KR102274389B1 - 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법 - Google Patents
센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법 Download PDFInfo
- Publication number
- KR102274389B1 KR102274389B1 KR1020200120793A KR20200120793A KR102274389B1 KR 102274389 B1 KR102274389 B1 KR 102274389B1 KR 1020200120793 A KR1020200120793 A KR 1020200120793A KR 20200120793 A KR20200120793 A KR 20200120793A KR 102274389 B1 KR102274389 B1 KR 102274389B1
- Authority
- KR
- South Korea
- Prior art keywords
- sensor data
- data
- detection model
- pattern
- error
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 81
- 230000002159 abnormal effect Effects 0.000 claims abstract description 79
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 19
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000011084 recovery Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 14
- 238000012549 training Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000002243 precursor Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011985 exploratory data analysis Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법이 개시되며, 본원의 일 실시예에 따른 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법은, 미리 설정된 모니터링 주기에 따라 시계열적으로 수집되는 센서 데이터를 획득하는 단계, 상기 센서 데이터를 적어도 둘 이상의 미리 생성된 이상치 판단 알고리즘에 입력하여 상기 센서 데이터 중 정상으로 분류된 센서 데이터를 학습 데이터로 결정하는 단계 및 상기 학습 데이터를 기초로 학습을 수행하여, 입력되는 분석 대상 데이터를 정상패턴 또는 이상패턴으로 구분하는 탐지 모델을 생성하는 단계를 포함할 수 있다.
Description
본원은 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법에 관한 것이다.
이상 탐지(Anomaly Detection)는 소정의 데이터로부터 정상(Normal)과 비정상(Abnormal)에 해당하는 데이터를 구별하기 위한 것으로, 제조업뿐만 아니라 의료 영상, CCTV 보안, 소셜 네트워크(Social Network) 등 광범위한 분야에 응용되고 있다.
특히, 산업 분야에서 이상 탐지(Industrial Anomaly Detection)는 제품 제조 등 다양한 프로세스에서 획득되는 데이터에 대한 이상치를 탐지하는 것으로, 각종 도메인 이미지 데이터에 대한 외관 검사, 장비로부터 측정된 시계열 데이터를 기반으로 한 고장 예측 등의 방식으로 다양하게 적용될 수 있으며, 외관 상의 결함, 장비의 고장 등 비정상적인 데이터가 비교적 적은 빈도로 발생하지만 이를 정확하게 예측하지 못하는 경우 큰 손실을 유발할 수 있다는 점에서 난이도가 높아 정확한 이상 탐지 모델의 구축이 요구된다.
이와 관련하여, 이상 탐지의 대상이 되는 데이터를 수집하기 위해 장비 등에 설치되는 센서에 의한 센서 데이터는 그 특성상 현재의 데이터가 과거의 데이터와 관련이 깊은데, 센서 데이터에 대한 상세한 분석이 이루어지기 전 시점에서는 정상과 비정상을 명확히 구분하기 위한 라벨에 대한 정보가 전무하기 때문에, 이러한 이상 탐지 초기 분석에서는 소정의 센서 데이터에 대한 정상과 비정상을 분류할 수 있는 최소한의 객관적 기준 설정과 비정상 가능성이 있는 센서 데이터의 패턴에 대한 프로파일링이 특히 중요하다.
본원의 배경이 되는 기술은 한국등록특허공보 제10-1375813호에 개시되어 있다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 시계열적으로 수집되는 센서 데이터 중에서 정상으로 분류될 수 있는 학습 데이터를 선별하여 학습을 수행함으로써 정상패턴 또는 이상패턴을 구분할 수 있는 탐지 모델을 구축하는 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법을 제공하려는 것을 목적으로 한다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 수집된 센서 데이터로부터 정상패턴 및 이상패턴을 구분하기 위한 기준을 맞춤형으로 설정하고, 이상패턴에 대한 프로파일링이 가능한 센서 데이터를 이용한 이상패턴 탐지 모델 기반의 이상 탐지 장치 및 방법을 제공하려는 것을 목적으로 한다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 장비의 운영과 연계된 센서 데이터를 수집하는 센서 모듈과 센서 데이터를 기초로 장비의 이상상태 및 전조상태를 탐지할 수 있는 이상패턴 탐지 모델 기반의 장비 모니터링 시스템을 제공하려는 것을 목적으로 한다.
다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법은, 미리 설정된 모니터링 주기에 따라 시계열적으로 수집되는 센서 데이터를 획득하는 단계, 상기 센서 데이터를 적어도 둘 이상의 미리 생성된 이상치 판단 알고리즘에 입력하여 상기 센서 데이터 중 정상으로 분류된 센서 데이터를 학습 데이터로 결정하는 단계 및 상기 학습 데이터를 기초로 학습을 수행하여, 입력되는 분석 대상 데이터를 정상패턴 또는 이상패턴으로 구분하는 탐지 모델을 생성하는 단계를 포함할 수 있다.
또한, 상기 학습 데이터로 결정하는 단계는, 적어도 둘 이상의 상기 이상치 판단 알고리즘이 모두 정상으로 분류한 상기 센서 데이터를 선별하여 상기 학습 데이터로 결정할 수 있다.
또한, 상기 이상치 판단 알고리즘은, 군집 기반 알고리즘, 밀도 기반 알고리즘, 분포 기반 알고리즘, 확률 기반 알고리즘 및 트리 기반 알고리즘을 포함할 수 있다.
또한, 상기 탐지 모델을 생성하는 단계는, 상기 학습 데이터에 대한 복원율의 분포 정보에 기초하여 상기 정상패턴과 상기 이상패턴의 구분을 위한 기준인 임계 복원율을 결정하는 단계를 포함할 수 있다.
또한, 상기 탐지 모델은 LSTM 기반 모델 및 AutoEncoder 기반 모델이 병합된 모델일 수 있다.
또한, 상기 복원율은 평균 제곱 오차(Mean Squared Error, MSE)에 기초하여 계산될 수 있다.
또한, 본원의 일 실시예에 따른 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법은, 상기 센서 데이터를 획득하는 단계 이후에, 상기 센서 데이터의 수집 오류에 대한 전처리를 수행하는 단계를 포함할 수 있다.
또한, 상기 수집 오류는, 하나의 모니터링 주기에 대하여 복수 개의 센서 데이터가 중복하여 수집된 경우에 해당하는 제1유형 오류 및 센서 데이터가 수집되지 않은 모니터링 주기가 존재하는 경우에 해당하는 제2유형 오류를 포함할 수 있다.
또한, 상기 전처리를 수행하는 단계는, 상기 수집 오류가 상기 제1유형 오류이면, 상기 복수 개의 센서 데이터에 대한 평균을 계산할 수 있다.
또한, 상기 전처리를 수행하는 단계는, 상기 수집 오류가 상기 제2유형 오류이되 센서 데이터의 미수집 기간이 미리 설정된 기간 이하이면, 선형 보간법을 적용할 수 있다.
또한, 상기 전처리를 수행하는 단계는, 상기 수집 오류가 상기 제2유형 오류이되 상기 미수집 기간이 상기 미리 설정된 기간을 초과하면, 센서 데이터의 수집을 위한 장비가 미운영된 것으로 판단하여 운영 사이클을 구분할 수 있다.
한편, 본원의 일 실시예에 따른 센서 데이터를 이용한 이상패턴 탐지 모델 기반의 이상 탐지 방법은, 미리 설정된 모니터링 주기에 따라 시계열적으로 수집되는 센서 데이터를 획득하는 단계, 상기 센서 데이터를 적어도 둘 이상의 미리 생성된 이상치 판단 알고리즘에 입력하여 상기 센서 데이터 중 정상으로 분류된 센서 데이터를 학습 데이터로 결정하는 단계, 상기 학습 데이터를 기초로 학습을 수행하여, 입력되는 분석 대상 데이터를 정상패턴 또는 이상패턴으로 구분하는 탐지 모델을 생성하는 단계 및 분석 대상 데이터를 수신하고, 상기 생성된 탐지 모델에 기초하여 상기 분석 대상 데이터의 이상 여부를 판단하는 단계를 포함할 수 있다.
한편, 본원의 일 실시예에 따른 센서 데이터를 이용한 이상패턴 탐지 모델 기반의 이상 탐지 장치는, 미리 설정된 모니터링 주기에 따라 시계열적으로 수집되는 센서 데이터를 획득하는 수집부, 상기 센서 데이터를 적어도 둘 이상의 미리 생성된 이상치 판단 알고리즘에 입력하여 상기 센서 데이터 중 정상으로 분류된 센서 데이터를 학습 데이터로 결정하는 패턴 정의부, 상기 학습 데이터를 기초로 학습을 수행하여, 입력되는 분석 대상 데이터를 정상패턴 또는 이상패턴으로 구분하는 탐지 모델을 생성하는 모델 생성부 및 분석 대상 데이터를 수신하고, 상기 생성된 탐지 모델에 기초하여 상기 분석 대상 데이터의 이상 여부를 판단하는 분석부를 포함할 수 있다.
