KR102438189B1

KR102438189B1 - 비정상 데이터 검출 방법 및 장치

Info

Publication number: KR102438189B1
Application number: KR1020210076784A
Authority: KR
Inventors: 심상우; 신종선; 모경현; 정영재; 전종섭
Original assignee: 주식회사 마키나락스
Priority date: 2021-06-14
Filing date: 2021-06-14
Publication date: 2022-08-30
Also published as: KR20220167782A; US11803177B1; US20230324896A1; WO2022265292A1

Abstract

본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 비정상 데이터 검출 방법이 개시된다. 상기 방법은: 제 1 시계열(time series) 데이터를 획득하는 단계; 상기 제 1 시계열 데이터를 복수의 서브 시계열 데이터로 분할하는 단계; 상기 복수의 서브 시계열 데이터 중 적어도 하나의 서브 시계열 데이터에 포함된 변수 값들의 스케일(scale)을 조정하는 단계; 및 뉴럴 네트워크 기반 검출 모델에 스케일링(scaling)된 제 1 시계열 데이터를 입력하여 상기 제 1 시계열 데이터의 비정상 여부를 결정하는 단계를 포함할 수 있다.

Description

비정상 데이터 검출 방법 및 장치{METHOD AND APPARATUS FOR DETECTING ANOMALY DATA}

본 발명은 비정상 데이터 검출 방법으로서, 보다 구체적으로는 인공 신경망을 이용한 비정상 데이터 검출 방법에 관한 것이다.

본 발명은 제조 공정에서 발생되는 시계열 데이터의 비정상 여부를 탐지하기 위한 방법에 관한 것이다.

제조공정에서 발생하는 시계열 데이터는 측정되는 시간과 센서에서 얻어지는 값(value)을 가지고 있다. 다만 시계열 데이터가 복수의 제품을 생산하는 과정에서 획득되는 등의 이유로 다양한 피크(peak) 값을 가지는 경우, 시계열 데이터의 비정상 패턴을 감지하도록 인공 신경망 모델을 학습시킨다고 하더라도 실제로 모델에 입력되는 데이터의 전처리 방법에 따라 인공 신경망 모델의 학습 결과는 성공할 수도 있고 실패할 수도 있다.

따라서, 당업계에서는 효과적인 데이터 전처리 방법 및 그에 따른 비정상 데이터 검출 방법에 대한 수요가 증가해왔다.

한국 등록특허 KR10-1883277은 "DTWEP 기반 제조공정의 이상탐지 방법 및 장치”를 개시하고 있다.

본 개시는 전술한 배경기술에 대응하여 안출 된 것으로, 신경망을 이용한 비정상 데이터 검출 방법의 제공을 목적으로 한다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 비정상 데이터 검출 방법이 개시된다. 상기 방법은: 제 1 시계열(time series) 데이터를 획득하는 단계; 상기 제 1 시계열 데이터를 복수의 서브 시계열 데이터로 분할하는 단계; 상기 복수의 서브 시계열 데이터 중 적어도 하나의 서브 시계열 데이터에 포함된 변수 값들의 스케일(scale)을 조정하는 단계; 및 뉴럴 네트워크 기반 검출 모델에 스케일링(scaling)된 제 1 시계열 데이터를 입력하여 상기 제 1 시계열 데이터의 비정상 여부를 결정하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 제 1 시계열 데이터는, 시간 순서에 따라 서로 다른 복수 개의 제품을 생산하는데 사용되는 적어도 하나의 센서(sensor)로부터 획득될 수 있다.

대안적인 실시예에서, 상기 분할하는 단계는, 상기 제 1 시계열 데이터에 포함된 시간 정보에 기초하여 수행되고, 상기 복수의 서브 시계열 데이터 각각은 서로 상이한 복수의 시간 구간에 각각 대응될 수 있다.

대안적인 실시예에서, 상기 분할하는 단계는, 설정 파라미터 정보에 기초하여, 상기 제 1 시계열 데이터를 복수의 서브 시계열 데이터로 분할하는 단계를 포함하되, 상기 제 1 시계열 데이터는, 상기 컴퓨팅 장치에 설정 파라미터 정보가 입력된 결과로서 하나 이상의 센서로부터 획득될 수 있다.

대안적인 실시예에서 상기 분할하는 단계는, 제 1 시계열 데이터에 포함된 복수의 변수 값들에 관한 통계 정보를 나타내는 히스토그램 데이터에 기초하여 수행될 수 있다.

대안적인 실시예에서, 상기 분할하는 단계는, 상기 히스토그램 데이터를 포함하는 사용자 인터페이스를 표시하는 단계; 분할을 위한 정보를 포함하는 사용자 입력을 수신하는 단계; 및 상기 수신된 사용자 입력에 기초하여, 상기 제 1 시계열 데이터를 복수의 서브 시계열 데이터로 분할하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 분할하는 단계는, 상기 히스토그램 데이터에 K-means 클러스터링 알고리즘을 적용함으로써 수행될 수 있다.

대안적인 실시예에서, 상기 조정하는 단계는, 상기 복수의 서브 시계열 데이터 중 적어도 하나의 서브 시계열 데이터에 대해 스케일링 함수를 적용함으로써 수행될 수 있다.

대안적인 실시예에서, 상기 조정하는 단계는, 상기 복수의 서브 시계열 데이터 중 둘 이상의 서로 다른 서브 시계열 데이터 각각에 대해 스케일링 함수를 적용함으로써 수행될 수 있다.

대안적인 실시예에서, 상기 스케일링 함수는, 표준(Standard) 스케일링 함수 또는 최소-최대(Min-Max) 스케일링 함수일 수 있다.

대안적인 실시예에서, 상기 조정하는 단계는, 사전 결정된 로버스트(robust) 평균에 기초하여 수행될 수 있다.

대안적인 실시예에서, 상기 로버스트 평균은, 상기 컴퓨팅 장치에 기 저장된 복수의 시계열 데이터들에 기초하여 산출될 수 있다.

대안적인 실시예에서, 상기 뉴럴 네트워크 기반 검출 모델은, 인코더(encoder) 모델 및 디코더(decoder) 모델을 포함하는 오토 인코더 뉴럴 네트워크 구조를 가질 수 있다.

대안적인 실시예에서, 상기 뉴럴 네트워크 기반 검출 모델은, 적어도 하나의 학습용 시계열 데이터에 대하여, 상기 분할하는 단계; 및 상기 조정하는 단계를 수행한 결과 생성된 적어도 하나의 스케일링된 학습용 시계열 데이터에 기초하여 학습될 수 있다.

대안적인 실시예에서, 상기 제 1 시계열 데이터와 상이한 제 2 시계열 데이터를 획득하는 단계; 상기 제 1 시계열 데이터에 대한 복수의 서브 시계열 데이터들 각각에 대응되는 복수의 시간 구간에 기초하여, 상기 제 2 시계열 데이터를 복수의 제 2 서브 시계열 데이터로 분할하는 단계; 상기 복수의 제 2 서브 시계열 데이터 중 적어도 하나의 제 2 서브 시계열 데이터에 포함된 변수 값들의 스케일을 조정하는 단계; 및 뉴럴 네트워크 기반 검출 모델에 스케일링(scaling)된 제 2 시계열 데이터를 입력하여 상기 제 2 시계열 데이터의 비정상 여부를 결정하는 단계를 더 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 비정상 데이터를 검출하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 제 1 시계열(time series) 데이터를 획득하는 동작; 상기 제 1 시계열 데이터를 복수의 서브 시계열 데이터로 분할하는 동작; 상기 복수의 서브 시계열 데이터 중 적어도 하나의 서브 시계열 데이터에 포함된 변수 값들의 스케일(scale)을 조정하는 동작; 및 뉴럴 네트워크 기반 검출 모델에 스케일링(scaling)된 제 1 시계열 데이터를 입력하여 상기 제 1 시계열 데이터의 비정상 여부를 결정하는 동작을 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 비정상 데이터 검출 장치가 개시된다. 상기 장치는 하나 이상의 프로세서; 메모리; 및 네트워크부를 포함하며, 그리고 상기 하나 이상의 프로세서는, 제 1 시계열(time series) 데이터를 획득하고, 상기 제 1 시계열 데이터를 복수의 서브 시계열 데이터로 분할하고, 상기 복수의 서브 시계열 데이터 중 적어도 하나의 서브 시계열 데이터에 포함된 변수 값들의 스케일(scale)을 조정하고, 그리고 뉴럴 네트워크 기반 검출 모델에 스케일링(scaling)된 제 1 시계열 데이터를 입력하여 상기 제 1 시계열 데이터의 비정상 여부를 결정할 수 있다.

