문. IIoT 회전기기 이상감지 AI 기술 동향

토픽	IIoT 회전기기 이상감지 AI 기술 동향
도메인	네트워크	중요도	중
참고문헌	이혜영, “IIoT 회전기기 이상감지 AI 기술 동향”, 주간기술동향, 2022.10.05, pp15-24.

 

문. IIoT 회전기기 이상감지 AI 기술 동향(2022.10.)

답.

1. 개요

- 산업용 IoT인 IIoT(Industrial Internet of Things)는 제조업체, 공장에서 네트워크 기반에서 기계와 제품, 생산과정과 서비스에 지능을 부여하여 자율적으로 통신 및 제어가 가능한 개념

 

2. 시계열 이상감지 AI에서의 데이터 증강 기술 동향

<그림. 시계열 데이터 증강 분류>

구 분	설 명
개념	- 회전설비 이상감지에 사용되는 데이터는 시간적 순서에 따르는 시계열성을 가지는 특징을 보여줌 - 시계열 데이터를 활용한 이상감지 기법을 적용하기 위해서는 이상치 발생의 희소성을 극복해야함
Window warping	- 원본데이터에서 임의이 구간을 설정하고 해당 구간을 압축하거나 확장하는 방식
Jittering	- 원본 시계열 데이터에 특정 값의 잡음을 추가하는 방식
Time warping	- 원본 시계열 데이터의 행동 시점을 변화시키는 방식
Slicing Window	- 이미지의 크로핑과 유사하며, 원본 데이터에 연속적인 윈도를 이용하여 잘라내는 방식
플리핑	- 원본 데이터의 부호를 바꾸어 주는 방식
APP방식	- Amplitude and Phase Perturbations - 노이즈를 추가하는 방식으로 노이즈는 원본 데이터의 평균과 표준 편차를 고려한 가우시안 분포에서 샘플링 함
AAFT방식	- Amplitude Adjusted Fourier Transform - 시계열 데이터의 분류 성능 향상을 위해 대체 데이터를 활용
기타방식	- 1D 시계열 데이터 기반 DNN(Deep Neural Network), 생성 모델(Generative Model) 등 다양한 연구 진행 중

 

3. 시계열 이상감지 AI에서의 AI 모델 기술 동향

<그림. 오토인코더 기반 이상감지 예시>

<그림. TadGAN 구조>

<그림. USAD 구조>

구 분	설 명
개념	- 단일 또는 다변수 시계열 데이터에서 비정상적 동작, 패턴을 찾는 기술을 이상감지 기법이라 함 - 회전기기 설비점검 및 유지관리에서 이상감지 데이터 희소성으로 사전 이상 판단이 쉽지 않으므로 비지도학습 / 반지도학습 기법이 연구되는 중
오토인코더 기반 이상감지	- 정상 데이터를 저차원의 잠재공간으로 압축한 뒤 압축된 샘플을 다시 원래 차원으로 복원하여 복원된 데이터와 원본 데이터 간의 차이를 비교
TadGAN	- 인코더, 디코더, Critic_x, z로 구성된 오토인코더와 GAN의 결합모델 - 인코더는 데이터를 저차원으로 보내고 생성자는 저차원 데이터를 원본으로 복원함 - Critic_x는 원본 데이터와 생ㅅ덩자에서 생성된 데이터를 판별 - Critic_z는 인코더 결과와 저차원 공간의 맵핑 정도를 판단하여 감지함
USAD	- UnSupervised Anomaly Detection on Multivariate Time Series - 기본적인 오토인코더에서 2개의 디코더를 사용하여 총 2개의 오토인코더 구조를 가짐 - 첫 번째 AE는 실제 데이터를 닮은 데이터를 생성하는 생성자 역할 - 두 번째 AE는 원본과 첫 번째 AE의 결과로 데이터를 판단하는 판별자 역할