또한, 상기 패턴 정의부는, 적어도 둘 이상의 상기 이상치 판단 알고리즘이 모두 정상으로 분류한 상기 센서 데이터를 선별하여 상기 학습 데이터로 결정할 수 있다.
또한, 상기 모델 생성부는, 상기 학습 데이터에 대한 복원율의 분포 정보에 기초하여 상기 정상패턴과 상기 이상패턴의 구분을 위한 기준인 임계 복원율을 결정하되, 상기 복원율은 평균 제곱 오차(Mean Squared Error, MSE)에 기초하여 계산되는 것일 수 있다.
또한, 본원의 일 실시예에 따른 센서 데이터를 이용한 이상패턴 탐지 모델 기반의 이상 탐지 장치는, 상기 센서 데이터의 수집 오류에 대한 전처리를 수행하는 전처리부를 포함할 수 있다.
또한, 상기 전처리부는, 상기 수집 오류가 상기 제1유형 오류이면, 상기 복수 개의 센서 데이터에 대한 평균을 계산하고, 상기 수집 오류가 상기 제2유형 오류이되 센서 데이터의 미수집 기간이 미리 설정된 기간 이하이면, 선형 보간법을 적용하고, 상기 수집 오류가 상기 제2유형 오류이되 상기 미수집 기간이 상기 미리 설정된 기간을 초과하면, 센서 데이터의 수집을 위한 장비가 미운영된 것으로 판단하여 운영 사이클을 구분할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 시계열적으로 수집되는 센서 데이터 중에서 정상으로 분류될 수 있는 학습 데이터를 선별하여 학습을 수행함으로써 정상패턴 또는 이상패턴을 구분할 수 있는 탐지 모델을 구축하는 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법을 제공할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 수집된 센서 데이터로부터 정상패턴 및 이상패턴을 구분하기 위한 기준을 맞춤형으로 설정하고, 이상패턴에 대한 프로파일링이 가능한 센서 데이터를 이용한 이상패턴 탐지 모델 기반의 이상 탐지 장치 및 방법을 제공할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 소정의 장비의 운영과 연계된 센서 데이터를 수집하는 센서 모듈과 센서 데이터를 기초로 장비의 이상상태 및 전조상태를 탐지할 수 있는 이상패턴 탐지 모델 기반의 장비 모니터링 시스템을 제공할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 장비의 이상상태나 전조상태의 파악을 통해 장비의 효율저하 가능성을 미리 판단할 수 있고, 이에 대응하는 적절한 조치가 이루어지도록 하는 장비 운영 및 관리 프로세스의 최적화를 통해 비숙련자의 경우에도 장비의 운영능력을 향상시킬 수 있다.
다만, 본원에서 얻을 수 있는 효과는 상기된 바와 같은 효과들로 한정되지 않으며, 또 다른 효과들이 존재할 수 있다.
도 1은 본원의 일 실시예에 따른 센서 데이터를 이용한 이상패턴 탐지 모델 기반의 이상 탐지 장치의 개략적인 구성도이다.
도 2는 본원의 일 실시예에 따른 센서 데이터를 이용한 이상패턴 탐지 모델 기반의 이상 탐지 장치를 포함하는 이상패턴 탐지 모델 기반의 장비 모니터링 시스템의 동작 프로세스를 설명하기 위한 개념도이다.
도 3은 이상패턴 탐지 모델을 구축하기 위해 고려되는 장비운영 데이터 및 센서 데이터를 예시적으로 나타낸 도표이다.
도 4는 수집된 센서 데이터에 대한 전처리 과정을 예시적으로 나타낸 도면이다.
도 5는 미리 생성된 이상치 판단 알고리즘의 판단 결과에 기초하여 수집된 센서 데이터 중 학습 데이터를 선별하는 과정을 설명하기 위한 개념도이다.
도 6a 내지 도 6d는 학습 데이터의 선별을 위한 미리 생성된 이상치 판단 알고리즘을 유형별로 각각 설명하기 위한 도면이다.
도 7은 AutoEncoder 기반 모델을 설명하기 위한 개념도이다.
도 8은 본원의 일 실시예에 따른 LSTM 기반 모델 및 AutoEncoder 기반 모델이 병합된 이상 탐지 모델의 구조를 설명하기 위한 개념도이다.
도 9는 구축된 이상 탐지 모델에 정상패턴 및 이상패턴이 각각 인가된 경우의 대응하는 복원율 분포를 예시적으로 나타낸 도면이다.
도 10은 본원의 일 실시예에 따른 센서 데이터를 이용한 이상패턴 탐지 모델 기반의 이상 탐지 방법에 대한 동작 흐름도이다.
도 2는 본원의 일 실시예에 따른 센서 데이터를 이용한 이상패턴 탐지 모델 기반의 이상 탐지 장치를 포함하는 이상패턴 탐지 모델 기반의 장비 모니터링 시스템의 동작 프로세스를 설명하기 위한 개념도이다.
도 3은 이상패턴 탐지 모델을 구축하기 위해 고려되는 장비운영 데이터 및 센서 데이터를 예시적으로 나타낸 도표이다.
도 4는 수집된 센서 데이터에 대한 전처리 과정을 예시적으로 나타낸 도면이다.
도 5는 미리 생성된 이상치 판단 알고리즘의 판단 결과에 기초하여 수집된 센서 데이터 중 학습 데이터를 선별하는 과정을 설명하기 위한 개념도이다.
도 6a 내지 도 6d는 학습 데이터의 선별을 위한 미리 생성된 이상치 판단 알고리즘을 유형별로 각각 설명하기 위한 도면이다.
도 7은 AutoEncoder 기반 모델을 설명하기 위한 개념도이다.
도 8은 본원의 일 실시예에 따른 LSTM 기반 모델 및 AutoEncoder 기반 모델이 병합된 이상 탐지 모델의 구조를 설명하기 위한 개념도이다.
도 9는 구축된 이상 탐지 모델에 정상패턴 및 이상패턴이 각각 인가된 경우의 대응하는 복원율 분포를 예시적으로 나타낸 도면이다.
도 10은 본원의 일 실시예에 따른 센서 데이터를 이용한 이상패턴 탐지 모델 기반의 이상 탐지 방법에 대한 동작 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결" 또는 "간접적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
본원은 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법에 관한 것이다.
도 1은 본원의 일 실시예에 따른 센서 데이터를 이용한 이상패턴 탐지 모델 기반의 이상 탐지 장치의 개략적인 구성도이다.
도 1을 참조하면, 본원의 일 실시예에 따른 센서 데이터를 이용한 이상패턴 탐지 모델 기반의 이상 탐지 장치(100)(이하, '이상 탐지 장치(100)'라 한다.)는, 수집부(110), 전처리부(120), 패턴 정의부(130), 모델 생성부(140) 및 분석부(150)를 포함할 수 있다.
또한, 본원의 실시예에 관한 설명에서 이상 탐지 장치(100)는 분석 대상이 되는 소정의 장비에 대하여 설치되는 센서 모듈(미도시)로부터 센서 데이터를 획득하고, 센서 데이터에 기반한 이상 탐지 결과를 제공하도록 동작할 수 있다. 또한, 본원의 일 실시예에 따르면, 이상 탐지 장치(100)는 분석된 장비에 대한 이상 탐지 결과를 사용자 단말(미도시)을 통해 출력할 수 있다.
본원의 일 실시예에 따르면, 이상 탐지 장치(100)에 의해 분석 대상이 되는 소정의 장비는 금형 제작 장비일 수 있으나, 이에만 한정되는 것은 아니다. 또한, 본원의 구현예에 따라 분석 대상이 되는 소정의 장비인 금형 제작 장비는 소정의 운영 사이클에 기초하여 복수의 유형의 금형을 제작하도록 동작하는 것일 수 있다. 달리 말해, 하나의 금형 제작 장비에 기초하여 복수 유형에 해당하는 금형이 각각 제작되는 것일 수 있으며, 이러한 유형별 금형 제작 과정은 소정의 운영 사이클에 기초하여 구분되는 것일 수 있다.
