KR102676136B1 - 시간의 흐름에 따라 독립적으로 학습된 다중 생성모델을 이용하여 이상을 탐지하는 방법 - Google Patents

시간의 흐름에 따라 독립적으로 학습된 다중 생성모델을 이용하여 이상을 탐지하는 방법 Download PDF

Info

Publication number
KR102676136B1
KR102676136B1 KR1020230089336A KR20230089336A KR102676136B1 KR 102676136 B1 KR102676136 B1 KR 102676136B1 KR 1020230089336 A KR1020230089336 A KR 1020230089336A KR 20230089336 A KR20230089336 A KR 20230089336A KR 102676136 B1 KR102676136 B1 KR 102676136B1
Authority
KR
South Korea
Prior art keywords
processor
data
learning
target data
anomaly detection
Prior art date
Application number
KR1020230089336A
Other languages
English (en)
Inventor
임정민
박진철
Original Assignee
렉스이노베이션 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 렉스이노베이션 주식회사 filed Critical 렉스이노베이션 주식회사
Priority to KR1020230089336A priority Critical patent/KR102676136B1/ko
Application granted granted Critical
Publication of KR102676136B1 publication Critical patent/KR102676136B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 과거에 사이클별로 독립 학습되었던 복수의 생성모델을 모두 이용하여 현재 데이터의 이상 여부를 탐지하는 방법에 관한 것이다. 본 발명의 일 실시예에 따른 다중 생성모델을 이용한 이상 탐지 방법은 제1 내지 제n 사이클에서 생성된 학습 데이터셋을 각각 수집하는 단계, 각 사이클별 학습 데이터셋을 이용하여 n개의 생성모델(generative model)을 학습시키는 단계, 상기 각 사이클별 학습 데이터셋에 대한 n개의 복원 오류 분포를 산출하는 단계, 타겟 데이터를 n개의 생성모델에 각각 입력하고, 상기 타겟 데이터에 대한 n개의 복원 오류를 각각 산출하는 단계 및 상기 학습 데이터셋에 대한 n개의 복원 오류 분포와 상기 타겟 데이터에 대한 n개의 복원 오류를 비교하여 타겟 데이터의 이상을 판별하는 단계를 포함하는 것을 특징으로 한다.

Description

시간의 흐름에 따라 독립적으로 학습된 다중 생성모델을 이용하여 이상을 탐지하는 방법{ANOMALY DETECTION METHOD USING MULTI-GENERATIVE MODEL INDEPENDENTLY TRAINED OVER TIME}
본 발명은 과거에 사이클별로 독립 학습되었던 복수의 생성모델을 모두 이용하여 현재 데이터의 이상 여부를 탐지하는 방법에 관한 것이다.
EMS(Energy Management System)는 스마트그리드/마이크로그리드의 제어 중추 역할을 담당하는 시스템으로, 정보통신기술(ICT)과 다양한 제어 방법론을 활용하여 산업용 빌딩, 공장, 주택, 사회 인프라 등의 에너지 최적화를 위해 활용되고 있다.
EMS의 주요 기능 중 하나는 그리드 내 위치한 전력 디바이스들의 상태를 모니터링하고 각 디바이스를 제어하는 감시제어 기능이며, 이를 위해서는 각 디바이스를 통해 수집되는 데이터의 이상 여부를 탐지해야 한다.
종래에는 이상 여부 탐지를 위해 엔지니어가 데이터 변화를 직접 확인해야 하는 한계가 있었으나, 최근에는 이상 여부 탐지의 자동화를 위해 다양한 알고리즘이 개발되고 있고, 특히 인공지능 모델의 활용도가 증가하고 있다.
그러나, 마이크로그리드 시스템의 경우 인공지능 모델의 학습을 위해 시계열적으로 데이터를 수집하더라도, 정상 데이터 대비 이상 데이터의 수가 매우 적으므로 데이터 불균형으로 인한 모델의 편향이 발생하는 문제가 있다.
이에 따라, 마이크로그리드 시스템에서 발생하는 데이터의 특성을 고려한 이상 탐지 알고리즘의 개발이 요구되고 있다.
본 발명은 과거에 사이클별로 독립 학습되었던 복수의 생성모델을 모두 이용하여 현재 데이터의 이상 여부를 탐지하는 것을 목적으로 한다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
전술한 목적을 달성하기 위한 본 발명의 일 실시예에 따른 다중 생성모델을 이용한 이상 탐지 방법은 제1 내지 제n 사이클에서 생성된 학습 데이터셋을 각각 수집하는 단계, 각 사이클별 학습 데이터셋을 이용하여 n개의 생성모델(generative model)을 학습시키는 단계, 상기 각 사이클별 학습 데이터셋에 대한 n개의 복원 오류 분포를 산출하는 단계, 타겟 데이터를 n개의 생성모델에 각각 입력하고, 상기 타겟 데이터에 대한 n개의 복원 오류를 각각 산출하는 단계 및 상기 학습 데이터셋에 대한 n개의 복원 오류 분포와 상기 타겟 데이터에 대한 n개의 복원 오류를 비교하여 타겟 데이터의 이상을 판별하는 단계를 포함하는 것을 특징으로 한다.
