본문 바로가기
KERD
논문KCI 등재

제조 설비 이상탐지를 위한 지도학습 및비지도학습 모델 설계에 관한 연구

A Study on the Design of Supervised and Unsupervised Learning Models for Fault and Anomaly Detection in Manufacturing Facilities

조완섭|노경우|김재성|최은선|오민지
사)한국빅데이터학회 (KOREA BIGDATA SOCIETY)|2021.08|한국빅데이터학회 학회지 (The Korea Journal of BigData)|제6권 제1호|pp. 23-35|DOI 10.36498/kbigdt.2021.6.1.23

0

조회

0

다운로드

8

인용

0

참고문헌

키워드

CNNLightGBMSensor dataXGBoostMD센서 데이터AE고장 예측 및 이상탐지LSTM-AEFault and Anomaly Detection

초록

제4차 산업혁명 선언 이후 생산 제조 기술과 정보통신기술(ICT)이 융합된 스마트 팩토리가 큰 주목을 받고 사물인터넷(IoT) 기술 및 빅데이터 기술 등이 발전하면서 생산 시스템의 자동화가 가능해졌다. 고도화된 제조 산업에서 생산 시스템에는 예정되지 않은 성능 저하 및 가동 중지 발생 가능성이 존재하며, 가능한한 빨리 잠재적인 오류를 감지하여 이를 복구해 안전 위험을 줄여나가야 한다는 요구가 있다. 본 연구는 유압 시스템에 부착된 다중 센서 데이터를 기반으로 장비의 고장 예측과 이상 발생 시점 예측을 결합하여 제조 설비 이상탐지를 위한 지도학습 및 비지도학습 모델을 설계한다. 지도학습 분석 방법으로 XGBoost, LightGBM, CNN 모델의 정확도를 비교하였다. 혼동행렬 기반의 평가지표를 통해 LightGBM의 예측력이 97%로 가장 우수한 것을 확인하였다. 또한 비지도 학습 분석 방법으로 MD, AE, LSTM-AE 모델을 구축하여각 모델을 비교 분석한 결과 LSTM-AE 모델이 이상패턴을 75% 감지하여 가장 우수한 성능을 보였다. 본 연구는 지도학습과 비지도학습 기법을 종합하여 설비의 고장여부를 정확하게 진단하고 이상상황이 발생하는 시점을 예측함으로써 이상상황에 대한 선제대응을 할 수 있는 기반을 마련하여 스마트 팩토리 고도화에 기여하고자 한다.

Abstract

In the era of the 4th industrial revolution, smart factories have received great attention, where production and manufacturing technology and ICT converge. With the development of IoT technology and big data, automation of production systems has become possible. In the advanced manufacturing industry, production systems are subject to unscheduled performance degradation and downtime, and there is a demand to reduce safety risks by detecting and reparing potential errors as soon as possible. This study designs a model based on supervised and unsupervised learning for detecting anomalies.The accuracy of XGBoost, LightGBM, and CNN models was compared as a supervised learning analysis method. Through the evaluation index based on the confusion matrix , it was confirmed that LightGBM is most predictive (97%). In addition, as an unsupervised learning analysis method, MD, AE, and LSTM-AE models were constructed. Comparing three unsupervised learning analysis methods, the LSTM-AE model detected 75% of anomalies and showed the best performance. This study aims to contribute to the advancement of the smart factory by combining supervised and unsupervised learning techniques to accurately diagnose equipment failures and predict when abnormal situations occur, thereby laying the foundation for preemptive responses to abnormal situations. do.

참고문헌 (21)

