딥 러닝을 이용한 VOC 저감 설비 이상 탐지 분석
Analysis of detected anomalies in VOC reduction facilities using deep learning
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문에서는 데이터의 이상을 탐지하고 예측하는 모델을 통해 VOC 저감 설비에서 실측한 데이터를 분석했다. 이상 탐지 분야에서 안정적인 성능을 보이는 USAD 모델을 이용하여 실시간 데이터의 이상을 탐지하고 이상 원인이 되는 센서를 탐색한다. 또한 자기 회귀 모델을 통해 미래의이상치를 예측하여 이상이 발생할 시점을 예측하고 경고하는 방법을 제안한다. 실험은 VOC 저감설비에서 실측한 데이터를 이용하여 시스템의 이상을 탐지할 수 있는지 검증하는 실험을 진행했으며 이상 탐지 실험 결과는 정밀도, 재현율, F1-점수가 각각 98.54%, 89.08%, 93.57%로 높은 성능의 탐지율을 보였다. 센서 별 학습된 모델의 성능은 8개 센서의 정밀도, 재현율, F1-점수를 평균한결과 각각 99.64%, 99.37%, 99.63%로 높은 성능의 탐지율을 보였다. 또한, 센서 별 탐지 실험에 대한 타당성을 확인하기 위해 구한 해밍 손실은 0.0058로 안정적인 성능을 보였다. 그리고 이상 예측 실험 결과는 평균절대오차 0.0902로 안정적인 성능을 보였다.
Abstract
In this paper, the actual data of VOC reduction facilities was analyzed through a model that detects and predicts data anomalies. Using the USAD model, which shows stable performance in the field of anomaly detection, anomalies in real-time data are detected and sensors that cause anomalies are searched. In addition, we propose a method of predicting and warning, when abnormalities that time will occur by predicting future outliers with an auto-regressive model. The experiment was conducted with the actual data of the VOC reduction facility, and the anomaly detection test results showed high detection rates with precision, recall, and F1-score of 98.54%, 89.08%, and 93.57%, respectively. As a result, averaging of the precision, recall, and F1-score for 8 sensors of detection rates were 99.64%, 99.37%, and 99.63%. In addition, the Hamming loss obtained to confirm the validity of the detection experiment for each sensor was 0.0058, showing stable performance. And the abnormal prediction test result showed stable performance with an average absolute error of 0.0902.
참고문헌 (16)
- 손병현, "산업폐기물 소각플랜트의 작업환경개선", 한국산학기술학회논문지, 7(3), pp.431~439 (2006), 한국산학기술학회
- 김현지, "휘발성 유기화합물 제거를 위한 촉매 산화 기술", 에너지기후변화학회지, 16(2), pp.149~170 (2021), 한국에너지기후변화학회[DOI]
- Yifan Wang, "Volatile organic compounds (VOC) emissions control in iron ore sintering process: Recent progress and future development", Chemical Engineering Journal, 448, pp.137601~ (2022), Elsevier BV[DOI]
- Dinah V. Parums, "Editorial: World Health Organization (WHO) Variants of Concern Lineages Under Monitoring (VOC-LUM) in Response to the Global Spread of Lineages and Sublineages of Omicron, or B.1.1.529, SARS-CoV-2", Medical Science Monitor, 28 (2022), International Scientific Information, Inc.[DOI]
- "Equipment Condition Monitoring System"[URL]
- 서명교, "오토인코더를 이용한 열간 조압연설비 상태모니터링과 진단", 품질경영학회지, 47(1), pp.75~86 (2019), 한국품질경영학회[DOI]
- "HanPHI Advanced Pattern Recognition Solution"[URL]
- V. Guralnik, "Event detection from time series data", Proceedings of the fifth ACM SIGKDD international conference on Knowledge discovery and data mining, pp.33~42 (1999)
- J. Ma, "Time-series Novelty Detection Using Oneclass Support Vector Machines", Proceedings of the International Joint Conference on Neural Networks, 3, pp.1741~8211 (2003)
- Ian Goodfellow, "Generative adversarial networks", Communications of the ACM, 63(11), pp.139~144 (2020), Association for Computing Machinery (ACM)[DOI]
- G. E. Box, "Time series analysis : forecasting and control" (2015), John Wiley & Sons
- J. Audibert, "Usad: Unsupervised anomaly detection on multivariate time series", Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery Data Mining, pp.3395~3404 (2020)
- J.T. Connor, "Recurrent neural networks and robust time series prediction", IEEE Transactions on Neural Networks, 5(2), pp.240~254 (1994), Institute of Electrical and Electronics Engineers (IEEE)[DOI]
- Malhotra, P., "Long short term memory networks for anomaly detection in time series", European Symposium on Artificial Neural Networks, pp.89~94 (2015)