으로 판단되며, 대목에 따른 수분 상태와 과실 품질의 차이는 대목의 뿌리분포가 영향을 미쳤기 때문인 것으로 사료된다.