본 개시는 인공 신경망을 이용하여 비정상 데이터를 검출하는 방법을 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따른 비정상 데이터 검출을 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
도 3 은 본 개시의 일 실시예에 따른 제 1 시계열 데이터를 그래프 형태로 도시한 예시도이다.
도 4는 본 개시의 일 실시예에 따른 제 1 시계열 데이터에 포함된 복수의 변수 값들에 관한 통계 정보를 나타내는 히스토그램 데이터를 그래프 형태로 도시한 예시도이다.
도 5는 복수의 구간으로 나누어진 시계열 데이터를 그래프 형태로 도시한 예시도이다.
도 6은 스케일링(scaling)된 시계열 데이터를 그래프 형태로 도시한 예시도이다.
도 7은 본 개시의 일 실시예에 따라 컴퓨팅 장치가 비정상 데이터를 검출하는 방법에 관한 예시적인 흐름도이다.
도 8은 본 개시의 다른 일 실시예에 따라 컴퓨팅 장치가 비정상 데이터를 검출하는 방법에 관한 예시적인 흐름도이다.
도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, “A 또는 B 중 적어도 하나”이라는 용어는, “A만을 포함하는 경우”, “B 만을 포함하는 경우”, “A와 B의 구성으로 조합된 경우”를 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안 된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1은 본 개시의 일 실시예에 따른 비정상 데이터 검출을 위한 컴퓨팅 장치의 블록 구성도이다. 도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다. 컴퓨팅 장치(100)는 프로세서(120), 메모리(130), 네트워크부(110), 입력부(150) 및 출력부(140)를 포함할 수 있다.

프로세서(120)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(120)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 비정상 데이터를 검출하기 위한 동작을 수행할 수 있다. 프로세서(120)가 비정상 데이터를 검출하기 위해 메모리(130), 네트워크부(110), 입력부(150) 및 출력부(140) 중 적어도 하나의 구성과 상호 작용을 통해 비정상 데이터를 검출하는 동작에 관하여는 후술하여 구체적을 설명한다.

본 개시의 일 실시예에 따라 프로세서(120)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(120)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(120)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(120)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(110)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시에서 네트워크부(110)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 다양한 통신 시스템들을 사용할 수 있다.

본 개시의 일 실시예에 따른 출력부(140)는 히스토그램 데이터를 포함하는 사용자 인터페이스(UI, user interface)를 표시할 수 있다. 출력부(140)는 도 4에 도시된 바와 같은 사용자 인터페이스를 표시할 수 있다. 도 4에 도시된 사용자 인터페이스는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 출력부(140)는 프로세서(120)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(110)가 수신한 임의의 형태의 정보를 출력할 수 있다.

본 개시의 일 실시예에서 출력부(140)는 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함할 수 있다. 이들 중 일부 디스플레이 모듈은 그를 통해 외부를 볼 수 있도록 투명형 또는 광 투과형으로 구성될 수 있다. 이는 투명 디스플레이 모듈이라 지칭될 수 있는데, 상기 투명 디스플레이 모듈의 대표적인 예로는 TOLED(Transparent OLED) 등이 있다.

본 개시의 일 실시예에서 입력부(150)는 통해 사용자 입력을 수신할 수 있다. 입력부(150)는 사용자 입력을 수신 받기 위한 사용자 인터페이스 상의 키 및/또는 버튼들, 또는 물리적인 키 및/또는 버튼들을 구비할 수 있다. 입력부(150)를 통한 사용자 입력에 따라 컴퓨팅 장치(100)에 의해 수행되는 본 개시의 몇몇 실시예들에 따른 비정상 데이터 검출 방법이 실행될 수 있다. 예를 들어, 사용자는 입력부(150)를 통해 설정 파라미터 정보를 입력할 수 있다. 컴퓨팅 장치(100)는 입력부(150)를 통해 입력된 설정 파라미터 정보에 기초하여 시계열 데이터를 복수의 서브 시계열 데이터로 분할할 수 있다. 다른 예를 들어, 사용자는 입력부(150)를 통해 분할을 위한 정보를 포함하는 사용자 입력을 입력할 수 있다. 컴퓨팅 장치(100)는 입력부(150)를 통해 획득된 분할을 위한 정보를 포함하는 사용자 입력에 기초하여 시계열 데이터를 복수의 서브 시계열 데이터로 분할할 수 있다.

본 개시의 실시예들에 따른 입력부(150)는 사용자의 버튼 조작 또는 터치 입력을 감지하여 신호를 수신하거나, 카메라 또는 마이크로폰을 통하여 사용자 등의 음성 또는 동작을 수신하여 이를 입력 신호로 변환할 수도 있다. 이를 위해 음성 인식(Speech Recognition) 기술 또는 동작 인식(Motion Recognition) 기술들이 사용될 수 있다.

본 개시의 실시예들에 따른 입력부(150)는 컴퓨팅 장치(100)와 연결된 외부 입력 장비로서 구현될 수도 있다. 예를 들어, 입력 장비는 사용자 입력을 수신하기 위한 터치 패드, 터치 펜, 키보드 또는 마우스 중 적어도 하나일 수 있으나, 이는 예시일 뿐이며 본 개시는 이에 제한되는 것은 아니다.

본 개시의 일 실시예에 따른 입력부(150)는 사용자 터치 입력을 인식할 수 있다. 본 개시의 일 실시예에 따른 입력부(150)는 출력부(140)와 동일한 구성일 수도 있다. 입력부(150)는 사용자의 선택 입력을 수신하도록 구현되는 터치 스크린으로 구성될 수 있다. 터치 스크린은 접촉식 정전용량 방식, 적외선 광 감지 방식, 표면 초음파(SAW) 방식, 압전 방식, 저항막 방식 중 어느 하나의 방식이 사용될 수 있다. 전술한 터치 스크린에 대한 자세한 기재는 본 발명의 일 실시예에 따른 예시일 뿐이며, 다양한 터치 스크린 패널이 컴퓨팅 장치(100)에 채용될 수 있다. 터치 스크린으로 구성된 입력부(150)는 터치 센서를 포함할 수 있다. 터치 센서는 입력부(150)의 특정 부위에 가해진 압력 또는 입력부(150)의 특정 부위에 발생하는 정전 용량 등의 변화를 전기적인 입력신호로 변환하도록 구성될 수 있다. 터치 센서는 터치 되는 위치 및 면적을 인식할 뿐만 아니라, 터치 시의 압력까지도 인식할 수 있도록 구성될 수 있다. 터치 센서에 대한 터치 입력이 인식된 경우, 그에 대응하는 신호(들)는 터치 제어기로 보내진다. 터치 제어기는 그 신호(들)를 처리한 다음 대응하는 데이터를 프로세서(120)로 전송한다. 이로써, 프로세서(120)는 입력부(150)의 어느 영역이 터치 되었는지 여부 등을 인식할 수 있게 된다.

본 개시에 따른 프로세서(120)는 제 1 시계열 데이터를 획득할 수 있다. 프로세서(120)는 메모리(130)에 저장된 시계열 데이터를 전달받음으로써 제 1 시계열 데이터를 획득할 수 있다. 프로세서(120)는 네트워크부(110)를 통해 외부 서버로부터 시계열 데이터를 전송받음으로써 제 1 시계열 데이터를 수신할 수 있다. 프로세서(120)는 컴퓨팅 장치(100)에 포함된 입력부(150)를 통해 제 1 시계열 데이터를 획득할 수도 있다. 본 개시에 있어서 시계열 데이터(time-series data)는, 센서 데이터, 관측 데이터 등과 같이 시간적 순서를 가지고 있는 데이터를 의미한다. 이러한 시계열 데이터는 특정 센서에 기초하여 일정 시간 간격에 따라 측정된 복수의 변수 값(variable value)을 포함할 수 있다. 시계열 데이터를 생성하기 위한 센서가 복수 개인 경우, 복수의 센서에 의해 측정된 변수 값 각각에 대응되는 복수 개의 시계열 데이터가 생성될 수 있다. 또한 하나의 변수 값이 둘 이상의 센서 사이의 상호 작용에 따라 측정되는 경우, 둘 이상의 센서에 기초하여 일정 시간 간격에 따라 측정된 복수의 변수 값을 포함하는 하나의 시계열 데이터가 생성될 수도 있다. 시계열 데이터는 복수의 데이터 원소들로 구성된 집합일 수 있다. 본 개시에 있어서 데이터 원소는 데이터가 획득된 시각에 관한 정보와 매칭될 수 있다. 하나의 시계열 데이터에 포함된 복수의 데이터 원소들은 각각의 데이터 원소가 획득된 시간에 따라 서로 구별될 수 있다. 데이터 원소는 시계열 데이터에 포함된 각각의 시점별 데이터를 의미할 수 있다.