센서 모듈(미도시), 이상 탐지 장치(100) 및 사용자 단말(미도시) 상호간은 네트워크를 통해 통신할 수 있다. 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5G 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), wifi 네트워크, 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
사용자 단말(미도시)은 예를 들면, 스마트폰(Smartphone), 스마트패드(SmartPad), 태블릿 PC등과 PCS(Personal Communication System), GSM(Global System for Mobile communication), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말기 같은 모든 종류의 무선 통신 장치일 수 있다. 본원의 실시예에 관한 설명에서, 사용자 단말(미도시)은 이상 탐지 장치(100)에 의한 분석(모니터링)의 대상이 되는 장비를 운영/관리하는 지위에 있는 사용자가 보유한 단말 등을 의미하는 것일 수 있다.
이하에서는, 도 2를 참조하여 이상 탐지 장치(100)의 기능 및 동작에 대해 상세히 설명하도록 한다.
도 2는 본원의 일 실시예에 따른 센서 데이터를 이용한 이상패턴 탐지 모델 기반의 이상 탐지 장치를 포함하는 이상패턴 탐지 모델 기반의 장비 모니터링 시스템의 동작 프로세스를 설명하기 위한 개념도이다.
도 2를 참조하면, 수집부(110)는 미리 설정된 모니터링 주기에 따라 시계열적으로 수집되는 센서 데이터(도 2의 'Sensor Data')를 획득할 수 있다. 구체적으로, 수집부(110)는 소정의 장비에 대하여 설치되는 센서 모듈(미도시)로부터 해당 장비의 운영과 연계된 센서 데이터를 수신하는 것일 수 있다. 본원의 구현예에 따라 모니터링 대상이 되는 장비의 유형, 장비에 의해 제작되는 제품 유형 등에 기초하여 센서 데이터가 수집되는 모니터링 주기는 가변될 수 있으며, 이해를 돕기 위해 예시하면, 센서 데이터의 수집을 위한 모니터링 주기는 1분, 5분 등 수 분 단위로 결정될 수 있다.
또한, 수집부(110)는 모니터링 대상이 되는 소정의 장비의 운영 시간 정보를 포함하는 장비운영 데이터를 획득할 수 있다. 이와 관련하여, 소정의 장비의 운영 시간 정보란 해당 장비가 전술한 금형 제작 장비인 경우, 해장 장비에서 생산되는 금형의 유형 및 장비의 동작 시간대 정보에 기초하여 복수의 사이클로 분할되는 것일 수 있다. 또한, 도 2를 참조하면, 장비운영 데이터는 'Product-Cycle Data'로 지칭될 수 있다.
도 3은 이상패턴 탐지 모델을 구축하기 위해 고려되는 장비운영 데이터 및 센서 데이터를 예시적으로 나타낸 도표이다.
도 3을 참조하면, 소정의 장비에 대하여 수집되는 센서 데이터는 장비의 운영(운행)에 따른 온도 정보, 압력 정보, 위치 정보 등에 대한 시계열적인 변화를 반영하도록 수집되는 것일 수 있다. 구체적으로, 도 3을 참조하면, 센서 데이터는 센서 데이터의 입력(수집) 시간 정보, 센서 모듈의 식별 정보, 장비의 소정 영역(하위 부품 등)에서 측정된 변위 정보, 압력 정보, 온도 정보 등을 포함할 수 있다. 또한, 도 3을 참조하면, 센서 데이터는 해당 장비에 의한 하위 공정 별 수행 시간 정보(공정 개시 시간 정보, 공정 수행기간 정보 등)를 포함할 수 있다.
또한, 도 3을 참조하면, 소정의 장비에 대한 장비운영 데이터는 장비운영 사이클에 대한 식별 정보, 사이클 내의 상대적 시간 정보, 해당 사이클에서 생산되는 제품에 대한 정보 등이 포함될 수 있다. 또한, 본원의 일 실시예에 따르면, 장비운영 데이터는 소정의 장비를 통해 제작되는 금형의 유형 정보를 포함할 수 있다. 또한, 운영 시간 정보는 금형의 유형 정보에 대응하여 복수의 시간대로 구분되는 것일 수 있다.
전처리부(120)는 수집된 센서 데이터를 장비운영 데이터에 기초하여 분할할 수 있다. 구체적으로, 전처리부(120)는 시계열적으로 연속하여 수집되는 센서 데이터를 수집된 장비운영 데이터에 기초하여 복수의 사이클에 대응하도록 분할할 수 있다. 예를 들어, 장비운영 데이터에 포함된 복수의 사이클 별로 사이클 번호가 할당되고, 센서 데이터는 복수의 사이클에 대응하는 시간대로 분할되어 각각 대응하는 사이클 번호가 할당되는 형태로 센서 데이터에 대한 전처리가 수행되는 것일 수 있다.
또한, 전처리부(120)는 센서 데이터의 수집 오류에 대한 전처리를 수행할 수 있다. 구체적으로, 센서 데이터의 수집 오류는 하나의 모니터링 주기에 대하여 복수 개의 센서 데이터가 중복하여 수집된 경우에 해당하는 제1유형 오류 및 센서 데이터가 수집되지 않은 모니터링 주기가 존재하는 경우에 해당하는 제2유형 오류를 포함할 수 있다.
도 4는 수집된 센서 데이터에 대한 전처리 과정을 예시적으로 나타낸 도면이다.
도 4를 참조하면, 도 4의 (a)는 수집 오류를 포함하도록 수집된 원본 센서 데이터를 나타내고, 도 4의 (b)는 전처리부(120)에 의해 수집 오류에 대응한 전처리가 이루어진 후의 가공된 센서 데이터를 나타낸 것이다.
구체적으로, 도 4를 참조하면, 예시적으로 센서 데이터가 수집되는 소정의 모니터링 주기가 1분일 때, 도 4의 (a)를 참조하면, '3/29/2019 19:51'에 대응하는 모니터링 주기에 대하여 복수 개의 센서 데이터가 2.04와 2.16으로 중복하여 수집되었고(제1유형 오류), '3/29/2019 20:56'에 대응하는 모니터링 주기에 대하여는 센서 데이터가 수집되지 않았고(제2유형 오류), '3/29/2019 20:58'과 '3/29/2019 22:00' 사이의 시간 구간에 대응되는 모니터링 주기에 대하여 센서 데이터가 수집되지 않았음을 확인할 수 있다(제2유형 오류).
이와 관련하여, 전처리부(120)는 수집 오류가 제1유형 오류이면, 해당 모니터링 주기에 대하여 중복하여 수집된 복수 개의 센서 데이터에 대한 평균을 계산하는 전처리를 수행할 수 있다. 또한, 전처리부(120)는 수집 오류가 제2유형 오류이되 센서 데이터의 미수집 기간이 미리 설정된 기간 이하이면, 선형 보간법을 적용하는 전처리를 수행할 수 있다. 또한, 전처리부(120)는 수집 오류가 제2유형 오류이되 센서 데이터의 미수집 기간이 미리 설정된 기간을 초과하면, 센서 데이터의 수집을 위한 장비가 미운영된 것으로 판단하여 운영 사이클을 구분하는 전처리를 수행할 수 있다.
구체적으로, 도 4의 (b)를 참조하면, 전처리부(120)는 제1유형 오류가 발생한 '3/29/2019 19:51'의 모니터링 주기에서의 복수 개의 센서 데이터에 대한 평균 값(즉, 2.04와 2.16의 평균인 2.10)으로 해당 모니터링 주기에 대한 센서 데이터를 갱신할 수 있다. 또한, 도 4의 (b)를 참조하면, 전처리부(120)는 제2유형 오류가 발생한 '3/29/2019 20:56'의 모니터링 주기에 대하여는 센서 데이터가 확보된 전후 모니터링 주기('3/29/2019 20:55' 및 '3/29/2019 20:57')에서의 센서 데이터에 선형 보간법을 적용하여 미수집된 센서 데이터를 확보할 수 있다. 또한, 도 4의 (b)를 참조하면, 전처리부(120)는 운영 사이클의 구분을 위한 미리 설정된 기간이 1시간일 때, '3/29/2019 20:58'과 '3/29/2019 22:00' 사이의 시간 구간에 대응되는 모니터링 주기에 대하여 운영 사이클을 구분할 수 있다. 구체적으로, 전처리부(120)는 '3/29/2019 20:58'에 수집된 센서 데이터가 이전 운영 사이클(예를 들면, 사이클 1)에 대하여 마지막으로 수집된 센서 데이터이고, '3/29/2019 22:00'에 수집된 센서 데이터가 다음 운영 사이클(예를 들면, 사이클 2)에 대해 최초로 수집된 센서 데이터인 것으로 처리하는 전처리를 수행할 수 있다.
또한, 전처리부(120)는 센서 데이터를 운영 시간 정보에 기초하여 구분되는 운영 사이클에 기초하여 분할하되, 운용 사이클 각각의 개시 시점으로부터 미리 설정된 구간 동안 수집된 초반부 센서 데이터와 운용 사이클 각각의 종료 시점까지 미리 설정된 구간 동안 수집된 후반부 센서 데이터는 제거하는 전처리를 수행할 수 있다.