  1. Schwab, K., "The fourth industrial revolution" (2017), Currency
  2. Germany’s Industry 4.0 Strategy Spreading Development Trend and Policy Implications, "Lee Sang Hyun", Korea Institute for Industrial Economics & Trade, ~, pp.2018-327 (2018)
  3. 최창열, "제4차 산업혁명과 e-비즈니스 기업의 발전전략과 시사점", e-비즈니스연구, 18(3), pp.39~54 (2017), 국제e-비즈니스학회[DOI]
  4. 이승희, "다중 식별자를 이용한 Adversarial Autoencoder 기반 제조 공정 이상 탐지", 대한산업공학회지, 47(2), pp.217~223 (2021), 대한산업공학회
  5. Gaddam, A., "Detecting sensor faults, anomalies and outliers in the internet of things : A survey on the challenges and solutions", Electronics, 9(3), pp.511~ (2020)
  6. 권세혁, "머신러닝 기법을 활용한 대용량 시계열 데이터 이상 시점탐지 방법론 : 발전기 부품신호 사례 중심", 한국산업경영시스템학회지, 43(2), pp.33~38 (2020), 한국산업경영시스템학회[DOI]
  7. 김미희, "크라우드센싱 시스템에서 머신러닝을이용한 이상데이터 탐지", 전기전자학회논문지, 24(2), pp.475~485 (2020), 한국전기전자학회[DOI]
  8. Geonkyo Hong, "A Study on the Design of Time Series Data-based Deep Learning Model for Detecting Machine Abnormalities", Proceeding of Symposium of the Korean Institute of communications and Information Sciences, pp.887~888 (2020)
  9. 이주연, "확장된 LSTM 오토인코더 기반 이상 시퀀스 탐지 기법", 한국전자거래학회지, 26(1), pp.127~140 (2021), 한국전자거래학회
  10. 이주연, "원소들의 발생 순서와 시간 간격을 모두 고려하는 효과적인 이상 시퀀스 탐지 기법", 정보과학회논문지, 48(4), pp.469~478 (2021), 한국정보과학회[DOI]
  11. Jin, S., "Anomaly-Detection-Based Failure Prediction in a Core Router System", Proc. International Conference on Advances in System Testing and Validation Lifecycle (VALID) (2016)
  12. Tan, P. N., "Introduction to data mining" (2005)
  13. Chen, T., "Xgboost:A scalable tree boosting system", Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, pp.785~794 (2016)
  14. Guolin Ke, "Lightgbm: A highly efficient gradient boosting decision tree", Advances in neural information processing systems, 30, pp.3146~3154 (2017)
  15. 조재영, "기계학습을 이용한 수출신용보증 사고예측", 지능정보연구, 27(1), pp.83~102 (2021), 한국지능정보시스템학회
  16. 남원우, "환경적 요소 선별을 통한 딥러닝 기반 우울증 분류 예측", 전기학회논문지, 69(7), pp.1102~1111 (2020), 대한전기학회
  17. Seong Chul Lee, "Is Deep Learning Useful for Noise and Vibration Fields?", Noise⋅Vibration, 30(1), pp.7~13 (2020)
  18. 정승환, "마할라노비스 거리와 독립성분분석을 이용한 다변량 공정 고장탐지 방법에 관한 연구", 한국정보전자통신기술학회 논문지, 14(1), pp.22~28 (2021), 한국정보전자통신기술학회
  19. 김규한, "오토인코더기반의 신호재구성모델을 이용한 화력발전소 고장검출", 전기학회논문지, 69(6), pp.800~807 (2020), 대한전기학회
  20. A. Geron, "Hands-On Machine Learning with Scikit-Learn & TensorFlow" (2018), Hanbit Media
  21. Ghrib, Z., "Hybrid approach for Anomaly Detection in Time Series Data", International Joint Conference on Neural Networks(IJCNN), pp.1~7 (2020)

관련 논문AI추천

자동화 제조 시스템에서 공정 이미지 기반 고장 감지 모델의 학습 패러다임 및 출력 형식 전환에 따른 성능 비교 분석백수정, 이민희한국산업경영시스템학회 · 한국산업경영시스템학회지2025 · 제48권 제2호머신러닝 기반의 진동 이상신호 분석을 통한 스마트공장 예측정비에 관한 연구김광배, 송일형, 이제동한국IT정책경영학회 · 한국IT정책경영학회 논문지2021 · 제13권 제6호앙상블 모델 기반의 기계 고장 예측 방법양재경, 천강민한국산업경영시스템학회 · 한국산업경영시스템학회지2020 · 제43권 제1호LSTM-VAE를 활용한 기계시설물 장치의 이상 탐지 시스템박준성, 박희준, 서재홍, 유준우한국품질경영학회 · 품질경영학회지2021 · 제49권 제4호기계장비 진동 데이터를 이용한 딥러닝 기반의 고장 분류 모델고상근, 이수안, 이수형한국차세대컴퓨팅학회 · 한국차세대컴퓨팅학회 논문지2022 · 제18권 제2호스마트 팩토리에서의 선제적 유지보수 시점탐색 및 원인분석 기술 연구김익선, 이태진, 임승범문화융복합아카이빙연구소 · 디지털문화아카이브지2023 · 제6권 제1호

이 간행물의 다른 논문 (15건)

사회연결망 분석을 활용한 고속도로 유휴부지의 물류센터 활용 방안에 관한 연구신광섭, 공인택pp. 1-12기업 데이터 전략과 투자를 위한 빅데이터 성숙도 평가 프레임워크 실증 연구박정, 조완섭, 김옥기pp. 13-22인공지능(AI) 기반 치매 조기진단 방법론에 관한 연구권영우, 정석찬, 전영준, 오성훈pp. 37-49환자의 주관적 증상 텍스트에 대한 진료과목 분류 모델 구축강주영, 이서희pp. 51-62딥러닝 중심의 자연어 처리 기술 현황 분석박상언pp. 63-81
원문 보기