본 개시내용에 있어서, "제 1", "제 2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하여 명세서 전체적으로 일관성을 유지하기 위해 사용되는 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 필요에 따라 제 1 시계열 데이터는 제 2 시계열 데이터로 명명될 수 있고, 유사하게 제 2 시계열 데이터도 제 1 시계열 데이터로 명명될 수 있다. 또한 본 개시에 따른 몇몇 실시예들에 있어서, 둘 이상의 시계열 데이터를 서로 구별할 필요가 없어서 지시 대상이 하나의 시계열 데이터로 명확한 경우, 제 1 시계열 데이터는 편의상 “시계열 데이터”로 명명될 수 있다.

본 개시에 따른 시계열 데이터는 시간 순서에 따라 서로 다른 복수 개의 제품을 생산하는데 사용되는 적어도 하나의 센서(sensor)로부터 획득될 수 있다. 특정 제품을 생산하는 공정 시스템에 있어서, 하나의 동일한 센서라고 하더라도 복수 개의 서로 다른 제품을 생산하기 위해 사용되는 센서가 존재할 수 있다. 일례로, 서로 다른 복수 개의 제품을 생산하는데 사용되는 센서에는 온도 센서가 포함될 수 있다. 물건 A, 물건 B, 물건 C를 생산하는 장비에 있어서, 물건 A, 물건 B, 물건 C를 만드는 과정에 요구되는 온도 및/또는 온도 변화량은 서로 다를 수 있다. 다만, 서로 다른 물건을 만들더라도 측정되어야 하는 물리량은 하나인 관계로, 하나의 온도 센서를 이용하여 물건 A, 물건 B, 물건 C를 생산할 수 있다. 다른 예를 들어, 서로 다른 복수 개의 제품을 생산하는데 사용되는 센서에는 유량 센서가 포함될 수 있다. 물건 A, 물건 B, 물건 C를 만드는 과정에서 주입되어야 하는 촉매 또는 화합물의 양은 서로 다를 수 있고, 이 경우 하나의 유량 센서를 이용하되 유량을 다양하게 제어함으로써 시간 순서에 따라 순차적으로 물건 A, 물건 B, 물건 C를 생산할 수 있다. 본 개시내용에 있어서 제품을 생산하는 공정 시스템에는 제품을 생산하는 프로세스는 물론 제품 결함 유무의 판단을 위해 제품을 검사하는 프로세스가 포함될 수 있다. 전술한 센서의 종류에 관한 기재는 서로 다른 복수 개의 제품을 생산하는데 사용되는 센서에 관한 일 실시예일 뿐, 본 개시는 시간에 따라 다양한 제품을 생산하기 위해 사용되는 센서를 제한없이 포함한다.

프로세서(120)는 제 1 시계열 데이터를 복수의 서브 시계열 데이터로 분할할 수 있다. 서브 시계열 데이터는 시계열 데이터의 하위 개념으로서 하나 이상의 서브 시계열 데이터가 모여 시계열 데이터를 구성할 수 있다. 프로세서(120)는 제 1 시계열 데이터에 포함된 시간 정보에 기초하여, 제 1 시계열 데이터를 복수의 서브 시계열 데이터로 분할할 수 있다. 복수의 서브 시계열 데이터는 서로 상이한 복수의 시간 구간에 각각 대응될 수 있다. 본 개시에 따른 서브 시계열 데이터에 대응되는 시간 구간은 하나의 연속된 시간 구간일 수 있다. 구체적으로, 임의의 'A' 서브 시계열 데이터에 대응되는 시간 구간은 [t_a, t_b](단, t_b > t_a)와 같이 하나의 연속된 시간 구간일 수 있다. 본 개시에 따른 서브 시계열 데이터에 대응되는 시간 구간은 복수의 불연속 시간 구간일 수 있다. 구체적으로, 임의의 'B' 서브 시계열 데이터에 대응되는 시간 구간은 [t_c, t_d], [t_e, t_f] (단, t_f > t_e > t_d > t_c)와 같이 복수의 불연속 시간 구간일 수 있다.

본 개시의 일 실시예에 따른 프로세서(120)는 설정 파라미터 정보에 기초하여, 제 1 시계열 데이터를 복수의 서브 시계열 데이터로 분할할 수 있다. 본 개시에 있어서 설정 파라미터 정보는 생산 설비를 구동하는 사용자에 의해 주어지는 일종의 하이퍼 파라미터 정보일 수 있다. 설정 파라미터 정보는 컴퓨팅 장치(100)의 입력부(150)를 통해 입력될 수 있다. 설정 파라미터 정보는 컴퓨팅 장치(100)의 네트워크부(110)를 통해 외부로부터 전송될 수 있다. 예를 들어, 설정 파라미터 정보에는, 압축기의 출력, 인가 전압의 크기, 전류량, 용액의 농도, 액체의 유량 등이 포함될 수 있다. 본 개시의 설정 파라미터 정보는 사용자에 의해 주어지는 고정된 값들로 구성된다는 점에서, 실제 물리량의 관측을 통해 획득되는 센서 데이터와 설정 파라미터 정보는 구분될 수 있다. 일반적으로 수치 제어를 위해 설정 파라미터 정보가 주어지더라도 실제 관측되는 센서 데이터와 입력된 설정 파라미터 정보에는 차이가 있을 수 있으며, 이 때, 설정 파라미터 정보는 독립변수로 이해될 수 있고, 상기 하나 이상의 센서로부터 획득되는 센서 데이터는 그러한 독립변수에 따른 종속변수로 이해될 수 있다. 본 실시예에 있어서 제 1 시계열 데이터는 사용자가 컴퓨팅 장치(100)에 설정 파라미터 정보를 입력한 결과로서 하나 이상의 센서로부터 획득되는 데이터일 수 있다. 제 1 시계열 데이터의 변화는 설정 파라미터 정보의 변화에 기초할 수 있다. 일례로, 사용자는 t1 시간부터 t2 (단, t2 > t1) 시간까지 제품 A를 만들기 위한 설정 파라미터 정보를 컴퓨팅 장치(100)에 입력하고, t2 시간부터 t3 (단, t3 > t2) 시간까지는 제품 B를 만들기 위한 설정 파라미터 정보를 컴퓨팅 장치(100)에 입력할 수 있다. 이 때 프로세서(120)는, 하나 이상의 센서로부터 획득되고 t1 시간부터 t3 시간까지의 변수 값을 포함하는 제 1 시계열 데이터를 [t1, t2] 시간 구간에 대응되는 서브 시계열 데이터 및 [t2, t3] 시간 구간에 대응되는 서브 시계열 데이터로 분할할 수 있다.

상술한 실시예에 따를 경우, 프로세서(120)는 제 1 시계열 데이터를 분할하기 위한 기준이 되는 시간 구간을 제 1 시계열 데이터로부터 도출하는 대신, 사용자의 입력 정보 중 하나인 설정 파라미터 정보에 기초하여 제 1 시계열 데이터를 복수의 서브 시계열 데이터로 분할할 수 있다. 즉, 프로세서(120)는 선행 입력값(e.g. 설정 파라미터 정보)-후행 관측값(e.g. 적어도 하나의 센서로부터 획득되는 시계열 데이터) 관계에서, 선행 입력값에 기초하여 후행 관측값을 분할할 수 있다. 이는 인과관계가 존재하는 기준에 따라 시계열 데이터를 분할하고 비정상 데이터를 검출할 수 있으므로 사용자로 하여금 데이터에 대한 명확한 해석이 가능하게 하는 효과를 갖는다.

본 개시의 일 실시예에 따른 프로세서(120)는 제 1 시계열 데이터에 포함된 복수의 변수 값들에 관한 통계 정보를 나타내는 히스토그램 데이터에 기초하여 제 1 시계열 데이터를 복수의 서브 시계열 데이터로 분할할 수 있다. 제 1 시계열 데이터에 포함된 복수의 변수 값들에 관한 통계 정보는 예를 들어, 동일 변수 값을 가지는 데이터 원소들의 개수일 수 있다. 이하 도 3 및 도 4를 참조하여 보다 구체적으로 서술한다.