이와 관련하여, 운영 사이클이 분리되는 시점 주변(달리 말해, 운영 사이클이 개시되는 시점 근방 및 운영 사이클이 종료되는 시점 근방)에서는 센서 데이터의 변동이 큰 폭으로 발생할 수 있으므로, 전처리부(120)는 운영 사이클에 대응하도록 분할된 센서 데이터에 대하여 추가적으로 초반부 센서 데이터 및 후반부 센서 데이터를 제거하여 운영 사이클 변동에 따른 센서 데이터의 불측의 변화가 이상패턴 및 정상패턴을 정의하는 과정 및 실제로 이상 탐지를 수행하는 과정에서 반영되지 않도록 전처리할 수 있다.
본원의 일 실시예에 따르면, 제거될 초반부 센서 데이터와 후반부 센서 데이터의 결정을 위한 미리 설정된 구간은 운영 사이클의 구분을 위한 설정 기간의 길이 정보에 기초하여 결정될 수 있다. 예시적으로, 초반부 및 후반부 센서 데이터 제거를 위한 미리 설정된 구간은 5분일 수 있으나, 이에만 한정되는 것은 아니다. 다른 예로, 미리 설정된 구간은 해장 분석대상 장비에 대한 탐구 데이터 분석(Exploratory Data Analysis, EDA)에 의해 적절하게 결정되는 것일 수 있다.
또한, 전처리부(120)는 후술하는 탐지 모델의 구축 시, 손실(loss) 함수 값이 균등하게 계산되도록 서로 다른 센서 데이터를 정규화하는 전처리를 수행할 수 있다. 예시적으로, 정규화 전처리는 MinMax Scale을 의미하는 것일 수 있다.
패턴 정의부(130)는 전처리가 완료된 센서 데이터를 적어도 둘 이상의 미리 생성된 이상치 판단 알고리즘에 입력하여 상기 센서 데이터 중 정상으로 분류된 센서 데이터를 학습 데이터로 결정할 수 있다.
구체적으로, 패턴 정의부(130)는 적어도 둘 이상의 이상치 판단 알고리즘이 모두 정상으로 분류한 상기 센서 데이터를 선별하여 학습 데이터로 결정할 수 있다. 여기서, 이상치 판단 알고리즘은 군집 기반 알고리즘, 밀도 기반 알고리즘, 분포 기반 알고리즘, 확률 기반 알고리즘 및 트리 기반 알고리즘을 포함할 수 있다.
본원의 일 실시예에 따르면, 이상치 판단 알고리즘은 마할라노비스 거리(Mahalanobis distance)와 연계된 분포 기반 알고리즘인 제1알고리즘, K-NN 알고리즘 및 전술한 마할라노비스 거리(Mahalanobis distance) 알고리즘이 결합된 군집 기반 알고리즘인 제2알고리즘, 가우시안 혼합 모델(Gaussian Mixture Model)과 연계된 확률 기반 알고리즘인 제3알고리즘, LOF(Local Outlier Factor)과 연계된 밀도 기반 알고리즘인 제4알고리즘 및 Isolation Forest와 연계된 트리 기반 알고리즘인 제5알고리즘 중 적어도 둘 이상을 포함할 수 있다.
도 5는 미리 생성된 이상치 판단 알고리즘의 판단 결과에 기초하여 수집된 센서 데이터 중 학습 데이터를 선별하는 과정을 설명하기 위한 개념도이다.
도 5를 참조하면, 분석 대상 데이터에 대한 정상패턴 또는 이상패턴을 구분하기 위한 탐지 모델의 생성을 위하여는, 도 5의 (c)에 도시된 바와 같이 정상패턴에 대응하는 학습 데이터와 이상패턴에 대응하는 학습 데이터가 명확히 구분되어 확보된 상태로 모델의 학습이 수행되는 것이 바람직할 수 있으나, 소정의 장비에 대한 분석 초기에 수집되는 센서 데이터는 정상패턴 또는 이상패턴에 대응하는 것으로 명확하게 구분되기 어려운 문제가 있으므로, 본원의 발명자는 정상 또는 이상에 대한 라벨이 할당되지 않은 상태로 시계열적으로 수집되는 센서 데이터 중에서 군집, 밀도, 확률, 트리 등의 다양한 척도를 기준으로 한 다각도의 분석 결과를 고려할 때, 보편적인 패턴을 보이는 것으로 평가될 수 있어 정상패턴에 대응하는 것으로 분류될 수 있는 센서 데이터를 선별하는 과정을 통해 탐지 모델의 구축을 위한 학습 데이터를 결정하고자 한 것이다.
이와 관련하여, 도 5의 (a)를 참조하면, 수집된 센서 데이터는 전술한 제1 내지 제5알고리즘 각각에 기초하여 정상 또는 이상으로 판단될 수 있고, 도 5의 (b)를 참조하면, 그룹 0에 대응하는 센서 데이터는 모든 알고리즘에 의해 정상으로 판단된 센서 데이터를 나타내고, 그룹 4에 대응하는 센서 데이터는 모든 알고리즘에 의해 비정상으로 판단된 센서 데이터를 나타낸 것일 수 있으며, 이 때 패턴 정의부(130)는 그룹 0에 대응하는 센서 데이터를 정상으로 분류된 센서 데이터로 취급하여 후술하는 탐지 모델의 생성을 위한 학습 데이터로 활용할 수 있다.
이하에서는 도 6a 내지 도 6d를 참조하여, 패턴 정의부(130)에 의해 정상으로 분류되는 센서 데이터를 선별하기 위해 활용되는 이상치 판단 알고리즘의 개별적 특징에 대해 상세히 설명하도록 한다.
도 6a 내지 도 6d는 학습 데이터의 선별을 위한 미리 생성된 이상치 판단 알고리즘을 유형별로 각각 설명하기 위한 도면이다.
구체적으로, 도 6a는 전술한 제1알고리즘 및 제2알고리즘에 적용되는 마할라노비스 거리(Mahalanobis distance)를 설명하기 위한 도면이고, 도 6b는 제2알고리즘을 설명하기 위한 도면이고, 도 6c는 제4알고리즘을 설명하기 위한 도면이고, 도 6d는 제5알고리즘을 설명하기 위한 도면이다.
도 6a를 참조하면, 마할라노비스 거리(Mahalanobis distance)는 다변량 변수간의 상관 관계의 분포를 고려하여 측정되며, 마할라노비스 거리(Mahalanobis distance)를 기초로 한 제1알고리즘에 의하면, 데이터가 밀집하여 분포된 영역으로부터 멀리 떨어진 데이터일수록 이상치로 판단할 수 있다. 구체적으로, 다변량 데이터인 u와 v의 마할라노비스 거리는 하기 식 1에 의해 계산될 수 있다.
[식 1]
이와 관련하여, 상기 식 1의 변수 u에 마할라노비스 거리를 계산하고자 하는 센서 데이터를 입력하고, 변수 v에 해당 센서 데이터에 대한 평균을 입력하여 계산하면, 중심으로부터 해당 센서 데이터가 얼마나 떨어져있는지를 평가할 수 있으며, 유클리디언 상으로는 동일한 거리에 위치하는 경우에도 다변량 변수 간의 상관 관계(correlation)에 따라 중심까지의 거리가 다르게 측정될 수 있는 특징을 갖는다.
또한, 도 6a를 참조하면, 빨간색 별 모양으로 표시된 두 데이터는 원점으로부터의 거리는 같지만, 도 6a에 도시된 등고선을 고려하면, 마할라노비스 거리는 가로축(X 축)의 데이터를 중심에서 더 가까운 데이터로 판단할 수 있다.
도 6b를 참조하면, 제2알고리즘은 마할라노비스 거리의 계산에 선행하여, K-최근접 이웃 알고리즘(K-nearest neighbors algorithm, K-NN)에 기초하여 센서 데이터를 군집화할 수 있다. 이는 각 상태를 대표하는 군집을 생성하여 아무런 군집에 속하지 않고 군집에서 가장 벗어난 값을 탐색하기 위한 것으로, 달리 말해, 제2알고리즘은 데이터가 정규분포의 형태로 조밀한 군집을 이루는 경우(도 6b의 (a))에는 상대적으로 이상 상태를 탐색하기 용이하나, 현실적으로 정규분포로 이루어진 데이터가 획득될 가능성이 낮다는 것과 마할라노비스 거리만을 기초로 이상치를 판단하는 경우에는 단순히 중심에서 멀리 떨어진 값으로만 이상치가 선정될 가능성이 높다는 것을 함께 고려하여 마할라노비스 거리 및 K-NN 알고리즘을 병합한 것일 수 있다.