본 발명은 시간별로 달리 취득되는 각 학습 데이터셋으로 복수의 생성모델을 독립 학습시킴으로써 각 생성모델이 서로 다른 시점에서 학습한 고유의 지식(knowledge)을 갖도록 하고, 모든 생성모델을 이용하여 현재 데이터의 이상 여부를 탐지함으로써 시계열 데이터를 이용한 연속 학습(continual learning)에서 발생할 수 있는 인공지능 모델의 치명적 망각(catastrophic forgetting)을 근본적으로 해결할 수 있다.
상술한 효과와 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.
도 1은 본 발명의 일 실시예에 따른 이상 탐지 시스템을 도시한 도면.
도 2는 본 발명의 일 실시예에 따른 다중 생성모델을 이용한 이상 탐지 방법을 도시한 순서도.
도 3은 센서별로 수집되는 시계열 데이터를 도시한 도면.
도 4는 사이클별로 생성되는 학습 데이터의 집합을 각각 도시한 도면.
도 5는 생성모델의 학습 방법을 설명하기 위한 도면.
도 6은 복원 오류 분포를 산출하는 과정을 설명하기 위한 도면.
도 7은 복원 오류 분포를 이용한 이상 판별 동작을 설명하기 위한 도면.
도 8 내지 도 10은 각 예시에 따라 복원 오류 분포와 타겟 데이터의 복원 오류를 비교하여 타겟 데이터의 이상을 판별하는 동작을 설명하기 위한 도면.
도 11는 도 1에 도시된 이상 탐지 시스템의 동작을 연속되는 사이클에 따라 도시한 순서도.
전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 도면에서 동일한 참조부호는 동일 또는 유사한 구성요소를 가리키는 것으로 사용된다.
본 명세서에서 제1, 제2 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것으로, 특별히 반대되는 기재가 없는 한, 제1 구성요소는 제2 구성요소일 수도 있음은 물론이다.
또한, 본 명세서에서 "상부 (또는 하부)" 또는 구성요소의 "상 (또는 하)"에 임의의 구성이 배치된다는 것은, 임의의 구성이 상기 구성요소의 상면 (또는 하면)에 접하여 배치되는 것뿐만 아니라, 상기 구성요소와 상기 구성요소 상에 (또는 하에) 배치된 임의의 구성 사이에 다른 구성이 개재될 수 있음을 의미할 수 있다.
또한, 본 명세서에서 어떤 구성요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 상기 구성요소들은 서로 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성요소 사이에 다른 구성요소가 "개재"되거나, 각 구성요소가 다른 구성요소를 통해 "연결", "결합" 또는 "접속"될 수도 있는 것으로 이해되어야 할 것이다.
또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
또한, 본 명세서에서, "A 및/또는 B" 라고 할 때, 이는 특별한 반대되는 기재가 없는 한, A, B 또는 A 및 B를 의미하며, "C 내지 D" 라고 할 때, 이는 특별한 반대되는 기재가 없는 한, C 이상이고 D 이하인 것을 의미한다
본 발명은 과거에 사이클별로 독립 학습되었던 복수의 생성모델을 모두 이용하여 현재 데이터의 이상 여부를 탐지하는 방법에 관한 것이다. 이하, 도 1 내지 도 12를 참조하여, 본 발명의 일 실시예에 따른 다중 생성모델을 이용한 이상 탐지 방법을 구체적으로 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 이상 탐지 시스템을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 다중 생성모델을 이용한 이상 탐지 방법을 도시한 순서도이다.
도 3은 센서별로 수집되는 시계열 데이터를 도시한 도면이다.
도 4는 사이클별로 생성되는 학습 데이터의 집합을 각각 도시한 도면이고, 도 5는 생성모델의 학습 방법을 설명하기 위한 도면이다.
도 6은 복원 오류 분포를 산출하는 과정을 설명하기 위한 도면이고, 도 7은 복원 오류 분포를 이용한 이상 판별 동작을 설명하기 위한 도면이다.
도 8 내지 도 10은 각 예시에 따라 복원 오류 분포와 타겟 데이터의 복원 오류를 비교하여 타겟 데이터의 이상을 판별하는 동작을 설명하기 위한 도면이다.
도 11는 도 1에 도시된 이상 탐지 시스템의 동작을 연속되는 사이클에 따라 도시한 순서도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 이상 탐지 시스템(1)은 서버(20), 프로세서(10) 및 복수의 센서(30)를 포함할 수 있다. 다만, 도 1에 도시된 이상 탐지 시스템(1)은 일 실시예에 따른 것이고, 시스템(1)의 구성요소들이 도 1에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 일부 구성요소가 부가, 변경 또는 삭제될 수 있다.
이러한 이상 탐지 시스템(1)은 스마트그리드/마이크로그리드를 운영하기 위해 구축될 수 있고, 이 경우 서버(20)는 그리드 자체의 구조, 그리드에서 이동하는 전력의 흐름, 그리드 내 자원(전력 디바이스, 센서(30) 등)을 종합적으로 관제할 수 있다. 또한, 프로세서(10)는 EMS에 탑재되어 그리드 내 자원들을 제어하고 그리드 내에서 발생하는 데이터의 이상 여부를 판단할 수 있다. 마지막으로, 각 센서(30)는 그리드 내 다양한 자원들에 설치되어 해당 자원에서 발생하는 데이터를 측정 및 수집할 수 있다.