도 3 은 본 개시의 일 실시예에 따른 제 1 시계열 데이터를 그래프 형태로 도시한 예시도이다. 도 3에 도시된 제 1 시계열 데이터의 가로축은 시간(time), 세로축은 변수 값(variable value)를 나타낸다. 도 3에 도시된 바와 같이, 시계열 데이터는 일정 시간 간격에 따라 복수의 시점에 측정된 복수의 변수 값들을 포함할 수 있다. 제 1 변수 값 구간(310), 제 2 변수 값 구간(330), 및 제 3 변수 값 구간(350)은 각각 서로 다른 데이터들의 집합을 포함할 수 있다. 제 1 변수 값 구간(310), 제 2 변수 값 구간(330), 및 제 3 변수 값 구간(350)은 서로 다른 변수 값 범위에 할당될 수 있다. 일례로, 제 1 시계열 데이터는 서로 다른 종류의 제품을 생산하는 과정에서 하나의 단일 센서에 의해 획득된 데이터일 수 있다. 이 경우, 제 1 시계열 데이터에 나타나는 제 1 변수 값 구간(310), 제 2 변수 값 구간(330), 및 제 3 변수 값 구간(350)은 각각 상이한 제품의 생산 과정에서 측정된 값일 수 있다. 프로세서(120)는 변수 값 범위에 기초하여 시계열 데이터를 복수의 서브 시계열 데이터로 분할할 수 있다.

도 4는 본 개시의 일 실시예에 따른 제 1 시계열 데이터에 포함된 복수의 변수 값들에 관한 통계 정보를 나타내는 히스토그램 데이터를 그래프 형태로 도시한 예시도이다. 도 4에 도시된 히스토그램 데이터의 가로축은 변수 값(variable value), 세로축은 해당 변수 값을 갖는 데이터 원소의 개수(count)를 나타낸다. 즉, 프로세서(120)는 획득된 제 1 시계열 데이터에서 동일한 변수 값을 갖는 데이터 원소들의 개수를 카운트하여 히스토그램 데이터를 생성할 수 있다. 히스토그램 데이터에서 제 4 변수 값 구간(410), 제 5 변수 값 구간(430), 제 6 변수 값 구간(450)은 각각 서로 다른 변수 값의 범위에 할당될 수 있다. 제 4 변수 값 구간(410), 제 5 변수 값 구간(430), 제 6 변수 값 구간(450)은 히스토그램 데이터에 포함된 데이터 군집에 대응될 수 있다. 본 개시에 따른 프로세서(120)가 히스토그램 데이터에 포함된 데이터 군집을 식별하는 방법에 대하여는 구체적으로 후술한다. 도 4에 도시된 히스토그램 데이터의 가로축은 도 3에 도시된 시계열 데이터의 세로축에 대응될 수 있다. 즉, 도 3의 제 1 변수 값 구간(310), 제 2 변수 값 구간(330), 및 제 3 변수 값 구간(350)들은 각각 도 4의 제 4 변수 값 구간(410), 제 5 변수 값 구간(430), 및 제 6 변수 값 구간(450) 각각에 순서대로 대응될 수 있다. 일례로, 도 4의 히스토그램 데이터에 기초하여 제 4 변수 값 구간(410), 제 5 변수 값 구간(430), 및 제 6 변수 값 구간(450)이 결정될 경우, 프로세서(120)는 도 3의 제 1 시계열 데이터를 제 1 변수 값 구간(310)에 포함된 데이터 원소들로 구성되는 서브 시계열 데이터, 제 2 변수 값 구간(330)에 포함된 데이터 원소들로 구성되는 서브 시계열 데이터, 및 제 3 변수 값 구간(350)에 포함된 데이터 원소들로 구성되는 서브 시계열 데이터로 분할할 수 있다. 이 경우, 각각의 서브 시계열 데이터들은 복수의 불연속 시간 구간과 대응될 수 있다.

이하에서는 본 개시에 따른 프로세서(120)가 히스토그램 데이터에 포함된 하나 이상의 데이터 군집(i.e. 클러스터)을 식별하는 몇몇 실시예에 관해 서술한다.

본 개시에 따라 히스토그램 데이터에 기초하여 시계열 데이터를 복수의 서브 시계열 데이터로 분할하는 제 1 실시예는 컴퓨팅 장치(100)에 의해 다음과 같이 구현될 수 있다. 컴퓨팅 장치(100)는 시계열 데이터를 복수의 서브 시계열 데이터로 분할하기 위해 히스토그램 데이터를 포함하는 사용자 인터페이스를 출력부(140)에 표시할 수 있다. 컴퓨팅 장치(100)는 입력부(150)를 통해 분할을 위한 정보를 포함하는 사용자 입력을 수신할 수 있다. 구체적인 설명을 위해 다시 도 4를 참조하면, 컴퓨팅 장치(100)는 도 4에 예시적으로 도시된 히스토그램 데이터를 포함하는 사용자 인터페이스를 출력부(140)에 표시할 수 있다. 컴퓨팅 장치(100)를 사용하는 사용자는 출력부(140)에 표시된 히스토그램 데이터에 기반하여 제 1 시계열 데이터를 분할하기 위한 사용자 입력을 입력부(150)에 입력할 수 있다. 일례로, 컴퓨팅 장치(100)는 입력부(150)를 통해 제 4 변수 값 구간(410), 제 5 변수 값 구간(430), 및 제 6 변수 값 구간(450)과 관련한 구간 정보를 포함하는 사용자 입력을 수신할 수 있다. 그 후 프로세서(120)는 입력부(150)를 통해 입력된 사용자 입력에 기초하여 제 1 시계열 데이터를 복수의 서브 시계열 데이터로 분할할 수 있다.

본 개시에 따라 히스토그램 데이터에 기초하여 시계열 데이터를 복수의 서브 시계열 데이터로 분할하는 제 2 실시예는 프로세서(120)에 의해 다음과 같이 구현될 수 있다. 프로세서(120)는 히스토그램 데이터에 K-means 클러스터링 알고리즘을 적용함으로써 시계열 데이터를 복수의 서브 시계열 데이터로 분할할 수 있다.

본 개시에 따른 프로세서(120)는 K-means 클러스터링을 위해 클러스터 개수(K)의 최소값과 최대값을 결정할 수 있다. K의 최소값과 최대값은 1부터 시계열 데이터에 포함된 데이터 원소들의 수까지 선택될 수 있다. 프로세서(120)는 적절한 K 값을 찾기 위해 복수의 서로 다른 K 값들에 대해 K-means 클러스터링 알고리즘을 수행할 수 있다. 적절한 K 값을 찾기 위해 프로세서(120)가 수행하는 동작에 관한 일 실시예에서, 프로세서(120)는 제 1 시계열 데이터에 관한 히스토그램 데이터에 대해 K-means 클러스터링 알고리즘을 적용할 수 있다. 이 때 프로세서(120)는 적절한 K 값을 찾기 위해 K 값을 1부터 시작하여 순차적으로 증가시키면서 K-means 클러스터링 알고리즘을 반복적으로(iterative) 수행할 수 있다. 프로세서(120)는 각 데이터와 K 개의 클러스터의 중심점과의 거리의 합을 구할 수 있다. 이 때, 클러스터링을 위한 K 값이 적합하게 설정될수록 거리의 합은 감소하게 된다. 프로세서(120)는 K 값을 1부터 시작하여 순차적으로 증가시키는 동작을 반복함으로써, 특정 K에 있어서 처음으로 거리의 합이 일정 값 이하로 작아지는 특정 값을 산출할 수 있다. 만약 각 데이터와 K 개의 클러스터의 중심점과의 거리의 합이 처음으로 일정 값 이하로 작아지는 K의 크기가 3이라면, 프로세서(120)는 클러스터 개수가 3개가 되도록 제 1 시계열 데이터에 관한 히스토그램 데이터를 군집화할 수 있다. 프로세서(120)는 제 1 시계열 데이터에 관한 히스토그램 데이터에 대해 결정된 복수의 변수 값 구간에 기초하여 제 1 시계열 데이터를 분할할 수 있다.

히스토그램 데이터에 기초하여 시계열 데이터를 복수의 서브 시계열 데이터로 분할하는 제 1 실시예 및 제 2 실시예에 관해 전술된 구체적인 기재는 본 개시에 따른 히스토그램 데이터에 기초한 분할 방법의 설명을 위한 몇몇 실시예들에 불과 할 뿐, 본 개시를 제한하지 않는다.

본 개시에 따른 프로세서(120)는 복수의 서브 시계열 데이터 중 적어도 하나의 서브 시계열 데이터에 포함된 변수 값들의 스케일(scale)을 조정할 수 있다. 본 개시에 있어서 "스케일(scale)"은 "변수 값의 범위"와 상호 교환적으로 사용될 수 있다. 또한 "변수 값의 스케일(scale)을 조정한다."는 용어는 "변수 값의 범위를 변경한다."라는 용어와 상호 교환적으로 사용될 수 있다. 본 개시에 있어서, 시계열 데이터에 포함된 복수의 서브 시계열 데이터 중 적어도 하나의 서브 시계열 데이터에 포함된 변수 값의 스케일이 조정된 경우, 해당 시계열 데이터는 "스케일링된 시계열 데이터"로 명명될 수 있다. 프로세서(120)는 적어도 하나의 서브 시계열 데이터에 포함된 변수 값의 스케일을 조정함으로써 시계열 데이터에 포함된 값의 적어도 일부를 정규화(normalization)하는 데이터 전처리(preprocessing) 작업을 수행할 수 있다.