또한, 제3알고리즘과 관련하여, 가우시안 혼합 모형은 실수 값을 출력하는 확률변수(X)가 k개 클래스의 카테고리 확률변수(Z)의 값에 따라 상이한 기댓값과 분산을 가지는 복수의 가우시안 정규분포들로 이루어진 모형을 의미할 수 있다. 또한, 이러한 가우시안 혼합 모형(모델)은 모든 데이터가 유한개의 가우스 분포를 혼합하여 생성된 것으로 가정하는 확률론적 모델로서, 주어진 데이터를 가지고 기댓값 최대화(Expectation Maximization, EM) 알고리즘을 적용해 파라미터를 추정하도록 동작할 수 있다.
도 6c를 참조하면, 제4알고리즘과 관련하여, Local Outlier Factor(LOF)는 주변부에 위치한 데이터(샘플)들보다 작은 밀도를 가진 데이터를 이상치로 판단하는 기법으로, 통계적으로 평균 및 표준편차를 연산하고, 이에 크게 벗어나는 값을 이상치로 판단하는 것으로 이해될 수 있다. 구체적으로, LOF에 의하면, 소정의 데이터에 대한 근접 이웃 데이터까지의 거리인 K-거리(K-distance)에 기초하여 도달 거리(reachability distance) 및 국부 도달 밀도(local reachability density)를 계산하고, 이에 기초하여 LOF를 연산할 수 있다.
구체적으로, 도달 거리는 하기 식 2-1에 의해, 국부 도달 밀도는 하기 식 2-2에 의해, LOF는 하기 식 2-3에 의해 연산될 수 있다.
[식 2-1]
[식 2-2]
[식 2-3]
도 6d를 참조하면, 제5알고리즘과 관련하여, Isolation Forest는 회귀 트리(Regression tree) 기반의 스플릿(split)으로 모든 데이터 관측치를 고립시키는 기법으로서, 임의로 선택된 차원을 통해 공간을 분할할 수 있다. 군집 내부에 있는 정상치(도 6d의 (a)의 xi)의 경우 공간 내에 한 점만 남기고 완전히 고립시키려면 많은 횟수의 공간 분할을 수행해야 하지만, 군집에서 멀리 떨어진 이상치(도 6d의 (b)의 xo)는 적은 횟수의 공간 분할만으로 고립시킬 수 있는 특징을 이용하여 비정상 데이터는 기준 노드(root node)로부터 가까운 뎁스(depth)로 고립될 수 있고, 정상 데이터는 트리 종단 노드(tree terminal node)에 가까운 뎁스(depth)로 고립될 수 있다. 따라서, 소정의 데이터가 고립되는 종단 노드(terminal node; leaf node)까지의 거리를 이상치 척도(outlier score)로 정의하며, 그 평균거리(depth)가 짧을수록 이상치 척도가 높아질 수 있다. 또한, 이상치 척도는 0 내지 1의 범위로 정규화되므로, 통상적으로 1에 가까운 데이터일 수록 이상치로 정의될 수 있다.
모델 생성부(140)는 결정된 학습 데이터(달리 말해, 적어도 둘 이상의 이상치 판단 알고리즘이 모두 정상으로 분류한 센서 데이터)를 기초로 학습을 수행하여 입력되는 분석 대상 데이터를 정상패턴 또는 이상패턴으로 구분하는 탐지 모델을 생성할 수 있다.
본원의 일 실시예에 따르면, 탐지 모델은 LSTM 기반 모델 및 오토인코더(AutoEncoder, AE) 기반 모델이 병합된 모델로 생성될 수 있다.
도 7은 AutoEncoder 기반 모델을 설명하기 위한 개념도이다.
도 7을 참조하면, 오토인코더(Autoencoder)는 입력받은 값을 그대로 재현해 출력하는 것을 목표(태스크)로 학습하는 알고리즘으로서, 은닉층(hidden layer)의 뉴런 수를 입력층(input layer)의 수보다 적게 배치하여 데이터를 압축(차원 축소)하거나, 입력 데이터에 노이즈(noise)를 추가한 후 원본 입력을 복원할 수 있도록 신경망을 학습시키는 등의 다양한 구조의 오토인코더가 존재한다.
이러한 제약은 오토인코더가 입력을 단순히 바로 출력하지 못하도록 방지하며, 데이터를 효율적으로 표현하는 방법을 학습하도록 하기 위한 것으로서, 구체적으로 오토인코더에는 입력을 내부 표현으로 변환하는 인코더(Encoder)와 내부 표현을 출력으로 변환하는 디코더(Decoder)를 포함한다. 또한, 오토인코더에 의한 출력은 입력의 재구성(Reconstruction)으로 달리 표현될 수 있으며, 손실함수는 입력과 출력의 차이로 계산될 수 있다. 도 7에 도시된 바와 같이 입력층보다 작은 은닉층을 갖는 오토인코더를 특히 Undercomplete Autoencoder라고 지칭할 수 있으며, 이러한 형태의 오토인코더는 입력 데이터에서 가장 중요한 특성(feature)을 학습할 수 있다.
이와 관련하여, 본원에서 개시하는 탐지 모델은 소정의 모니터링 주기에 대응하여 수집된 시계열적 데이터인 센서 데이터를 학습하기 위하여 시계열 분석 알고리즘인 LSTM 기반 모델의 구조를 갖는 것과 더불어, 정상으로 분류된 센서 데이터만을 선별한 학습 데이터를 기초로 학습을 수행하는 과정에서, 학습 데이터인 정상 데이터를 표현(설명)할 수 있는 다양한 잠재 특징을 탐지 모델이 학습할 수 있도록 오토인코더 기반 모델의 구조를 함께 갖는 것으로 이해될 수 있다.
특히, LSTM(Long Short Term Memory networks) 알고리즘은 딥러닝 분야에서 사용되는 인공 재귀 신경 네트워크(RNN) 아키텍처의 하나로, 피드 포워드 신경망과 달리 피드백 연결이 존재한다. 따라서, LSTM 알고리즘에 의하면 단일 데이터 포인트뿐만 아니라 전체 데이터 시퀀스에 대한 학습 및 처리를 수행할 수 있다는 이점이 있다.
이러한 LSTM 알고리즘은 시계열 데이터를 기반으로 예측을 분류, 처리 및 예측하는 데 적합하며, LSTM은 전통적인 RNN을 통한 훈련에서 발생 가능한 Vanishing Gradient 문제를 해소하는 장점이 있다.
도 8은 본원의 일 실시예에 따른 LSTM 기반 모델 및 AutoEncoder 기반 모델이 병합된 이상 탐지 모델의 구조를 설명하기 위한 개념도이다.
도 8을 참조하면, 본원에서 개시하는 이상 탐지 장치(100)는 수집된 센서 데이터에 대하여 명확하게 부여된 라벨이 존재하지 않고, 정상 데이터와 이상 데이터의 경계가 비교적 뚜렷하지 않은 특징과 정상 데이터의 수와 이상 데이터의 수가 크게 차이나는 특징(달리 말해, 이상 데이터가 정상 데이터에 비하여 매우 적은 빈도로 발생하는 특징)을 고려하여 비지도 학습의 일종인 LSTM 모델 및 AutoEncoder 모델을 활용하여 탐지 모델을 생성하도록 설계된 것일 수 있다.
모델 생성부(140)는 학습 데이터에 대한 복원율의 분포 정보에 기초하여 정상패턴과 이상패턴의 구분을 위한 기준인 임계 복원율을 결정할 수 있다. 여기서, 복원율은 평균 제곱 오차(Mean Squared Error, MSE)에 기초하여 계산될 수 있다.
이와 관련하여, 본원에서 개시하는 이상 탐지 장치(100)에 의해 구축되는 탐지 모델은 정상 데이터인 학습 데이터만을 활용하여 학습을 수행하므로, 오토인코더 구조의 모델에 입력된 신규 데이터(예를 들면, 분석 대상 데이터)가 잘 복원되는 경우(달리 말해, 오토인코더의 출력이 입력과 유사하게 잘 복원(재구성)되는 경우), 해당 신규 데이터는 정상패턴에 대응되는 것이고, 반대로, 입력된 신규 데이터가 잘 복원되지 않으면, 해당 신규 데이터는 이상패턴에 대응되는 것으로 판단할 수 있는 것이다.
따라서, 입력되는 신규 데이터에 대한 복원 정도를 평가하기 위하여, 평균 제곱 오차(MSE) 기반의 복원율이 고려될 수 있으며, 평균 제곱 오차(MSE)의 값이 높을수록 해당 신규 데이터가 잘 복원되지 않아 이상패턴의 경향에 부합하는 것으로 판단되고, 반대로 평균 제곱 오차(MSE)의 값이 낮을수록 해당 신규 데이터는 잘 복원되어 정상패턴의 경향에 부합하는 것으로 판단될 수 있다.
