디지털 리트로핏 설비의 초기 데이터 부족 문제 해결을 위한 적응형 딥러닝 모델 운영 방안
An adaptive deep learning model strategy for addressing the initial data scarcity problem in digital retrofit systems
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 제조 산업에서는 노후 설비의 센서, 제어 및 구동부를 교체하여 설비 성능을 향상시키는 디지털 리트로핏 기술이활발히 도입되고 있다. 그러나 리트로핏 초기 운영 단계에서는 센서 및 제어기 교체 이후 수집되는 데이터의 양이 매우 제한적이다. 이로 인해 이상 탐지 모델 학습에 필요한 데이터의 분포를 충분히 반영하기 어려워 학습 성능이 저하되며, 실시간 예지보전시스템을 즉시 적용하기에는 한계가 존재한다. 본 연구에서는 리트로핏 설비 운영 초기에 발생하는 데이터 부족 문제를 해결하기위해, 데이터 축적 단계에 따라 두 종류의 이상 탐지 모델을 유연하게 전환하는 적응형 접근 방식을 제안한다. 초기 운영 단계에서는사전학습된 파운데이션 모델을 활용하여 즉시 이상 탐지를 수행하고, 이후 충분한 양의 정상 데이터를 확보하게 되면, 지속적인재학습이 가능한 Long Short-Term Memory-Autoencoder기반 모델로 전환하여 탐지 성능과 운영 효율을 향상시킨다. 제안한적응형 접근 방식의 유효성은, 실제 5축 CNC 머신 데이터를 대상으로 시퀀스 정규화를 적용한 후 두가지 실험을 통해 검증하였다. 실험에 앞서 첫 번째 실험에서는 학습 데이터 비율에 따른 이상 탐지 성능과 학습 시간을 비교했고, 두 번째 실험에서는 다양한노이즈 환경에서 모델의 강건성을 평가하였다. 실험 결과, 모델 전환 후에도 이상 탐지 성능은 안정적으로 유지되었고, LSTM-AE는파운데이션 모델 대비 학습 시간이 매우 짧으며 다양한 노이즈 환경에서도 강건한 성능을 보였다. 본 연구는 제조 서비스 분야에서리트로핏 설비의 초기 운영 단계부터 효과적인 실시간 예지보전 서비스를 제공하여 설비 운영의 효율성 향상에 기여할 것으로기대된다.
Abstract
Digital retrofit technologies are increasingly adopted in manufacturing to improve the performance of aging equipment by replacing sensors, controllers, and actuators. However, in the early stages of retrofit operation, the amount of data collected after sensor and controller replacement is often insufficient. This data scarcity makes it difficult to capture the distribution necessary for training anomaly detection models, resulting in degraded performance and limiting the immediate application of real-time predictive maintenance systems. To address this issue, this study proposes an adaptive anomaly detection approach that dynamically switches between two models depending on the level of accumulated data. During the initial stage, a pre-trained foundation model is used to perform anomaly detection without training. Once a sufficient amount of normal data is collected, the system transitions to a Long Short-Term Memory Autoencoder (LSTM-AE) model, which supports continual retraining and improves detection accuracy and operational efficiency. The effectiveness of the proposed method was verified using real-world time series data from a 5-axis CNC machine. Sequence normalization was applied to address the irregular patterns commonly found in actual equipment data. Two experiments were conducted: one evaluated anomaly detection performance and training time based on different data proportions, and the other assessed model robustness under various noise conditions. Results confirmed that detection performance remained stable after switching, and the LSTM-AE showed significantly shorter training time and strong robustness. This approach supports efficient real-time predictive maintenance from the early stage of retrofit equipment operation.