후술되는 다중 생성모델을 이용한 이상 탐지 방법은 도 1에 도시된 프로세서(10)에 의해 수행될 수 있으며, 이를 위해 프로세서(10)는 ASICs(application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 마이크로 컨트롤러(micro-controllers), 제어기(controller) 중 적어도 하나의 물리적인 요소를 포함할 수 있다.
도 2를 참조하면, 본 발명의 시간의 흐름에 따라 독립적으로 학습된 다중 생성모델을 이용하여 이상을 탐지하는 방법(이하, 다중 생성모델을 이용한 이상 탐지 방법)은 제1 내지 제n 사이클에서 생성된 학습 데이터셋을 수집하는 단계(S10), 각 사이클별 학습 데이터셋을 이용하여 n개의 생성모델을 학습시키는 단계(S20), 각 사이클별 학습 데이터셋에 대한 n개의 복원 오류 분포를 산출하는 단계(S30), 타겟 데이터를 n개의 생성모델에 각각 입력하여 n개의 복원 오류를 산출하는 단계(S40) 및 n개의 복원 오류 분포와 n개의 복원 오류를 비교하여 타겟 데이터의 이상을 판별하는 단계(S50)를 포함할 수 있다.
다만, 도 2에 도시된 다중 생성모델을 이용한 이상 탐지 방법은 일 실시예에 따른 것이고, 발명을 이루는 각 단계들이 도 2에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 일부 단계들이 부가, 변경 또는 삭제될 수 있다.
이하, 도 2에 도시된 각 단계들을 구체적으로 설명하도록 한다.
프로세서(10)는 제1 내지 제n 사이클에서 생성된 학습 데이터셋을 각각 수집할 수 있다(S10). 본 발명에서 n은 1이상의 자연수일 수 있다. 또한, 본 발명에서 사이클은 학습 데이터셋을 수집하는 시간 단위로, 예컨대 한달, 6개월, 1년 등으로 설정될 수 있다. 한편, 학습 데이터셋은 후술되는 생성모델의 학습에 이용되는 데이터로서 센서(30)로부터 수집될 수 있다.
도 3에는 한 사이클 내에서 생성된 학습 데이터가 예시적으로 도시되어 있다. 도 3을 참조하면, 학습 데이터는 연속적인 시계열 데이터로서 복수의 센서(S1 내지 S5)로부터 각각 수집될 수 있다. 이 때, 복수의 센서(S1 내지 S5)가 발전소에 설치된 IoT 센서(30)인 경우 프로세서(10)는 각 센서(S1 내지 S5)로부터 무선으로 학습 데이터셋을 수집할 수 있다.
전술한 예시와 같이, 복수의 센서(30)가 발전소에 구비된 경우 도 3에 도시된 것처럼 전체 데이터 중에서 매우 적은 양만이 비정상 데이터일 수 있다. 이에 따라, 엔지니어가 인공지능 모델 학습을 위해 데이터에 라벨링(labeling) 작업을 수행한다 하더라도, 정상 데이터 대비 이상 데이터의 수가 매우 적으므로 해당 데이터로 모델을 지도 학습(supervised learning)시키면, 데이터 불균형으로 인한 모델의 편향이 발생할 수밖에 없다.
본 발명은 이러한 한계를 극복하기 위한 것으로, 이하 프로세서(10)의 모델 학습 동작에 대해 구체적으로 설명하도록 한다.
프로세서(10)는 각 사이클별 학습 데이터셋을 이용하여 n개의 생성모델(generative model)을 학습시킬 수 있다(S20).
도 4를 참조하여 구체적으로 설명하면, 프로세서(10)는 1st 사이클에서 복수의 센서(30)로부터 수집된 다변량 학습 데이터셋을 1st 생성모델의 학습에만 이용할 수 있고, 2nd 사이클에서 복수의 센서(30)로부터 수집된 다변량 학습 데이터셋을 2nd 생성모델의 학습에만 이용할 수 있다. 이러한 방법으로 프로세서(10)는 nth 사이클에서 수집된 학습 데이터셋을 nth 생성모델의 학습에만 이용할 수 있다.
각 사이클에서 생성된 학습 데이터셋은 정상 데이터와 이상 데이터를 포함할 수 있다. 다만, 앞서 도 3을 참조하여 설명한 것과 같이, 센서(30)로부터 수집되는 전체 데이터 중 이상 데이터가 매우 적다는 것을 고려하여 본 발명의 프로세서(10)는 전체 데이터가 정상이라는 가정 하에 생성모델이 정상 데이터의 내재된 특징(또는 잠재 표현(latent representation))을 학습하도록 할 수 있다.
이하, 생성모델(100)의 학습 방법에 대해 구체적으로 설명하도록 한다.
도 5를 예로 들어 설명하면, 프로세서(10)는 nth 사이클에서 생성된 nth 학습 데이터셋, 예컨대 m개의 다변량 학습 데이터()를 nth 생성모델(100)에 입력할 수 있다.
생성모델(100)은 입력된 데이터의 특징에 기초하여 데이터를 복원하는 임의의 인공지능 모델로 구현될 수 있다. 구체적으로, 생성모델(100)은 학습 데이터셋으로부터 특징을 추출하는 인코더와, 추출된 특징으로부터 복원 데이터를 생성하는 디코더를 포함하는 구조를 가질 수 있으며, 예컨대 오토인코더(AutoEncoder) 또는 변분(Variational) 오토인코더로 구현될 수 있다.