도 9는 구축된 이상 탐지 모델에 정상패턴 및 이상패턴이 각각 인가된 경우의 대응하는 복원율 분포를 예시적으로 나타낸 도면이다.
도 9의 (a)를 참조하면, 본원의 일 실시예에 따른 이상 탐지 장치(100)가 보유한 탐지 모델에 정상 데이터에 해당하는 제1테스트 입력(Test(Normal)) 및 이상 데이터에 해당하는 제2테스트 입력(Test(Abnormal))이 인가되면, 도 9의 (b)와 같이 각각 평균 제곱 오차(MSE) 값의 분포가 상이한 경향을 보이는 것을 통해 정상 데이터(정상패턴)와 이상 데이터(이상패턴)가 구분되는 특징을 갖는 것을 확인할 수 있다. 구체적으로, 제1테스트 입력에 대응하는 평균 제곱 오차(MSE)는 0.00 부근에 주로 분포하는 반면, 제2테스트 입력에 대응하는 평균 제곱 오차(MSE)는 제1테스트 입력에 대응하는 평균 제곱 오차(MSE)에 비해 큰 값들로 주로 분포되는 것을 확인할 수 있다.
이와 관련하여, 모델 생성부(140)는 정상 데이터에 대한 평균 제곱 오차(MSE)와 이상 데이터에 대한 평균 제곱 오차(MSE)의 분포 정보를 기초로 정상패턴 및 이상패턴의 구분을 위한 기준인 임계 복원율을 결정할 수 있다. 구체적으로, 모델 생성부(140)는 소정의 센서 데이터를 탐지 모델에 인가한 결과에 기초하여 계산되는 정확도(Precision), 재현율(Recall), F1-점수(F1-Score) 등을 고려하여 정상패턴과 이상패턴의 분류 성능이 최적이 되는 기준값으로 임계 복원율을 결정할 수 있다.
또한, 본원의 일 실시예에 따르면, 모델 생성부(140)는 이상패턴으로 분류된 센서 데이터에 대한 시간에 따른 평균 제곱 오차(MSE) 값의 변화에 기초하여 이상패턴의 유형(카테고리)을 분류하는 프로파일링을 수행할 수 있다. 예를 들어, 모델 생성부(140)는 탐지 모델에 의해 단순 정상패턴 및 이상패턴의 분류만이 이루어지는 것이 아니라, 이상패턴으로 판단된 센서 데이터에 대한 이상의 유형(카테고리)이 판단될 수 있도록 이상패턴으로 분류된 센터 데이터의 세부적인 특성을 학습할 수 있다.
예시적으로, 본원의 일 실시예에 따른 이상 탐지 장치(100)와 연계된 일 실험예에서는 이상패턴 중에서 평균 제곱 오차(MSE)가 시간에 따라 낮은 상승세(증가 패턴)을 보이는 경우, 평균 제곱 오차(MSE)가 시간에 따라 높은 상승세(증가 패턴)을 보이는 경우, 평균 제곱 오차(MSE)의 값이 임계 수준을 초과하여 과도하게 나타나는 경우 등 각각 구분되는 이상패턴의 유형이 정의되었다. 또한, 본원의 일 실시예에 따르면, 이상패턴의 유형에는 향후 시점에 장비의 고장 등이 발생할 가능성이 존재할 수 있다고 평가되는 전조상태가 포함될 수 있다.
분석부(150)는 분석 대상 데이터를 수신하고, 모델 생성부(140)에 의해 생성된 탐지 모델에 기초하여 수신된 분석 대상 데이터의 이상 여부를 판단할 수 있다.
구체적으로, 분석부(150)는 분석 대상 데이터가 탐지 모델에 기초하여 이상패턴으로 분류되면, 분석 대상 데이터에 대한 탐지 모델의 복원 결과에 기초하여 산출되는 평균 제곱 오차(MSE) 값 및 평균 제곱 오차(MSE)의 변화량에 기초하여 발생한 이상패턴의 유형을 판단할 수 있다.
또한, 본원의 일 실시예에 따르면, 이상 탐지 장치(100)는 출력부(미도시)를 포함할 수 있다. 출력부(미도시)는 분석부(150)의 판단 결과, 인가된 센서 데이터에 대응하는 이상 탐지 결과, 해당 센서 데이터가 이상패턴에 부합하는 것으로 판단되면, 미리 설정된 소정의 알람을 출력하거나 사용자 단말(미도시)을 통해 미리 설정된 소정의 알람이 출력되도록 할 수 있다. 예시적으로, 이상패턴의 탐지에 따라 출력되는 알람은 본원의 구현예에 따라 경고음, Beep음, 안내 음성 등의 음성 형식, 안내 텍스트, 메시지 등의 시각정보 형식, 진동 형식 등의 다양한 형태로 출력되는 것일 수 있다.
이하에서는 상기에 자세히 설명된 내용을 기반으로, 본원의 동작 흐름을 간단히 살펴보기로 한다.
도 10은 본원의 일 실시예에 따른 센서 데이터를 이용한 이상패턴 탐지 모델 기반의 이상 탐지 방법에 대한 동작 흐름도이다.
도 10에 도시된 본원의 일 실시예에 따른 센서 데이터를 이용한 이상패턴 탐지 모델 기반의 이상 탐지 방법은 앞서 설명된 이상 탐지 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 이상 탐지 장치(100)에 대하여 설명된 내용은 센서 데이터를 이용한 이상패턴 탐지 모델 기반의 이상 탐지 방법에 대한 설명에도 동일하게 적용될 수 있다.
도 10을 참조하면, 단계 S11에서 수집부(110)는 미리 설정된 모니터링 주기에 따라 시계열적으로 수집되는 센서 데이터를 획득할 수 있다. 구체적으로, 단계 S11에서 수집부(110)는 소정의 장비에 대응하여 설치된 센서 모듈로부터 수집되는 센서 데이터를 획득할 수 있다.
또한, 단계 S11에서 수집부(110)는 소정의 장비의 운영 시간 정보를 포함하는 장비운영 데이터를 획득할 수 있다.
다음으로, 단계 S12에서 전처리부(120)는 센서 데이터의 수집 오류에 대한 전처리를 수행할 수 있다.
다음으로, 단계 S13에서 전처리부(120)는 센서 데이터를 획득된 장비운영 데이터에 기초하여 분할할 수 있다.
또한, 단계 S13에서 전처리부(120)는 획득된 센서 데이터를 소정의 장비에 대한 운영 시간 정보에 기초하여 구분되는 운영 사이클에 기초하여 분할하되, 운용 사이클 각각의 개시 시점으로부터 미리 설정된 구간 동안 수집된 초반부 센서 데이터와 운용 사이클 각각의 종료 시점까지 미리 설정된 구간 동안 수집된 후반부 센서 데이터는 제거할 수 있다.
다음으로, 단계 S14에서 패턴 정의부(130)는 센서 데이터를 적어도 둘 이상의 미리 생성된 이상치 판단 알고리즘에 입력하여 센서 데이터 중 정상으로 분류된 센서 데이터를 학습 데이터로 결정할 수 있다.
또한, 단계 S14에서 패턴 정의부(130)는 적어도 둘 이상의 이상치 판단 알고리즘이 모두 정상으로 분류한 센서 데이터를 선별하여 상기 학습 데이터로 결정할 수 있다.
다음으로, 단계 S15에서 모델 생성부(140)는 학습 데이터를 기초로 학습을 수행하여, 입력되는 분석 대상 데이터를 정상패턴 또는 이상패턴으로 구분하는 탐지 모델을 생성할 수 있다.
종합하면, 단계 S11 내지 단계 S15를 통해 본원의 일 실시예에 따른 이상 탐지 장치(100)는 센서 데이터를 이용한 이상패턴 탐지 모델을 구축할 수 있다.
다음으로, 단계 S16에서 분석부(150)는 분석 대상 데이터를 수신할 수 있다.
다음으로, 단계 S17에서 분석부(150)는 단계 S14에서 생성된 탐지 모델에 기초하여 수신된 분석 대상 데이터의 이상 여부를 판단할 수 있다.