본 개시의 일 실시예에 있어서, 프로세서(120)는 서브 시계열 데이터에 대해 스케일링 함수를 적용함으로써 서브 시계열 데이터에 포함된 변수 값들의 스케일을 조정할 수 있다. 스케일링 함수는, 표준(Standard) 스케일링 함수 또는 최소-최대(Min-Max) 스케일링 함수일 수 있다.

본 개시에 따른 프로세서(120)는 적어도 하나의 서브 시계열 데이터에 표준 스케일링 함수를 적용함으로써, 서브 시계열 데이터에 포함된 개별 데이터 원소들의 변수 값이 서브 시계열 데이터에 포함된 전체 데이터 원소의 변수 값에 관한 평균으로부터 얼마나 떨어져 있는지를 기준으로 서브 시계열 데이터에 포함된 변수 값들의 스케일을 조정할 수 있다. 예를 들어, 프로세서(120)는 서브 시계열 데이터에 포함된 데이터 원소들 각각의 변수 값에서 서브 시계열 데이터에 포함된 전체 데이터 원소의 평균 변수 값을 뺄 수 있다. 그리고 프로세서(120)는 서브 시계열 데이터에 포함된 전체 데이터 원소의 표준 편차 값으로 상기 뺄셈의 결과값을 나누어, 서브 시계열 데이터에 포함된 변수 값들의 범위가 가우시안(Gaussian) 정규 분포를 따르는 범위로 변경되도록 연산할 수 있다.

본 개시에 따른 프로세서(120)는 적어도 하나의 서브 시계열 데이터에 최소-최대 스케일링 함수를 적용함으로써, 서브 시계열 데이터에 포함된 복수의 변수 값들 중 변수 값의 최대값과 최소값에 기초하여 서브 시계열 데이터에 포함된 변수 값들의 스케일을 조정할 수 있다. 예를 들어, 프로세서(120)는 서브 시계열 데이터에 포함된 데이터 원소들 각각의 변수 값에서 서브 시계열 데이터에 포함된 변수 값들 중 최대값을 뺄 수 있다. 그리고 프로세서(120)는 서브 시계열 데이터에 포함된 변수 값들 중 최대값과 최소값의 차이값으로 상기 뺄셈 연산의 결과값을 나누어, 서브 시계열 데이터에 포함된 변수 값들의 범위가 [0,1]로 변경되도록 연산할 수 있다.

본 개시의 따른 프로세서(120)는 사전 결정된 로버스트(robust) 평균에 기초하여 서브 시계열 데이터에 포함된 변수 값들의 스케일을 조정할 수 있다. 본 개시에 있어서, 로버스트 평균은, 컴퓨팅 장치(100)에 기 저장된 복수의 시계열 데이터들에 기초하여 산출될 수 있다. 로버스트 평균(robust mean)은 아래의 수학식 1에 기초하여 산출될 수 있다.

[수학식 1]

수학식 1에 기재된 train data는 robust mean을 산출하는 기준이 되는 데이터 집합에 포함된 각각의 데이터를 의미한다. quantile(X) 함수는 데이터 집합에서 백분위 중 특정 분위에 해당하는 데이터를 반환하는 함수이다. X는 0과 1사이의 실수일 수 있다. 예를 들어, quantile(0.99)는 백분위 중 99분위에 해당하는 데이터를 의미하고, quantile(0.01)은 백분위 중 1분위에 해당하는 데이터를 의미한다. 프로세서(120)는 각각의 train data의 변수 값에서 quantile(0.01)에 해당하는 데이터의 변수 값을 뺀 후,

로 나눌 수 있다. 그 후 프로세서(120)는 robust mean을 산출하는 기준이 되는 데이터 집합에 포함된 모든 train data 각각에 대해 상기

로 나눈 연산의 결과들을 평균(mean)함으로써 로버스트 평균을 산출할 수 있다. 로버스트 평균을 산출하는 기준이 되는 데이터 집합은, 뉴럴 네트워크 기반 검출 모델의 학습시키기 위해 사전 설정된 데이터 집합일 수 있다. 뉴럴 네트워크 기반 검출 모델의 학습 방법에 관하여는 구체적으로 후술한다. 로버스트 평균은 각각의 서브 시계열 데이터마다 계산될 수 있다. 본 개시에 따른 로버스트 평균은 전체 데이터 집합의 양 극단에 있는 아웃라이어(outlier) 데이터들의 영향을 제거하므로 보다 효과적인 스케일링의 기초가 될 수 있는 장점을 갖는다.

본 개시에 따른 프로세서(120)는 로버스트(robust) 평균에 기초하는 스케일링 함수를 이용하여 서브 시계열 데이터에 포함된 변수 값들의 스케일을 조정할 수 있다. 일례로, 로버스트 평균에 기초하는 스케일링 함수는 수학식 2와 같이 표현될 수 있다.

[수학식 2]

수학식 2의 data는 robust mean을 도출하는 과정에서 사용된 데이터 외에 새롭게 획득된 시계열 데이터를 의미한다. 수학식 2의 robust mean은 전술한 수학식 1에 기초하여 산출될 수 있다.

전술한 수학식 1 및 수학식 2에 기초하여 적어도 하나의 서브 시계열 데이터에 포함된 변수 값들의 스케일을 조정하는 경우, 로버스트 평균을 구하기 위해 사용된 시계열 데이터와 유사한 변수 값 변화 패턴 및 유사한 시간 길이를 가지는 시계열 데이터가 새롭게 입력되었을 때, 아웃라이어 데이터의 영향을 최소화하고 보다 정교하게 입력 데이터를 전처리할 수 있는 효과를 갖는다.

전술한 스케일링 함수들에 관한 서술은, 서브 시계열 데이터에 포함된 변수 값들의 스케일을 조정하기 위해 사용될 수 있는 스케일링 함수들 중 일부를 구체적으로 서술한 것일 뿐, 본 개시는 다양한 스케일링 방법을 제한없이 포함한다.

본 개시의 일 실시예에 있어서, 프로세서(120)는 시계열 데이터에 포함된 복수의 서브 시계열 데이터 중 둘 이상의 서로 다른 서브 시계열 데이터 각각에 대해 스케일링 함수를 적용함으로써, 변수 값들의 스케일을 조정할 수 있다. 둘 이상의 서로 다른 서브 시계열 데이터 각각에 대해 적용되는 스케일링 함수는 서로 다른 함수일 수도 있다. 일례로, 복수의 서브 시계열 데이터 중 제 1 서브 시계열 데이터에 대하여는 표준 스케일링 함수를 적용하고 제 2 서브 시계열 데이터에 대하여는 최소-최대 스케일링 함수를 적용한 경우를 실시예로서 포함할 수 있다.

프로세서(120)는 상술한 분할 방법에 의해 시계열 데이터로부터 분할된 복수의 서브 시계열 데이터 각각에 대해 스케일링 함수를 적용함에 따라, 전체 시계열 데이터의 형태가 일정해지도록 데이터 전처리 작업을 수행할 수 있게 된다. 이하 도 5 및 도 6을 참조하여 프로세서(120)가 시계열 데이터를 전처리하는 작업에 관하여 구체적으로 설명한다.

도 5는 복수의 구간으로 나누어진 시계열 데이터를 그래프 형태로 도시한 예시도이다. 프로세서(120)는 도 5에 도시된 바와 같이, 시간에 따라 변화하는 변수 값을 갖는 시계열 데이터를 전술한 분할 방법 중 하나의 방법에 기초하여 복수의 서브 시계열 데이터로 분할할 수 있다. 도 5의 예시에 있어서, 시계열 데이터는 [t=0, t=t1] 구간에 대응되는 서브 시계열 데이터(510), [t=t1, t=t2] 구간에 대응되는 서브 시계열 데이터(530), [t=t2, t=t3] 구간에 대응되는 서브 시계열 데이터(550), [t=t3, t=t4] 구간에 대응되는 서브 시계열 데이터(570)를 포함할 수 있다. 시계열 데이터에 포함된, 참조번호 510 내지 참조번호 570에 해당하는 서브 시계열 데이터들은 각각 하나의 센서에 기반하여 복수의 서로 다른 제품을 생산하는 과정에서 획득된 변수 값일 수 있다.

