연구자료실
설비 연결, 품질 검사, 생산 분석과 제조 업무에 관련된 외부 논문입니다.
연구자료 검색
논문 목록
T09. 산업 시계열, 이상탐지, 예지보전
- T09-6구조대응
Anomaly Detection in Time Series: A Comprehensive Evaluation
한국어 검토 보기
해결 문제
- 이상탐지 알고리즘이 수십 개인데 어느 상황에 무엇을 써야 하는지 정리된 근거가 없었다.
핵심 구조
- TimeEval이라는 실험 도구를 만들어 많은 알고리즘을 같은 데이터, 같은 절차로 돌린다. 데이터 특성별로 성능과 실행 시간을 같이 잰다.
주요 결과
- 만능 알고리즘은 없다. 데이터 성격에 따라 승자가 달라진다. 실행 시간과 정확도의 맞바꿈이 크다.
한계
- 각 알고리즘의 하이퍼파라미터를 저자 수준으로 최적화하기 어렵다. 실시간 스트리밍 조건은 충분히 다루지 않는다.
우리 기능과의 연결
- 설비 데이터 수집 파이프라인 위에서 어떤 탐지 알고리즘을 기본값으로 둘지 고를 때 쓰는 비교 틀에 대응한다.
- T09-8구조대응
Robust Anomaly Detection for Multivariate Time Series through Stochastic Recurrent Neural Network (OmniAnomaly)
한국어 검토 보기
해결 문제
- 서버, 우주선, 엔진처럼 센서가 여러 개 달린 장비를 감시하는 문제다. 시간에 따른 관계가 복잡하고 값에 무작위성이 섞여 있어 이상 판정이 어렵다.
핵심 구조
- 순환 신경망에 확률 변수를 섞은 구조다. 정상일 때의 패턴을 흔들림에 강한 표현으로 학습한다. 그 표현으로 입력을 다시 만들어내고, 복원이 얼마나 그럴듯한지를 확률로 재서 이상을 판정한다. 장비 단위로 이상이 잡히면 어느 센서의 복원 확률이 낮았는지로 원인을 짚어준다.
주요 결과
- 세 개 실제 데이터셋에서 전체 F1 0.86을 보고했다. 가장 좋은 기존 기법보다 0.09 높다. 원인 센서 해석 정확도는 최대 0.89다. 이때 공개한 SMD(서버 머신 데이터셋)가 표준 비교군이 되었다.
한계
- 보고된 성능이 2번 논문이 지적한 PA 계산법의 영향을 받는다. 장비마다 따로 학습해야 해서 대수가 늘면 운영 부담이 커진다.
우리 기능과의 연결
- 다중 센서 이상탐지에서 복원 확률로 판정하고 원인 센서를 짚는 구조에 대응한다.
- T09-10구조대응
Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy
arXiv 초판은 2021년이다. 이 문서는 학회 발표 기준으로 2022년으로 인용한다.
한국어 검토 보기
해결 문제
- 정답 라벨 없이 시계열에서 이상 시점을 찾는 문제다.
핵심 구조
- 트랜스포머의 주의 집중 가중치를 이용한다. 이상 시점은 전체 구간과 관계를 맺기 어렵고 바로 옆 시점에만 몰린다는 성질을 쓴다. 이 차이를 association discrepancy라는 값으로 잰다. 정상과 이상의 구분이 커지도록 서로 반대 방향으로 밀고 당기는 학습을 쓴다.
주요 결과
- 서비스 모니터링, 우주와 지구 관측, 수처리 설비 등 여섯 개 공개 벤치마크에서 당시 최고 성능을 보고했다. 여기서 수처리 설비 벤치마크의 출처가 9번이다.
한계
- 보고된 성능이 2번 논문이 지적한 PA 계산법에 기대고 있다. 3번 논문의 재평가에서는 단순 기법 대비 우위가 줄었다. 계산 비용도 크다.
우리 기능과의 연결
- 여러 센서를 동시에 보는 제조 AI 분석에서 딥러닝 계열을 쓸 때 후보로 검토할 수 있는 구조에 대응한다.
- T09-11구조대응
TranAD: Deep Transformer Networks for Anomaly Detection in Multivariate Time Series Data
한국어 검토 보기
해결 문제
- 센서가 여러 개인 산업 시계열에서 이상을 빠르게 찾고, 어느 센서 때문인지까지 짚는 문제다.
핵심 구조
- 주의 집중 기반 인코더를 쓴다. 처음 낸 오차 점수를 다시 입력으로 넣어 미세한 이상을 키우는 방식을 쓴다. 안정성을 위해 두 개 디코더가 겨루는 적대 학습을 붙였다. 데이터가 적을 때를 대비해 메타 학습도 넣었다.
주요 결과
- 여섯 개 공개 데이터셋에서 F1 점수를 최대 17퍼센트 올렸다. 학습 시간은 최대 99퍼센트 줄였다. 평가에 쓴 수처리 설비 데이터의 출처가 9번이다.
한계
- 성능 수치가 PA 계산법에 영향을 받는다. 데이터셋 자체의 결함 문제도 그대로 남는다. 임계값 설정 방식에 결과가 민감하다.
우리 기능과의 연결
- 설비 데이터 수집으로 모인 다중 센서 신호에서 이상 원인 센서를 짚어주는 기능의 구조에 대응한다.
- T09-12구조대응
Time-Series Anomaly Detection Service at Microsoft
한국어 검토 보기
해결 문제
- 논문 속 모델이 아니라 실제로 돌아가는 이상탐지 서비스를 만드는 문제다. 수많은 지표를 실시간으로 감시해야 한다.
핵심 구조
- 데이터 수집, 실험 플랫폼, 온라인 계산이라는 세 부분으로 서비스를 나눈다. 알고리즘은 영상에서 눈에 띄는 부분을 찾는 기법인 Spectral Residual을 시계열로 옮기고, 그 위에 합성곱 신경망을 얹었다.
주요 결과
- 공개 데이터와 마이크로소프트 내부 운영 데이터 모두에서 기존 기법보다 좋은 성능을 보고했다. 라벨이 거의 없는 환경에서 쓸 수 있다.
한계
- 값이 하나인 시계열 중심이다. 여러 센서 사이의 관계는 다루지 않는다. 평가에 쓴 공개 데이터셋은 1번 논문이 결함을 지적한 것들이다.
우리 기능과의 연결
- 제조 AI 분석을 연구 코드가 아니라 운영 서비스로 만들 때 필요한 구성 방식에 대응한다.
연구에서 제품 적용까지
운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.
보유기술 보기