구체적으로, 프로세서(10)는 nth 생성모델(100)에서 출력된 복원 데이터와 nth 학습 데이터셋 간의 차이가 최소가 되도록 생성모델(100)을 비지도 학습(supervised learning)시킬 수 있다. 이를 위해, 프로세서(10)는 |nth 학습 데이터셋 - 복원 데이터|에 비례하는 손실함수(loss function)를 설정할 수 있고, 손실함수가 최소가 되도록 nth 생성모델(100)을 학습시킬 수 있다. 즉, 도 4에 도시된 예에서 프로세서(10)는 벡터(또는, 행렬)와 벡터(또는, 행렬) 간의 차이가 최소가 되도록 nth 생성모델(100)을 학습시킬 수 있다.
이에 따라, 생성 모델은 대부분이 정상 데이터로 이루어진 각 사이클별 학습 데이터셋의 특징을 잘 추출하여 이를 복원하도록 학습될 수 있다.
n개의 생성모델(100)에 대한 학습이 완료되면, 프로세서(10)는 각 사이클별 학습 데이터셋에 대한 n개의 복원 오류 분포를 산출할 수 있다(S30). 여기서 복원 오류는 어느 한 학습 데이터셋을 생성모델(100)에 입력하였을 때 생성모델(100)에서 출력된 복원 데이터가 학습 데이터셋과 얼마나 차이가 나는지를 나타내는 파라미터일 수 있고, 복원 오류 분포는 다수의 학습 데이터에 대한 복원 오류의 분포를 의미할 수 있다.
도 5 및 도 6을 함께 참조하면, 프로세서(10)는 nth 학습 데이터셋을 학습이 완료된 nth 생성모델(100)에 입력할 수 있다. 구체적으로, 프로세서(10)는 nth 학습 데이터셋을 구성하는 개별 데이터()를 각각 nth 생성모델(100)에 입력할 수 있다.
이어서, 프로세서(10)는 nth 생성모델(100)에서 출력된 복원 데이터와 nth 학습 데이터셋 간의 차이에 기초하여 복원 오류를 결정할 수 있다. 구체적으로, 프로세서(10)는 에 기초하여 개별 데이터()에 대한 복원 오류를 각각 결정할 수 있다. 개별 데이터는 복원 오류에 따라 카운팅될 수 있고, 도 6에 도시된 것과 같이, 히스토그램(histogram)으로 표현될 수 있다.
이어서, 프로세서(10)는 앞서 결정된 복원 오류를 정규화(normalization)하여 복원 오류 분포를 산출할 수 있다. 구체적으로, 프로세서(10)는 각 복원 오류를 갖는 학습 데이터의 수에 기초하여 복원 오류를 정규화할 수 있고, 이를 위해 다양한 정규화 방법론이 이용될 수 있다. 예컨대 도 6에 도시된 것과 같이 프로세서(10)는 히스토그램 정규화 방식을 통해 복원 오류 분포를 산출할 수 있다.
이하, 프로세서(10)가 센서(30)로부터 수집되는 타겟 데이터의 이상을 탐지하는 방법에 대해 설명하도록 하며, 타겟 데이터는 생성모델(100)의 학습에 이용되지 않은 데이터를 의미할 수 있다.
프로세서(10)는 타겟 데이터를 n개의 생성모델(100)에 각각 입력하고, 타겟 데이터에 대한 n개의 복원 오류를 각각 산출할 수 있다(S40). 타겟 데이터에 대한 복원 오류를 산출하는 방법은 앞서 학습 데이터에 대한 복원 오류를 산출하는 방법과 동일할 수 있다.
구체적으로, 프로세서(10)는 1st, 2nd, …, nth 생성모델(100)에 타겟 데이터를 각각 입력할 수 있다. n개의 생성모델(100)은 각각 복원 데이터를 출력할 수 있고, 프로세서(10)는 각 복원 데이터와 타겟 데이터 간의 차이에 기초하여 각 생성모델(100)에 대한 복원 오류, 즉 n개의 복원 오류를 각각 산출할 수 있다.
이어서, 프로세서(10)는 앞선 단계(S30)에 의해 산출된 n개의 복원 오류 분포, 즉 각 생성모델(100)별 복원 오류 분포와, 타겟 데이터에 대한 n개의 복원 오류를 비교하여 타겟 데이터의 이상을 판별할 수 있다(S50).
구체적으로, 프로세서(10)는 특정 생성모델(100)이 타겟 데이터에 대한 복원 데이터를 생성하였을 때 발생한 복원 오류와, 해당 생성모델(100) 고유의 복원 오류 분포를 비교하여 타겟 데이터의 이상을 판별할 수 있다. 다시 말해, 앞서 각 생성모델(100)은 학습 데이터셋 전체가 정상임을 전제로 학습되었는데, 타겟 데이터에 대한 복원 오류가 고유의 복원 오류 분포의 극단치에 해당한다면 해당 타겟 데이터를 이상 데이터로 판별할 수 있다.