도 6은 스케일링(scaling)된 시계열 데이터를 그래프 형태로 도시한 예시도이다. 도 6의 예시에 있어서, 스케일링된 시계열 데이터는 [t=0, t=t1] 구간에 대응되고 스케일링된 서브 시계열 데이터(610), [t=t1, t=t2] 구간에 대응되고 스케일링된 서브 시계열 데이터(630), [t=t2, t=t3] 구간에 대응되고 스케일링된 서브 시계열 데이터(650), [t=t3, t=t4] 구간에 대응되고 스케일링된 서브 시계열 데이터(670)를 포함할 수 있다. 참조번호 610 내지 670에 의해 지시되는 스케일링된 서브 시계열 데이터들은 각각 도 5의 참조번호 510 내지 570에 의해 지시되는 서브 시계열 데이터들과 각각 순서대로 대응될 수 있다. 프로세서(120)는 도 5에 도시된 시계열 데이터를 복수의 구간별로 각각 스케일링 하여, 도 6에 도시된 스케일링된 시계열 데이터를 산출할 수 있다. 도 6의 v1은 학습된 뉴럴 네트워크 기반 검출 모델이 산출하는 스케일링된 시계열 데이터의 상한값(upper bound)일 수 있다. 도 6의 v2는 학습된 뉴럴 네트워크 기반 검출 모델이 산출하는 스케일링된 시계열 데이터의 하한값(lower bound)일 수 있다.

일반적인 제조 공정에 있어서, 동일한 제품을 생산하는 과정이라고 할지라도 시간의 변화에 따라 적어도 하나의 센서에 의해 관측되는 시계열 데이터는 다양한 패턴을 가질 수 있다. 아울러, 동일한 생산 설비를 이용하여 복수의 서로 다른 제품을 생산할 경우에도 시간의 변화에 따라 적어도 하나의 센서에 의해 관측되는 시계열 데이터는 다양한 패턴을 가지게 된다.

본 개시의 효과를 설명하기 위해 도 3과 같은 시계열 데이터가 획득되었다고 가정해보자. 이 때, 도 3의 시계열 데이터를 그대로 이용하여 뉴럴 네트워크 기반 비정상 데이터 검출 모델의 학습 및 추론을 진행하게 되면, 시계열 데이터가 극댓값을 복수 개 포함하는 멀티모달(multi-modal) 분포를 따를 때 뉴럴 네트워크 기반 검출 모델이 멀티모달 형태의 데이터 분포를 정상 패턴으로 학습하게 되므로, 비정상 패턴을 구분해 내는 성능이 떨어지게 된다. 따라서 본 개시에 따른 비정상 데이터 탐지 방법은 시계열 데이터로부터 분할된 복수의 서브 시계열 데이터 각각에 대해 스케일링 함수를 각각 적용함에 따라, 뉴럴 네트워크 기반 검출 모델에 입력되기 위한 시계열 데이터의 값이 일정 범위 내에 존재하도록 하는 데이터 전처리 작업을 수행할 수 있게 된다. 즉, 본 개시는 시계열 데이터를 복수의 구간에 따라 스케일링하는 방법을 개시함으로써 검출 모델의 학습 및 추론을 위해 적합한 데이터를 생성하는 전처리 방법을 개시한다. 이하에서는 스케일링된 시계열 데이터를 처리하기 위한 뉴럴 네트워크 기반 검출 모델의 구조 및 학습 방법에 관하여 서술한다.

본 개시에 따른 프로세서(120)는 뉴럴 네트워크 기반 검출 모델에 스케일링(scaling)된 시계열 데이터를 입력하여 시계열 데이터의 비정상 여부를 결정할 수 있다.

도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다. 본 명세서에 걸쳐, 모델, 신경망, 인공 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

본 개시의 일 실시예에 따른 뉴럴 네트워크는 복수의 신경망 레이어를 포함할 수 있다. 신경망 레이어들은 뉴럴 네트워크 내에서 기능과 역할에 따라 일정한 순서를 갖는 시퀀스(sequence)를 구성할 수 있다.　상기 복수의 신경망 레이어에는 컨볼루션 레이어, 풀링 레이어, 완전 연결 레이어 등이 포함될 수 있다. 뉴럴 네트워크에 대한 최초 입력은 시퀀스 내 가장 낮은, 최초의 레이어에 의해 수신될 수 있다. 뉴럴 네트워크는 최초 입력으로부터 최종 출력을 생성하기 위해 최초 입력을 시퀀스 내 레이어들에 순차적으로 입력할 수 있다. 상기 최초 입력은 예를 들어 이미지일 수 있고 그에 대한 최종 출력은 예를 들어 하나 이상의 카테고리를 포함하는 카테고리 집합에 있어서 각각의 카테고리에 대한 스코어일 수 있다.

본 개시의 일 실시예에 따른 신경망 레이어는 노드들의 세트를 포함할 수 있다. 각 신경망 레이어는 컨볼루션 신경망에 대한 최초 입력 또는 직전 신경망 레이어의 출력을 입력으로 수신할 수 있다. 예를 들어, 복수의 신경망 레이어로 이루어진 시퀀스에 있어서 제 N 번째 신경망 레이어는 제 N-1 번째 신경망 레이어의 출력을 입력으로 수신할 수 있다. 각 신경망 레이어는 입력으로부터 출력을 생성할 수 있다. 신경망 레이어가 시퀀스에서 가장 높은, 최후의 신경망 레이어인 경우,　이러한 신경망 레이어의 출력은 전체 뉴럴 네트워크의 출력으로 취급될 수 있다.

본 개시에 있어서 “특징맵”이라는 용어는 컨볼루션 연산의 결과값 중 적어도 일부를 지칭하는 용어로 사용될 수 있다. 신경망 레이어는 컨볼루션 연산을 위한 하나 이상의 필터를 포함할 수 있다. 특징맵은 신경망 레이어에 포함된 하나 이상의 필터 중 하나의 필터를 이용하여 컨볼루션 연산을 수행한 결과를 지칭하는 용어로 사용될 수 있다. 신경망 레이어의 출력 차원의 크기는 신경망 레이어에 포함된 필터의 수와 같을 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시에 따른 뉴럴 네트워크 기반 검출 모델은, 인코더(encoder) 모델 및 디코더(decoder) 모델을 포함하는 오토 인코더(autoencoder) 구조를 가질 수 있다. 오토 인코더 모델은 입력 데이터에 대한 차원수(dimensionality)의 감소를 수행하는(즉, 인코딩) 인코더 모델과 입력 데이터에 대한 차원수의 복원을 수행하는(즉, 디코딩) 디코더 모델을 포함할 수 있다. 오토 인코더의 출력은 입력 데이터와 유사할 수 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더 구조를 가지는 뉴럴 네트워크 기반 검출 모델은 적어도 하나의 히든 레이어를 포함할 수 있다. 각각의 히든 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조의 검출 모델에 있어서 인코더 모델에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

본 개시에 따른 뉴럴 네트워크 기반 검출 모델은 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 검출 모델의 학습은 검출 모델에 포함된 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.

본 개시에 따른 뉴럴 네트워크 기반 검출 모델은, 적어도 하나의 학습용 시계열 데이터에 대하여, 학습용 시계열 데이터를 복수의 서브 시계열 데이터로 분할하는 단계 및 학습용 시계열 데이터로부터 분할된 복수의 서브 시계열 데이터 중 적어도 하나의 서브 시계열 데이터에 포함된 변수 값들의 스케일을 조정하는 단계를 수행한 결과 생성된, 적어도 하나의 스케일링된 학습용 시계열 데이터에 기초하여 학습될 수 있다.

본 개시에 따른 뉴럴 네트워크 기반 검출 모델에 있어서, 뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

본 개시에 따른 프로세서(120)는 제 1 시계열 데이터를 분할하기 위해 사용된 복수의 시간 구간을 제 1 시계열 데이터와 상이한 제 2 시계열 데이터에 적용함으로써 제 2 시계열 데이터의 비정상 여부 또한 결정할 수 있다. 본 개시에 있어서, 제 1 시계열 데이터와 제 2 시계열 데이터는 하나의 제품을 만드는 과정에서 서로 다른 센서에 의해 획득된 서로 다른 시계열 데이터일 수 있다. 제 1 시계열 데이터와 제 2 시계열 데이터에 대응되는 전체 시간 구간은 서로 그 길이가 동일할 수 있다. 예를 들어, 동일한 하나의 제품을 만들기 위한 공정 시스템에는 유량 센서, 전류 센서, 온도 센서, 속도 센서 등이 포함될 수 있다. 이 때 유량 센서에 의해 획득된 시계열 데이터는 제 1 시계열 데이터로, 전류 센서에 의해 획득된 시계열 데이터는 제 2 시계열 데이터로 이해될 수 있다.