상술한 설명에서, 단계 S11 내지 S17은 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
본원의 일 실시예에 따른 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 센서 데이터를 이용한 이상패턴 탐지 모델 기반의 이상 탐지 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 전술한 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 센서 데이터를 이용한 이상패턴 탐지 모델 기반의 이상 탐지 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
100: 이상패턴 탐지 모델 기반의 이상 탐지 장치
110: 수집부
120: 전처리부
130: 패턴 정의부
140: 모델 생성부
150: 분석부
110: 수집부
120: 전처리부
130: 패턴 정의부
140: 모델 생성부
150: 분석부
Claims (15)
- 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법에 있어서,
미리 설정된 모니터링 주기에 따라 시계열적으로 수집되는 센서 데이터를 획득하는 단계;
상기 센서 데이터의 수집 오류에 대한 전처리를 수행하는 단계;
상기 센서 데이터를 적어도 둘 이상의 미리 생성된 이상치 판단 알고리즘에 입력하여 상기 센서 데이터 중 정상으로 분류된 센서 데이터를 학습 데이터로 결정하는 단계; 및
상기 학습 데이터를 기초로 학습을 수행하여, 입력되는 분석 대상 데이터를 정상패턴 또는 이상패턴으로 구분하는 탐지 모델을 생성하는 단계,
를 포함하고,
상기 학습 데이터로 결정하는 단계는,
적어도 둘 이상의 상기 이상치 판단 알고리즘이 모두 정상으로 분류한 상기 센서 데이터를 선별하여 상기 학습 데이터로 결정하는 것이고,
상기 수집 오류는, 하나의 모니터링 주기에 대하여 복수 개의 센서 데이터가 중복하여 수집된 경우에 해당하는 제1유형 오류 및 센서 데이터가 수집되지 않은 모니터링 주기가 존재하는 경우에 해당하는 제2유형 오류를 포함하는 것인, 탐지 모델 구축 방법. - 삭제
- 제1항에 있어서,
상기 이상치 판단 알고리즘은, 군집 기반 알고리즘, 밀도 기반 알고리즘, 분포 기반 알고리즘, 확률 기반 알고리즘 및 트리 기반 알고리즘을 포함하는 것인, 탐지 모델 구축 방법. - 제1항에 있어서,
상기 탐지 모델을 생성하는 단계는,
상기 학습 데이터에 대한 복원율의 분포 정보에 기초하여 상기 정상패턴과 상기 이상패턴의 구분을 위한 기준인 임계 복원율을 결정하는 단계,
를 포함하는 것인, 탐지 모델 구축 방법. - 제4항에 있어서,
상기 탐지 모델은 LSTM 기반 모델 및 AutoEncoder 기반 모델이 병합된 모델이고,
상기 복원율은 평균 제곱 오차(Mean Squared Error, MSE)에 기초하여 계산되는 것을 특징으로 하는, 탐지 모델 구축 방법. - 삭제
- 삭제
- 제1항에 있어서,
상기 전처리를 수행하는 단계는,
상기 수집 오류가 상기 제1유형 오류이면, 상기 복수 개의 센서 데이터에 대한 평균을 계산하고,
상기 수집 오류가 상기 제2유형 오류이되 센서 데이터의 미수집 기간이 미리 설정된 기간 이하이면, 선형 보간법을 적용하고,
상기 수집 오류가 상기 제2유형 오류이되 상기 미수집 기간이 상기 미리 설정된 기간을 초과하면, 센서 데이터의 수집을 위한 장비가 미운영된 것으로 판단하여 운영 사이클을 구분하는 것인, 탐지 모델 구축 방법. - 센서 데이터를 이용한 이상패턴 탐지 모델 기반의 이상 탐지 방법에 있어서,
미리 설정된 모니터링 주기에 따라 시계열적으로 수집되는 센서 데이터를 획득하는 단계;
상기 센서 데이터의 수집 오류에 대한 전처리를 수행하는 단계;
상기 센서 데이터를 적어도 둘 이상의 미리 생성된 이상치 판단 알고리즘에 입력하여 상기 센서 데이터 중 정상으로 분류된 센서 데이터를 학습 데이터로 결정하는 단계;
상기 학습 데이터를 기초로 학습을 수행하여, 입력되는 분석 대상 데이터를 정상패턴 또는 이상패턴으로 구분하는 탐지 모델을 생성하는 단계; 및
분석 대상 데이터를 수신하고, 상기 생성된 탐지 모델에 기초하여 상기 분석 대상 데이터의 이상 여부를 판단하는 단계,
를 포함하고,
상기 학습 데이터로 결정하는 단계는,
적어도 둘 이상의 상기 이상치 판단 알고리즘이 모두 정상으로 분류한 상기 센서 데이터를 선별하여 상기 학습 데이터로 결정하는 것이고,
상기 수집 오류는, 하나의 모니터링 주기에 대하여 복수 개의 센서 데이터가 중복하여 수집된 경우에 해당하는 제1유형 오류 및 센서 데이터가 수집되지 않은 모니터링 주기가 존재하는 경우에 해당하는 제2유형 오류를 포함하는 것인, 이상 탐지 방법. - 센서 데이터를 이용한 이상패턴 탐지 모델 기반의 이상 탐지 장치에 있어서,
미리 설정된 모니터링 주기에 따라 시계열적으로 수집되는 센서 데이터를 획득하는 수집부;
상기 센서 데이터의 수집 오류에 대한 전처리를 수행하는 전처리부,
상기 센서 데이터를 적어도 둘 이상의 미리 생성된 이상치 판단 알고리즘에 입력하여 상기 센서 데이터 중 정상으로 분류된 센서 데이터를 학습 데이터로 결정하는 패턴 정의부;
상기 학습 데이터를 기초로 학습을 수행하여, 입력되는 분석 대상 데이터를 정상패턴 또는 이상패턴으로 구분하는 탐지 모델을 생성하는 모델 생성부; 및
분석 대상 데이터를 수신하고, 상기 생성된 탐지 모델에 기초하여 상기 분석 대상 데이터의 이상 여부를 판단하는 분석부,
를 포함하고,
상기 패턴 정의부는,
적어도 둘 이상의 상기 이상치 판단 알고리즘이 모두 정상으로 분류한 상기 센서 데이터를 선별하여 상기 학습 데이터로 결정하고,
상기 수집 오류는, 하나의 모니터링 주기에 대하여 복수 개의 센서 데이터가 중복하여 수집된 경우에 해당하는 제1유형 오류 및 센서 데이터가 수집되지 않은 모니터링 주기가 존재하는 경우에 해당하는 제2유형 오류를 포함하는 것인, 이상 탐지 장치. - 제10항에 있어서,
상기 이상치 판단 알고리즘은, 군집 기반 알고리즘, 밀도 기반 알고리즘, 분포 기반 알고리즘, 확률 기반 알고리즘 및 트리 기반 알고리즘을 포함하는 것인, 이상 탐지 장치. - 제11항에 있어서,
상기 탐지 모델은 LSTM 기반 모델 및 AutoEncoder 기반 모델이 병합된 모델이고,
상기 모델 생성부는,
상기 학습 데이터에 대한 복원율의 분포 정보에 기초하여 상기 정상패턴과 상기 이상패턴의 구분을 위한 기준인 임계 복원율을 결정하되, 상기 복원율은 평균 제곱 오차(Mean Squared Error, MSE)에 기초하여 계산되는 것을 특징으로 하는, 이상 탐지 장치. - 삭제
- 제10항에 있어서,
상기 전처리부는,
상기 수집 오류가 상기 제1유형 오류이면, 상기 복수 개의 센서 데이터에 대한 평균을 계산하고,
상기 수집 오류가 상기 제2유형 오류이되 센서 데이터의 미수집 기간이 미리 설정된 기간 이하이면, 선형 보간법을 적용하고,
상기 수집 오류가 상기 제2유형 오류이되 상기 미수집 기간이 상기 미리 설정된 기간을 초과하면, 센서 데이터의 수집을 위한 장비가 미운영된 것으로 판단하여 운영 사이클을 구분하는 것인, 이상 탐지 장치. - 제1항, 제3항 내지 제5항, 제8항 및 제9항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터에서 판독 가능한 기록매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200120793A KR102274389B1 (ko) | 2020-09-18 | 2020-09-18 | 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200120793A KR102274389B1 (ko) | 2020-09-18 | 2020-09-18 | 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102274389B1 true KR102274389B1 (ko) | 2021-07-06 |
Family
ID=76860607
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200120793A KR102274389B1 (ko) | 2020-09-18 | 2020-09-18 | 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102274389B1 (ko) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114239708A (zh) * | 2021-12-13 | 2022-03-25 | 中国船舶重工集团公司第七0三研究所 | 一种基于质量控制图理论的燃机异常检测方法 |
| CN114567536A (zh) * | 2022-02-24 | 2022-05-31 | 北京百度网讯科技有限公司 | 异常数据处理方法、装置、电子设备和存储介质 |
| CN114880384A (zh) * | 2022-07-11 | 2022-08-09 | 杭州宇谷科技有限公司 | 一种无监督二轮电动车充电时序异常检测方法及系统 |
| CN115342848A (zh) * | 2022-08-01 | 2022-11-15 | 广州市齐明软件科技有限公司 | 一种关于传感器异常数据的检测方法及装置 |
| KR102485474B1 (ko) * | 2021-12-03 | 2023-01-06 | 한국전자기술연구원 | 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치 |
| KR102489502B1 (ko) | 2021-09-27 | 2023-01-17 | (주)엘 테크 | 앙상블 알고리즘을 이용한 건축물 모니터링용 센서 이상치 탐지시스템 |
| KR20230033345A (ko) * | 2021-09-01 | 2023-03-08 | 한전케이디엔주식회사 | 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법 및 장치 |
| KR102566876B1 (ko) * | 2022-12-23 | 2023-08-14 | 한화시스템 주식회사 | 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 시스템 및 방법 |
| KR20230126625A (ko) * | 2022-02-21 | 2023-08-30 | 다겸 주식회사 | 1차원 오토인코더를 이용한 이상 탐지 장치 |