구체적으로 이상 판별을 위해, 프로세서(10)는 m(m은 n 이하)번째 복원 오류 분포에 대한 타겟 데이터의 m번째 복원 오류의 백분위를 산출할 수 있고, 이를 기준치와 비교하여 타겟 데이터의 이상을 판별할 수 있다. 여기서 m번째 복원 오류는 타겟 데이터에 대한 mth 생성모델(100)의 복원 오류를 의미할 수 있다.
먼저 기본적인 이상 판별 동작을 설명하기 위해 n=1로 가정하도록 한다.
1st 생성모델(100)은 도 7에 도시된 복원 오류 분포를 가질 수 있다. 프로세서(10)는 타겟 데이터를 1st 생성모델(100)에 입력할 수 있고, 1st 생성모델(100)에서 출력된 복원 데이터와 타겟 데이터의 차이에 기초하여, 타겟 데이터의 1st 복원 오류를 산출할 수 있다. 이어서, 프로세서(10)는 도 7에 도시된 복원 오류 분포 상에서 1st 복원 오류의 위치를 백분위로 산출할 수 있다.
한편, 프로세서(10)는 타겟 데이터의 이상을 판별하기 위한 기준치를 설정할 수 있고, 기준치는 사용자에 의해 조절될 수 있다. 예컨대, 도 7에 도시된 것과 같이 기준치는 50%로 설정될 수 있다. 프로세서(10)는 1st 복원 오류의 백분위와 50%를 비교하여 타겟 데이터의 이상을 판별할 수 있다.
구체적으로, 1st 복원 오류의 백분위가 50% 미만인 경우 프로세서(10)는 타겟 데이터를 정상으로 판별할 수 있고, 1st 복원 오류의 백분위가 50% 이상인 경우 프로세서(10)는 타겟 데이터를 이상으로 판별할 수 있다.
다음으로, n=2일 때의 이상 판별 동작에 대해 설명하도록 한다.
프로세서(10)는 첫번째 복원 오류 분포에 대한 타겟 데이터의 첫번째 복원 오류를 나타내는 제1 백분위와, 두번째 복원 오류 분포에 대한 타겟 데이터의 두번째 복원 오류를 나타내는 제2 백분위를 산출할 수 있다. 이어서, 프로세서(10)는 제1 및 제2 백분위 모두 기준치 이상이면 타겟 데이터를 이상으로 판별할 수 있다.
도 8을 참조하면, 프로세서(10)는 타겟 데이터를 1st 생성모델(100)에 입력함으로써 1st 복원 오류를 산출하고, 1st 생성모델(100)의 고유 복원 오류 분포 상에서 1st 복원 오류의 위치를 제1 백분위(P1)로서 산출할 수 있다. 마찬가지로 프로세서(10)는 타겟 데이터를 2nd 생성모델(100)에 입력함으로써 2nd 복원 오류를 산출하고, 2nd 생성모델(100)의 고유 복원 오류 분포 상에서 2nd 복원 오류의 위치를 제2 백분위(P2)로서 산출할 수 있다.
도 8에 도시된 것과 같이 제1 및 제2 백분위(P1, P2)는 모두 기준치(E) 이상일 수 있고, 이 경우 프로세서(10)는 타겟 데이터를 이상으로 판별할 수 있다. 한편, 제1 및 제2 백분위(P1, P2) 중 어느 하나라도 기준치(E) 미만인 경우 프로세서(10)는 타겟 데이터를 정상으로 판단할 수 있다.
다만, 어느 한 백분위가 기준치(E)에 약간 못미치는 반면에 다른 한 백분위가 기준치(E)보다 매우 큰 경우에는 타겟 데이터가 이상일 확률이 더 높고, 반대로 어느 한 백분위가 기준치(E)를 약간 초과하는 반면에 다른 한 백분위가 기준치(E)보다 매우 작은 경우에는 타겟 데이터가 정상일 확률이 더 높을 수 있다.
이를 고려하여, 프로세서(10)는 기준치(E)와 제1 백분위(P1) 간의 차이(|기준치 - 제1 백분위|)와, 기준치(E)와 제2 백분위(P2) 간의 차이(|기준치 - 제2 백분위|)를 비교하고, 더 큰 차이를 갖는 어느 한 백분위가 기준치(E) 미만이면 타겟 데이터를 정상으로, 기준치(E) 이상이면 타겟 데이터를 이상으로 판별할 수 있다.
다음으로, n이 3 이상일 때의 판별 동작에 대해 설명하도록 한다.
프로세서(10)는 m(m은 n 이하)번째 복원 오류 분포에 대한 타겟 데이터의 m번째 복원 오류를 나타내는 제1 내지 제n 백분위를 산출할 수 있다. 이어서, 프로세서(10)는 제1 내지 제n 백분위가 모두 제1 기준치 이상이고, 제1 내지 제n 백분위 중 적어도 하나가 제2 기준치 이상이면 타겟 데이터를 이상으로 판별할 수 있다.
다시 말해, 프로세서(10)는 제1 내지 제n 백분위가 타겟 데이터를 정상으로 판별할 정도로 낮지 않으면서(제1 기준치 이상), 어느 하나라도 타겟 데이터를 이상으로 판별할 정도로 높다면(제2 기준치 이상) 해당 타겟 데이터를 이상으로 판별할 수 있다.
도 9를 예로 들어 설명하면, 프로세서(10)는 전술한 것과 동일한 방법으로 제1 내지 제4 백분위(P1~P4)를 산출할 수 있다. 프로세서(10)는 제1 내지 제4 백분위(P1~P4)를 제1 기준치(E1)와 비교하여 모든 백분위(P1~P4)가 제1 기준치(E1) 이상으로 판단되면, 각 백분위(P1~P4)를 제1 기준치(E1)보다 더 큰 제2 기준치(E2)와 비교할 수 있다. 제1 내지 제4 백분위(P1~P4) 중 적어도 하나인, 제4 백분위(P4)가 제2 기준치(E2) 이상인 경우 프로세서(10)는 타겟 데이터를 이상으로 판별할 수 있다.
또한, 프로세서(10)는 제1 내지 제n 백분위 중 일 그룹이 제1 기준치 이상 제2 기준치 미만이고, 타 그룹이 제2 기준치 이상 제3 기준치 미만일 때, 일 그룹이 타 그룹보다 더 많은 백분위를 포함하면 타겟 데이터를 정상으로 판별하고, 타 그룹이 일 그룹보다 더 많은 백분위를 포함하면 타겟 데이터를 이상으로 판별할 수 있다.
다시 말해, 프로세서(10)는 제1 내지 제n 백분위가 타겟 데이터를 정상으로 판별할 정도로 낮거나(제1 기준치 미만) 타겟 데이터를 이상으로 판별할 정도로 높지 않은(제3 기준치 이상) 상황에서, 상대적으로 낮은 백분위의 수가 많은지 높은 백분위의 수가 많은지에 기초하여 타겟 데이터의 이상을 판별할 수 있다.
도 10을 예로 들어 설명하면, 프로세서(10)는 전술한 것과 동일한 방법으로 제1 내지 제n 백분위(P1~Pn)를 산출할 수 있다. 프로세서(10)는 모든 백분위(P1~Pn)가 제1 기준치(E1) 이상 제3 기준치(E3) 미만일 때, 백분위(P1~Pn)들을 제1 기준치(E1) 이상 제2 기준치(E2) 미만에 속하는 제1 그룹(G1)과, 제2 기준치(E2) 이상 제3 기준치(E3) 미만에 속하는 제2 그룹(G2)으로 분류할 수 있다.
이어서, 프로세서(10)는 제1 그룹(G1)에 속하는 백분위(P1~Pk)의 수(k)와 제2 그룹(G2)에 속하는 백분위(Pk+1~Pn)의 수(n-k)를 비교할 수 있고, 제2 그룹(G2)이 제1 그룹(G1)보다 더 많은 백분위를 포함하는 경우 타겟 데이터를 이상으로 판별할 수 있다. 반대로, 제1 그룹(G1)이 제2 그룹(G2)보다 더 많은 백분위를 포함하는 경우 프로세서(10)는 타겟 데이터를 정상으로 판별할 수 있다.
전술한 바와 같이, 본 발명은 시간별로 달리 취득되는 각 학습 데이터셋으로 복수의 생성모델을 독립 학습시킴으로써 각 생성모델이 서로 다른 시점에서 학습한 고유의 지식(knowledge)을 갖도록 하고, 모든 생성모델을 이용하여 현재 데이터의 이상 여부를 탐지함으로써 시계열 데이터를 이용한 연속 학습(continual learning)에서 발생할 수 있는 인공지능 모델의 치명적 망각(catastrophic forgetting)을 근본적으로 해결할 수 있다.
프로세서(10)는 앞선 방법에 따라 타겟 데이터의 이상을 판별할 수 있고, 이상으로 판별된 타겟 데이터를 서버(20)로 전송할 수 있다. 서버(20)는 해당 타겟 데이터에 대한 레이블을 결정할 수 있는데, 이에 대해서는 후술하도록 한다.
한편, 도 10에 도시된 예시에서는 타겟 데이터에 대한 백분위가 타겟 데이터를 정상 또는 이상으로 판별할 수 있을 정도로 낮거나 높지 않으므로(레이블링이 필요하므로), 이 때에 프로세서(10)는 이상 판별 여부에 관계없이 타겟 데이터를 서버(20)로 전송할 수 있다.
이하에서는 도 11을 참조하여 사이클 반복에 따른 이상 판별 시스템(1)의 동작에 대해 설명하도록 한다.
서버(20)는 초기 생성모델을 프로세서(10)에 배포할 수 있다(S210). 구체적으로, 서버(20)는 다른 도메인에서 학습된 생성모델을 전이 학습(transfer learning)을 통해 튜닝(tuning)하거나, 동일한 도메인에서 학습된 다른 태스크(task)의 생성모델(100)을 이상 탐지 태스크를 위한 연속 학습(continual learning)을 통해 튜닝할 수 있고, 튜닝된 생성모델(100)을 초기 모델로서 프로세서(10)에 배포할 수 있다.
이 때, 동일한 기능을 수행하는 프로세서(10)가 복수인 경우 서버(20)는 브로드캐스팅(broadcasting)을 통해 각 프로세서(10)로 초기 생성모델(100)을 배포할 수 있다. 한편, 프로세서(10)가 이미 생성모델(100)을 저장하고 있는 경우, 서버(20)는 생성모델(100)의 글로벌 파라미터(가중치(weight), 바이어스(bias))만을 배포할 수도 있다.
한편, 첫번째 사이클에서 복수의 센서(30)는 데이터를 수집하고, 수집된 데이터를 1st 학습 데이터로서 프로세서(10)에 송신할 수 있다(S320). 프로세서(10)는 1st 학습 데이터를 이용하여 초기 생성모델(100)을 학습시켜(S110), 1st 생성모델을 생성할 수 있다. 이어서, 프로세서(10)는 1st 학습 데이터에 대한 1st 생성모델의 복원 오류 분포를 산출할 수 있다(S120).
두번째 사이클에서도 복수의 센서(30)는 데이터를 수집하고, 수집된 데이터를 2nd 학습 데이터로서 프로세서(10)에 송신할 수 있다(S320). 프로세서(10)는 2nd 학습 데이터를 이용하여 초기 생성모델을 학습시켜(S130), 2nd 생성모델을 생성할 수 있다. 이어서, 프로세서(10)는 2nd 학습 데이터에 대한 2nd 생성모델의 복원 오류 분포를 산출할 수 있다(S140)
이러한 과정은 n번째 사이클까지 계속될 수 있다. 최종적으로 프로세서(10)는 nth 생성모델을 생성하고(S150), nth 복원 오류 분포를 산출할 수 있다(S160).
전술한 n개의 생성모델 학습 및 n개의 복원 오류 분포 산출 동작이 완료되면, 프로세서(10)는 이상 탐지 동작을 수행할 수 있다.
구체적으로, 복수의 센서(30)는 프로세서(10)에 이상 탐지의 대상이 되는 타겟 데이터를 송신할 수 있다(S350). 프로세서(10)는 타겟 데이터를 n개의 생성모델에 각각 입력하여 n개의 복원 오류를 산출할 수 있고(S170), 산출된 n개의 복원 오류와 앞서 산출된 n개의 복원 오류 분포를 비교하여 타겟 데이터의 이상을 판별할 수 있다(S180).
이상 판별 동작이 완료되거나 해당 동작이 수행 중일 때, 프로세서(10)는 이상으로 판별된 타겟 데이터를 서버(20)로 송신할 수 있다(S190). 서버(20)는 이상 데이터를 라벨링할 수 있다(S220). 구체적으로, 관제자(또는 엔지니어)는 프로세서(10)로부터 수신된 이상 데이터가 실제로 이상 데이터인지 판단하여 서버(20)에 라벨링에 대한 사용자 명령을 입력할 수 있고, 서버(20)는 사용자 명령에 따라 이상 데이터를 라벨링할 수 있다.
만약, 프로세서(10)에서 이상으로 판별된 타겟 데이터가 실제로 이상 데이터인 경우 서버(20)는 해당 데이터에 '이상'을 나타내는 라벨링을 수행하고, 타겟 데이터가 실제로는 정상 데이터인 경우 서버(20)는 해당 데이터에 '정상'을 나타내는 라벨링을 수행할 수 있다.
이상 판별 동작이 완료되면 프로세서(10)는 제1 내지 제n 사이클별 학습 데이터셋을 취합하여 서버(20)로 송신할 수 있다(S200). 서버(20)는 앞서 '정상'으로 라벨링된 타겟 데이터와 프로세서(10)로부터 수신된 전체 학습 데이터를 모두 이용하여 생성모델(100)을 재학습시킴으로써 생성모델(100)을 갱신할 수 있다(S230). 갱신이 완료되면 서버(20)는 갱신 생성모델(100)을 프로세서(10)에 배포할 수 있고(S240), 다시 도 11에 도시된 사이클이 반복될 수 있다.
한편, 도 11에서는 이상 탐지 시스템(1)의 시계열적인 동작을 설명하기 위해 프로세서(10)가 nth 사이클 이후에 데이터의 이상 판별 동작을 수행하는 것으로 도시하였으나, 이상 판별 동작은 nth 사이클 이전에도 수행될 수 있음은 당연하다.
구체적으로, 1st 사이클이 지난 뒤 프로세서(10)는 2nd 학습 데이터를 수집하면서 도 7을 참조하여 설명한, 즉 n=1일 때의 이상 판별 동작을 수행할 수 있고, 2nd 사이클이 지난 뒤 프로세서(10)는 3rd 학습 데이터를 수집하면서 도 8을 참조하여 설명한, 즉 n=2일 때의 이상 판별 동작을 수행할 수 있으며, kth(k는 3 이상) 사이클이 지난 뒤 프로세서(10)는 k+1th 학습 데이터를 수집하면서 도 9 및 도 10을 참조하여 설명한, 즉 n이 3 이상일 때의 이상 판별 동작을 수행할 수 있다.
즉, 각 사이클이 끝난 뒤에 수행되는 프로세서(10)의 이상 판별 동작은, 다음 사이클의 학습 데이터 수집 동작과 동시에 이루어질 수 있는 것으로 이해되어야 한다.
이상과 같이 본 발명에 대해서 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시 예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상의 범위 내에서 통상의 기술자에 의해 다양한 변형이 이루어질 수 있음은 자명하다. 아울러 앞서 본 발명의 실시 예를 설명하면서 본 발명의 구성에 따른 작용 효과를 명시적으로 기재하여 설명하지 않았을 지라도, 해당 구성에 의해 예측 가능한 효과 또한 인정되어야 함은 당연하다.