본 개시에 따른 프로세서(120)는 제 1 시계열 데이터에 대한 복수의 서브 시계열 데이터들 각각에 대응되는 복수의 시간 구간에 기초하여, 제 2 시계열 데이터를 복수의 제 2 서브 시계열 데이터로 분할할 수 있다. 제 1 시계열 데이터를 복수의 서브 시계열 데이터로 분할하는 동작은 전술한 분할 방법 중 어느 하나의 방법에 따라 선결적으로 수행되었을 수 있다. 이 때 프로세서(120)는 제 1 시계열 데이터를 복수의 서브 시계열 데이터로 분할하는데 사용된 복수의 시간 구간과 동일하게 제 2 시계열 데이터를 분할할 수 있다. 본 실시예에서 프로세서(120)가 특정 센서로부터 획득된 제 1 시계열 데이터에 적용된 복수의 시간 구간을 상기 특정 센서와는 다른 센서로부터 획득된 제 2 시계열 데이터에도 적용하는 이유는, 측정되는 변수 값의 단위, 물리량 또는 수치의 크기는 다르더라도 시간에 따라 패턴이 변화한다는 사실은 동일하게 유지되기 때문일 수 있다. 예를 들어, 하나의 제품을 만드는 상황에서 유량 센서 값이 변화하면 같은 시점을 기준으로 전류 센서의 값도 변화될 수 있다. 다른 예를 들어, 복수의 서로 다른 제품을 시간 순서에 따라 순차적으로 생산할 경우에도 마찬가지로 하나의 센서 값이 변화하면 같은 시점에 다른 센서의 값이 변화할 수 있다.

본 개시에 따른 프로세서(120)는 복수의 제 2 서브 시계열 데이터 중 적어도 하나의 제 2 서브 시계열 데이터에 포함된 변수 값들의 스케일을 조정할 수 있다. 제 2 서브 시계열 데이터에 포함된 변수 값들에 적용되는 스케일링 함수는 제 1 시계열 데이터에 관한 서브 시계열 데이터들과 별개로 독립적으로 계산될 수 있다. 프로세서(120)는 뉴럴 네트워크 기반 검출 모델에 스케일링된 제 2 시계열 데이터를 입력하여 상기 제 2 시계열 데이터의 비정상 여부를 결정할 수 있다.

이처럼 본 개시는 제 1 시계열 데이터와 제 2 시계열 데이터가 서로 다른 종류의 시계열 데이터일지라도 스케일링을 위한 시간 구간을 설정하는 방법은 서로 공유될 수 있다는 경험적 지식에 기반하여, 제 1 시계열 데이터의 시간 구간에 기초하여 제 2 시계열 데이터를 분할하는 내용을 개시한다. 상기 개시 내용은 비정상 여부의 검출 대상이 되는 시계열 데이터가 많은 경우에 효과적일 수 있다. 프로세서(120)는 검사 대상이 되는 시계열 데이터가 다수이더라도, 하나의 시계열 데이터에 대하여만 분할을 위한 시간 구간 기준을 마련하면 다른 시계열 데이터에 대하여는 추가적인 시간 소모 없이 빠르게 비정상 데이터를 검출할 수 있기 때문이다. 구체적으로, 하나의 제품을 만들기 위해 획득되는 시계열 데이터는 수 백, 수 천 개 또는 그 이상에 달할 수 있으며, 이때 모든 시계열 데이터는 비정상 여부의 판별 대상이 될 수 있다. 만약 프로세서(120)가 모든 시계열 데이터에 대해 분할을 위한 시간 구간을 설정하는 단계를 반복할 경우 이는 시간 소모적인 작업일 수 있다. 반면 상술한 본 개시를 이용하게 되면, 하나의 시계열 데이터에 대한 시간 구간 정보를 활용하여 나머지 시계열 데이터를 빠르게 전처리 할 수 있게 된다.

도 7은 본 개시의 일 실시예에 따라 컴퓨팅 장치가 비정상 데이터를 검출하는 방법에 관한 예시적인 흐름도이다. 프로세서(120)는 단계 S710에서, 제 1 시계열 데이터를 획득할 수 있다. 프로세서(120)는 단계 S730에서, 제 1 시계열 데이터를 복수의 서브 시계열 데이터로 분할할 수 있다. 프로세서(120)는 설정 파라미터 정보에 기초하여 제 1 시계열 데이터를 복수의 서브 시계열 데이터로 분할할 수 있다. 프로세서(120)는 제 1 시계열 데이터에 포함된 복수의 변수 값들에 관한 통계 정보를 나타내는 히스토그램 데이터에 기초하여 제 1 시계열 데이터를 복수의 서브 시계열 데이터로 분할할 수 있다. 히스토그램 데이터에 기초하여 제 1 시계열 데이터를 복수의 서브 시계열 데이터로 분할하는 일 실시예에 있어서, 컴퓨팅 장치(100)는 입력부(150)를 통해 분할을 위한 정보를 포함하는 사용자 입력을 수신할 수 있다. 사용자는 컴퓨팅 장치(100)의 출력부(140)를 통해 표시되는 히스토그램 데이터 관련 사용자 인터페이스에 기반하여 사용자 입력을 입력할 수 있다. 히스토그램 데이터에 기초하여 제 1 시계열 데이터를 복수의 서브 시계열 데이터로 분할하는 다른 일 실시예에 있어서, 프로세서(120)는 히스토그램 데이터에 K-means 클러스터링 알고리즘을 적용함으로써 제 1 시계열 데이터를 복수의 서브 시계열 데이터로 분할할 수 있다. 프로세서(120)는 단계 S750에서, 복수의 서브 시계열 데이터 중 적어도 하나의 서브 시계열 데이터에 포함된 변수 값들의 스케일(scale)을 조정할 수 있다. 프로세서(120)는, 예를 들어, 표준 스케일링 함수, 최소-최대 스케일링 함수 또는 로버스트 평균에 기초하는 스케일링 함수 등을 이용하여 복수의 서브 시계열 데이터 중 적어도 하나의 서브 시계열 데이터에 포함된 변수 값들의 스케일(scale)을 조정할 수 있다. 프로세서(120)는 단계 S770에서, 뉴럴 네트워크 기반 검출 모델에 스케일링(scaling)된 제 1 시계열 데이터를 입력하여 상기 제 1 시계열 데이터의 비정상 여부를 결정할 수 있다. 뉴럴 네트워크 기반 검출 모델은, 적어도 하나의 학습용 시계열 데이터에 기초하여 기 학습된 모델일 수 있다. 프로세서(120)는 학습용 시계열 데이터를 복수의 서브 시계열 데이터로 분할하고, 학습용 시계열 데이터로부터 분할된 복수의 서브 시계열 데이터 중 적어도 하나의 서브 시계열 데이터에 포함된 변수 값들의 스케일을 조정한 결과 생성된 적어도 하나의 스케일링된 학습용 시계열 데이터를 이용하여 뉴럴 네트워크 기반 검출 모델을 학습시킬 수 있다.

도 7에 도시된 하나 이상의 과정에 따라 뉴럴 네트워크 기반 검출 모델을 이용하여 비정상 데이터를 검출할 경우, 시계열 데이터의 분포가 복수의 피크 값을 가지더라도 뉴럴 네트워크 기반 검출 모델의 성능을 보장할 수 있다. 일반적으로, 피크 값이 복수 개 존재하는 입력 데이터를 그대로 뉴럴 네트워크에 입력하여 정상 패턴 및 비정상 패턴을 구분하도록 학습하면, 학습 대상이 되는 정상 패턴을 표현하기 위한 파라미터의 수, 또는 학습 난이도가 증가되어 정상 패턴과 비정상 패턴을 구분해 내는 능력이 떨어지게 된다. 따라서 본 개시에 따른 비정상 데이터 탐지 방법은 프로세서(120)가 시계열 데이터를 복수의 서브 시계열 데이터로 분할한 뒤 분할된 각각의 서브 시계열 데이터에 대해 스케일링 함수를 각각 적용함에 따라, 뉴럴 네트워크 기반 검출 모델에 입력되기 위한 시계열 데이터를 효과적으로 전처리하는 방법을 개시한다.

도 8은 본 개시의 다른 일 실시예에 따라 컴퓨팅 장치가 비정상 데이터를 검출하는 방법에 관한 예시적인 흐름도이다. 프로세서(120)는 단계 S810에서, 제 1 시계열 데이터를 획득할 수 있다. 프로세서(120)는 단계 S820에서, 제 1 시계열 데이터와 상이한 제 2 시계열 데이터를 획득할 수 있다. 제 1 시계열 데이터와 제 2 시계열 데이터 각각에 대응되는 전체 시간의 길이는 동일할 수 있다. 제 1 시계열 데이터와 제 2 시계열 데이터는 동일한 시간 동안 서로 다른 센서로부터 획득된 시계열 데이터일 수 있다. 프로세서(120)는 단계 S830에서, 제 1 시계열 데이터를 복수의 서브 시계열 데이터로 분할할 수 있다. 분할 방법에 관하여는 자세히 상술한 바, 이하 생략한다. 프로세서(120)는 단계 S840에서 제 1 시계열 데이터에 대한 복수의 서브 시계열 데이터들 각각에 대응되는 복수의 시간 구간에 기초하여, 상기 제 2 시계열 데이터를 복수의 제 2 서브 시계열 데이터로 분할할 수 있다. 프로세서(120)는 제 1 시계열 데이터를 분할하기 위해 사용한 복수의 시간 구간 정보와 동일한 시간 구간 정보를 사용하여 제 2 시계열 데이터를 복수의 제 2 서브 시계열 데이터로 분할할 수 있다. 프로세서(120)는 단계 S850에서, 단계 S840의 결과로 산출된 복수의 제 2 서브 시계열 데이터 중 적어도 하나의 제 2 서브 시계열 데이터에 포함된 변수 값들의 스케일을 조정할 수 있다. 스케일 조정 방법에 관하여는 자세히 상술한 바, 이하 생략한다. 프로세서(120)는 단계 S860에서, 뉴럴 네트워크 기반 검출 모델에 스케일링(scaling)된 제 2 시계열 데이터를 입력하여 상기 제 2 시계열 데이터의 비정상 여부를 결정할 수 있다.

도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다. 본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims

데이터 검출 방법으로서,
제 1 시계열(time series) 데이터 및 제 2 시계열 데이터를 획득하는 단계;
상기 제 1 시계열 데이터를 복수의 제 1 서브 시계열 데이터로 분할하고, 상기 제 1 시계열 데이터에 대한 복수의 제 1 서브 시계열 데이터 각각에 대응 되는 복수의 시간 구간에 기초하여, 상기 제 2 시계열 데이터를 복수의 제 2 서브 시계열 데이터로 분할하는 단계;
상기 복수의 제 1 또는 제 2 서브 시계열 데이터 중 적어도 하나의 서브 시계열 데이터에 포함된 변수 값들의 스케일(scale)을 조정하는 단계; 및
뉴럴 네트워크 기반 검출 모델에 스케일링(scaling)된 제 1 또는 제 2 시계열 데이터를 입력하여 상기 제 1 또는 제 2 시계열 데이터의 비정상 여부를 결정하는 단계;
를 포함하는,
비정상 데이터 검출 방법.
제 1 항에 있어서,
상기 제 1 시계열 데이터는,
시간 순서에 따라 서로 다른 복수 개의 제품을 생산하는데 사용되는 적어도 하나의 센서(sensor)로부터 획득되는,
비정상 데이터 검출 방법.
제 1 항에 있어서,
상기 분할하는 단계는,
상기 제 1 또는 제 2 시계열 데이터에 포함된 시간 정보에 기초하여 수행되고, 상기 복수의 제 1 또는 제 2 서브 시계열 데이터 각각은 서로 상이한 복수의 시간 구간에 각각 대응되는,
비정상 데이터 검출 방법.
제 1 항에 있어서,
상기 분할하는 단계는,
설정 파라미터 정보에 기초하여, 상기 제 1 시계열 데이터를 복수의 제 1 서브 시계열 데이터로 분할하는 단계를 포함하되,
상기 제 1 시계열 데이터는,
컴퓨팅 장치에 설정 파라미터 정보가 입력된 결과로서 하나 이상의 센서로부터 획득되는,
비정상 데이터 검출 방법.
제 1 항에 있어서,
상기 분할하는 단계는,
제 1 시계열 데이터에 포함된 복수의 변수 값들에 관한 통계 정보를 나타내는 히스토그램 데이터에 기초하여 수행되는,
비정상 데이터 검출 방법.
제 5 항에 있어서,
상기 분할하는 단계는,
상기 히스토그램 데이터를 포함하는 사용자 인터페이스를 표시하는 단계;
분할을 위한 정보를 포함하는 사용자 입력을 수신하는 단계; 및
상기 수신된 사용자 입력에 기초하여, 상기 제 1 시계열 데이터를 복수의 제 1 서브 시계열 데이터로 분할하는 단계;
를 포함하는,
비정상 데이터 검출 방법.
제 5 항에 있어서,
상기 분할하는 단계는,
상기 히스토그램 데이터에 K-means 클러스터링 알고리즘을 적용함으로써 수행되는,
비정상 데이터 검출 방법.
제 1 항에 있어서,
상기 조정하는 단계는,
상기 복수의 제 1 또는 제 2 서브 시계열 데이터 중 적어도 하나의 서브 시계열 데이터에 대해 스케일링 함수를 적용함으로써 수행되는,
비정상 데이터 검출 방법.
제 1 항에 있어서,
상기 조정하는 단계는,
상기 복수의 제 1 또는 제 2 서브 시계열 데이터 중 둘 이상의 서로 다른 서브 시계열 데이터 각각에 대해 스케일링 함수를 적용함으로써 수행되는,
비정상 데이터 검출 방법.
제 8 항 또는 9 항에 있어서,
상기 스케일링 함수는,
표준(Standard) 스케일링 함수 또는 최소-최대(Min-Max) 스케일링 함수인,
비정상 데이터 검출 방법.
제 1 항에 있어서,
상기 조정하는 단계는,
사전 결정된 로버스트(robust) 평균에 기초하여 수행되는,
비정상 데이터 검출 방법.
제 11 항에 있어서,
상기 로버스트 평균은,
컴퓨팅 장치에 기 저장된 복수의 시계열 데이터에 기초하여 산출되는,
비정상 데이터 검출 방법.
제 1 항에 있어서,
상기 뉴럴 네트워크 기반 검출 모델은,
인코더(encoder) 모델 및 디코더(decoder) 모델을 포함하는 오토 인코더 뉴럴 네트워크 구조를 가지는,
비정상 데이터 검출 방법.
제 1 항에 있어서,
상기 뉴럴 네트워크 기반 검출 모델은,
적어도 하나의 학습용 시계열 데이터에 대하여,
상기 분할하는 단계; 및
상기 조정하는 단계;
를 수행한 결과 생성된 적어도 하나의 스케일링된 학습용 시계열 데이터에 기초하여 학습되는,
비정상 데이터 검출 방법.
제 1 항에 있어서,
상기 제 2 시계열 데이터는,
상기 제 1 시계열 데이터와 상이한 제 2 시계열 데이터를 포함하는,
비정상 데이터 검출 방법.
컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 비정상 데이터를 검출하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
제 1 시계열(time series) 데이터 및 제 2 시계열 데이터를 획득하는 동작;
상기 제 1 시계열 데이터를 복수의 제 1 서브 시계열 데이터로 분할하고, 상기 제 1 시계열 데이터에 대한 복수의 제 1 서브 시계열 데이터 각각에 대응 되는 복수의 시간 구간에 기초하여, 상기 제 2 시계열 데이터를 복수의 제 2 서브 시계열 데이터로 분할하는 동작;
상기 복수의 제 1 또는 제 2 서브 시계열 데이터 중 적어도 하나의 서브 시계열 데이터에 포함된 변수 값들의 스케일(scale)을 조정하는 동작; 및
뉴럴 네트워크 기반 검출 모델에 스케일링(scaling)된 제 1 또는 제 2 시계열 데이터를 입력하여 상기 제 1 또는 제 2 시계열 데이터의 비정상 여부를 결정하는 동작;
을 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
비정상 데이터 검출 장치로서,
하나 이상의 프로세서;
메모리; 및
네트워크부;
를 포함하며, 그리고
상기 하나 이상의 프로세서는,
제 1 시계열(time series) 데이터 및 제 2 시계열 데이터를 획득하고,
상기 제 1 시계열 데이터를 복수의 제 1 서브 시계열 데이터로 분할하고,
상기 제 1 시계열 데이터에 대한 복수의 제 1 서브 시계열 데이터 각각에 대응 되는 복수의 시간 구간에 기초하여, 상기 제 2 시계열 데이터를 복수의 제 2 서브 시계열 데이터로 분할하고,
상기 복수의 제 1 또는 제 2 서브 시계열 데이터 중 적어도 하나의 서브 시계열 데이터에 포함된 변수 값들의 스케일(scale)을 조정하고, 그리고
뉴럴 네트워크 기반 검출 모델에 스케일링(scaling)된 제 1 또는 제 2 시계열 데이터를 입력하여 상기 제 1 또는 제 2 시계열 데이터의 비정상 여부를 결정하는,
비정상 데이터 검출 장치.