| WO2023200131A1 (ko) * | 2022-04-12 | 2023-10-19 | (주)심플랫폼 | 텐서 기반의 상태 스코어 도출 시스템 및 방법 |
| CN117193088A (zh) * | 2023-09-22 | 2023-12-08 | 珠海臻图信息技术有限公司 | 一种工业设备监控方法、装置以及服务器 |
| KR102612561B1 (ko) * | 2022-10-13 | 2023-12-11 | 디아이랩 주식회사 | 학습모델을 이용한 센서의 데이터 이상을 탐지하기 위한 장치 및 이를 위한 방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160042616A (ko) * | 2014-10-10 | 2016-04-20 | 삼성에스디에스 주식회사 | 시계열 데이터의 분석을 통한 이상 감지 및 예측 시스템 및 방법 |
| KR20180097895A (ko) * | 2017-02-24 | 2018-09-03 | (주)위세아이텍 | 이상탐지시스템 내의 데이터에 대한 이상을 탐지하는 장치 및 그 방법 |
| KR101987365B1 (ko) * | 2018-11-26 | 2019-06-10 | (주)위세아이텍 | 비정형 데이터를 활용한 인공지능 기반의 군 장비 고장 예측 시스템 및 방법 |
| KR102068715B1 (ko) * | 2019-06-05 | 2020-01-21 | (주)위세아이텍 | 변수 중요도에 따른 가중치가 적용된 변수를 이용한 이상값 탐지 장치 및 방법 |
-
2020
- 2020-09-18 KR KR1020200120793A patent/KR102274389B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160042616A (ko) * | 2014-10-10 | 2016-04-20 | 삼성에스디에스 주식회사 | 시계열 데이터의 분석을 통한 이상 감지 및 예측 시스템 및 방법 |
| KR20180097895A (ko) * | 2017-02-24 | 2018-09-03 | (주)위세아이텍 | 이상탐지시스템 내의 데이터에 대한 이상을 탐지하는 장치 및 그 방법 |
| KR101987365B1 (ko) * | 2018-11-26 | 2019-06-10 | (주)위세아이텍 | 비정형 데이터를 활용한 인공지능 기반의 군 장비 고장 예측 시스템 및 방법 |
| KR102068715B1 (ko) * | 2019-06-05 | 2020-01-21 | (주)위세아이텍 | 변수 중요도에 따른 가중치가 적용된 변수를 이용한 이상값 탐지 장치 및 방법 |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102613072B1 (ko) * | 2021-09-01 | 2023-12-11 | 한전케이디엔주식회사 | 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법 및 장치 |
| KR20230033345A (ko) * | 2021-09-01 | 2023-03-08 | 한전케이디엔주식회사 | 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법 및 장치 |
| KR102489502B1 (ko) | 2021-09-27 | 2023-01-17 | (주)엘 테크 | 앙상블 알고리즘을 이용한 건축물 모니터링용 센서 이상치 탐지시스템 |
| KR102485474B1 (ko) * | 2021-12-03 | 2023-01-06 | 한국전자기술연구원 | 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치 |
| CN114239708A (zh) * | 2021-12-13 | 2022-03-25 | 中国船舶重工集团公司第七0三研究所 | 一种基于质量控制图理论的燃机异常检测方法 |
| KR20230126625A (ko) * | 2022-02-21 | 2023-08-30 | 다겸 주식회사 | 1차원 오토인코더를 이용한 이상 탐지 장치 |
| KR102611399B1 (ko) * | 2022-02-21 | 2023-12-08 | 다겸 주식회사 | 1차원 오토인코더를 이용한 이상 탐지 장치 |
| CN114567536A (zh) * | 2022-02-24 | 2022-05-31 | 北京百度网讯科技有限公司 | 异常数据处理方法、装置、电子设备和存储介质 |
| CN114567536B (zh) * | 2022-02-24 | 2024-02-23 | 北京百度网讯科技有限公司 | 异常数据处理方法、装置、电子设备和存储介质 |
| WO2023200131A1 (ko) * | 2022-04-12 | 2023-10-19 | (주)심플랫폼 | 텐서 기반의 상태 스코어 도출 시스템 및 방법 |
| CN114880384B (zh) * | 2022-07-11 | 2022-09-23 | 杭州宇谷科技有限公司 | 一种无监督二轮电动车充电时序异常检测方法及系统 |
| CN114880384A (zh) * | 2022-07-11 | 2022-08-09 | 杭州宇谷科技有限公司 | 一种无监督二轮电动车充电时序异常检测方法及系统 |
| CN115342848A (zh) * | 2022-08-01 | 2022-11-15 | 广州市齐明软件科技有限公司 | 一种关于传感器异常数据的检测方法及装置 |
| KR102612561B1 (ko) * | 2022-10-13 | 2023-12-11 | 디아이랩 주식회사 | 학습모델을 이용한 센서의 데이터 이상을 탐지하기 위한 장치 및 이를 위한 방법 |
| KR102566876B1 (ko) * | 2022-12-23 | 2023-08-14 | 한화시스템 주식회사 | 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 시스템 및 방법 |
| CN117193088A (zh) * | 2023-09-22 | 2023-12-08 | 珠海臻图信息技术有限公司 | 一种工业设备监控方法、装置以及服务器 |
| CN117193088B (zh) * | 2023-09-22 | 2024-04-26 | 珠海臻图信息技术有限公司 | 一种工业设备监控方法、装置以及服务器 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102274389B1 (ko) | 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법 | |
| CN109657805B (zh) | 超参数确定方法、装置、电子设备及计算机可读介质 | |
| US10387768B2 (en) | Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment | |
| KR102361423B1 (ko) | 인공지능 기반의 정비 수요 예측 시스템 및 방법 | |
| CN109120462B (zh) | 机会网络链路的预测方法、装置及可读存储介质 | |
| JP2020119605A (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
| Li et al. | Data-driven bearing fault identification using improved hidden Markov model and self-organizing map | |
| CN112085161B (zh) | 一种基于随机信息传递的图神经网络方法 | |
| US20230085991A1 (en) | Anomaly detection and filtering of time-series data | |
| Kamat et al. | Deep learning-based anomaly-onset aware remaining useful life estimation of bearings | |
| CN112634992A (zh) | 分子性质预测方法及其模型的训练方法及相关装置、设备 | |
| Venkatasubramanian et al. | Fault diagnosis using data fusion with ensemble deep learning technique in IIoT | |
| JP2019105871A (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
| Mobtahej et al. | An lstm-autoencoder architecture for anomaly detection applied on compressors audio data | |
| KR102623389B1 (ko) | 센서 데이터에 기반한 복수의 제조 공정 장비 간 정합성검사 방법, 장치 및 프로그램 | |
| CN110770753B (zh) | 高维数据实时分析的装置和方法 | |
| Jiang et al. | A timeseries supervised learning framework for fault prediction in chiller systems | |
| CN113377630B (zh) | 一种通用的kpi异常检测框架实现方法 | |
| Munikoti et al. | Bayesian graph neural network for fast identification of critical nodes in uncertain complex networks | |
| Trirat et al. | Universal Time-Series Representation Learning: A Survey | |
| Li et al. | Dynamic graph embedding‐based anomaly detection on internet of things time series | |
| Suh et al. | Metaheuristic-based time series clustering for anomaly detection in manufacturing industry | |
| Wang et al. | A graph based methodology for temporal signature identification from EHR | |
| CN113241117B (zh) | 一种基于残差图卷积神经网络rna-蛋白质结合位点判别方法 | |
| Shen et al. | Long-term multivariate time series forecasting in data centers based on multi-factor separation evolutionary spatial–temporal graph neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |