이 연구는 초분광 영상으로 두 품종의 콩(청자 3호, 대찬)의 들불병을 진단할 수 있는 모델과 다중분광 영상센서를 개발하기 위해 수행되었다. 무처리구와 들불병 처리구에서 5 nm full width at half maximum (FWHM)으로 구성된 원시 초분광 중심파장들의 콩 식물 영역 반사율들을 추출하여 10 nm FWHM으로 병합한 후, t-test로 차이가 나타난 blue, green, red, red edge, NIR1 및 NIR2 각 영역에서 선정된 대표 밴드로 121개의 식생지수를 계산하였다. 식생지수를 입력변수로 support vector machine (SVM), random forest (RF), extra tree (EXT), extreme gradient boosting (XGB)의 머신러닝 기법과 shapley additive explanation 변수 선택 기법을 적용하여 들불병 진단에 가장 적절한 모델을 선정하고 사용된 식생지수와 파라미터를 나타내었다. T-test 결과 품종에 상관없이 blue 1개(420 nm), green 2개(500, 540 nm), red 1개(600 nm), red edge 2개(680, 700 nm), NIR1 2개(780, 840 nm), NIR2 1개(920 nm)의 총 9개 대표 밴드들이 선택되었고, 성능 평가를 통해 선정된 모델에 청자 3호의 경우 SVM모델(OA=0.86, KC=0.72, 10 VIs)이 선정되었으나 혼동행렬 분석 결과 정상오분류가 적은 RF모델이 선택되었다. RF모델(식 생지수 : RE/Blue, NSI, GDVI, Green/Blue, 파라미터 : max_depth=6, n_estimators=100)은 OA=0.81, KC=0.60, precision=0.86, recall=0.81, F1 score=0.80의 성능을 나타내었다. 대찬은 EXT모델(식생지수 : YVI, RE/Green, 2YVI, 파라미터 : max_depth=8, n_estimators=10)이 선정되 었고, OA=0.86, KC=0.72, precision=0.86, recall=0.86, F1 score=0.86의 성능을 나타내었다.

Recently, the importance of preventive maintenance has been emerging since failures in a complex system are automatically detected due to the development of artificial intelligence techniques and sensor technology. Therefore, prognostic and health management (PHM) is being actively studied, and prediction of the remaining useful life (RUL) of the system is being one of the most important tasks. A lot of researches has been conducted to predict the RUL. Deep learning models have been developed to improve prediction performance, but studies on identifying the importance of features are not carried out. It is very meaningful to extract and interpret features that affect failures while improving the predictive accuracy of RUL is important. In this paper, a total of six popular deep learning models were employed to predict the RUL, and identified important variables for each model through SHAP (Shapley Additive explanations) that one of the explainable artificial intelligence (XAI). Moreover, the fluctuations and trends of prediction performance according to the number of variables were identified. This paper can suggest the possibility of explainability of various deep learning models, and the application of XAI can be demonstrated. Also, through this proposed method, it is expected that the possibility of utilizing SHAP as a feature selection method.

온실의 냉난방부하 산정을 위해 설계자가 선택해야할 주요 변수들에 대하여, 이들 설계 변수가 냉난방부하에 미치는 영향을 평가하기 위해서 각각의 설계 변수값을 변화시키면서 시뮬레이션을 실시하였으며, 이를 바탕으로 특별히 선택에 주의를 기울여야 할 설계 변수를 제안하였다. 난방부하에 가장 큰 영향을 미치는 설계 변수는 피복재의 열관류율이고, 다음으로 설계외기온인 것으로 나타났다. 연동수에 따른 설계 변수의 영향은 차이가 거의 없는 것으로 나타났다. 단동 온실의 경우에는 지중전열 관련 설계 변수의 영향을 무시할 수 없을 것으로 생각되지만, 연동 온실의 경우에는 지중전열 관련 변수 및 틈새환기율의 영향이 미미한 것으로 판단되었다. 냉방부하에 가장 큰 영향을 미치는 설계 변수는 온실내로 유입되는 일사량과 증발산계수이고, 다음으로 실내외 기온차, 환기율인 것으로 나타났다. 설계 변수의 영향은 단동 온실과 연동 온실에서 큰 차이를 보였으나, 연동수에 따른 차이는 거의 없는 것으로 나타났다. 피복재의 열관류율은 단동 온실이나 연동 온실 모두 영향이 미미한 것으로 나타났지만, 실내외 기온차 및 환기율의 경우에는 냉방부하에 미치는 영향을 무시할 수 없을 것으로 생각되며, 특히 연동 온실에서 그 영향이 더 큰 것으로 판단되었다. 냉방부하를 산정할 때 실내 목표온도를 낮게 설정할수록 설계 변수의 선택에 신중해야 한다. 특히, 실내 목표온도를 외기온 보다 낮게 설정하면 환기율 및 열관류율 값이 냉방부하를 증가시키는 방향으로 바뀌므로 더욱 주의해야 한다. 환기율이 낮을 때는 설계 변수 중 설계일사량과 증발산계수의 선택에 주의해야 하고, 환기율이 높을 때는 실내 설정온도와 설계외기온의 선택에 신중을 기해야 한다.