Claims (14)

  1. 프로세서가 제1 내지 제n 사이클에서 생성된 학습 데이터셋을 각각 수집하는 단계;
    상기 프로세서가 각 사이클별 학습 데이터셋을 이용하여 n개의 생성모델(generative model)을 학습시키는 단계;
    상기 프로세서가 상기 각 사이클별 학습 데이터셋에 대한 n개의 복원 오류 분포를 산출하는 단계;
    상기 프로세서가 타겟 데이터를 n개의 생성모델에 각각 입력하고, 상기 타겟 데이터에 대한 n개의 복원 오류를 각각 산출하는 단계; 및
    상기 프로세서가 m번째 복원 오류 분포에 대한 상기 타겟 데이터의 m번째 복원 오류를 나타내는 제1 내지 제n 백분위를 산출하는 단계; 및
    상기 프로세서가 상기 제1 내지 제n 백분위가 모두 제1 기준치 이상이고, 상기 제1 내지 제n 백분위 중 적어도 하나가 제2 기준치 이상이면 상기 타겟 데이터를 이상으로 판별하는 단계를 포함하되,
    상기 n은 3 이상이고, 상기 m은 상기 n 이하인
    다중 생성모델을 이용한 이상 탐지 방법.
  2. 프로세서가 제1 내지 제n 사이클에서 생성된 학습 데이터셋을 각각 수집하는 단계;
    상기 프로세서가 각 사이클별 학습 데이터셋을 이용하여 n개의 생성모델(generative model)을 학습시키는 단계;
    상기 프로세서가 상기 각 사이클별 학습 데이터셋에 대한 n개의 복원 오류 분포를 산출하는 단계;
    상기 프로세서가 타겟 데이터를 n개의 생성모델에 각각 입력하고, 상기 타겟 데이터에 대한 n개의 복원 오류를 각각 산출하는 단계;
    상기 프로세서가 m번째 복원 오류 분포에 대한 상기 타겟 데이터의 m번째 복원 오류를 나타내는 제1 내지 제n 백분위를 산출하는 단계; 및
    상기 프로세서가 상기 제1 내지 제n 백분위 중 일 그룹이 제1 기준치 이상 제2 기준치 미만이고, 타 그룹이 상기 제2 기준치 이상 제3 기준치 미만일 때, 상기 일 그룹이 타 그룹보다 더 많은 백분위를 포함하면 상기 타겟 데이터를 정상으로 판별하고, 상기 타 그룹이 상기 일 그룹보다 더 많은 백분위를 포함하면 상기 타겟 데이터를 이상으로 판별하는 단계를 포함하되,
    상기 n은 3 이상이고, 상기 m은 상기 n 이하인
    다중 생성모델을 이용한 이상 탐지 방법.
  3. 제1항 또는 제2항에 있어서,
    상기 학습 데이터셋을 수집하는 단계는
    상기 각 사이클 내 연속적인 시계열 데이터를 복수의 센서로부터 수집하는 단계를 포함하는
    다중 생성모델을 이용한 이상 탐지 방법.
  4. 제1항 또는 제2항에 있어서,
    상기 학습 데이터셋을 수집하는 단계는
    발전소에 설치된 IoT 센서로부터 무선으로 학습 데이터셋을 수집하는 단계를 포함하는
    다중 생성모델을 이용한 이상 탐지 방법.
  5. 제1항 또는 제2항에 있어서,
    상기 생성모델을 학습시키는 단계는
    m번째 학습 데이터셋을 m번째 생성모델에 입력하고, 상기 m번째 생성모델에서 출력된 복원 데이터와 상기 m번째 학습 데이터셋 간의 차이가 최소가 되도록 상기 생성모델을 비지도 학습(unsupervised learning)시키는 단계를 포함하는
    다중 생성모델을 이용한 이상 탐지 방법.
  6. 제1항 또는 제2항에 있어서,
    상기 생성모델은 상기 학습 데이터셋으로부터 특징을 추출하는 인코더와 상기 추출된 특징으로부터 복원 데이터를 생성하는 디코더를 포함하는
    다중 생성모델을 이용한 이상 탐지 방법.
  7. 제1항 또는 제2항에 있어서,
    상기 생성모델은 오토인코더(AutoEncoder) 또는 변분(Variational) 오토인코더인
    다중 생성모델을 이용한 이상 탐지 방법.
  8. 제1항 또는 제2항에 있어서,
    상기 복원 오류 분포를 산출하는 단계는
    m번째 학습 데이터셋을 학습이 완료된 m번째 생성모델에 입력하는 단계와,
    상기 m번째 생성모델에서 출력된 복원 데이터와 상기 m번째 학습 데이터셋 간의 차이에 기초하여 복원 오류를 결정하는 단계와,
    상기 결정된 복원 오류를 정규화(normalization)하여 상기 복원 오류 분포를 산출하는 단계를 포함하는
    다중 생성모델을 이용한 이상 탐지 방법.
  9. 제1항 또는 제2항에 있어서,
    상기 복원 오류를 산출하는 단계는
    상기 n개의 생성모델에서 출력된 각각의 복원 데이터와 상기 타겟 데이터 간의 차이에 기초하여 상기 n개의 복원 오류를 각각 산출하는 단계를 포함하는
    다중 생성모델을 이용한 이상 탐지 방법.
  10. 제1항 또는 제2항에 있어서,
    상기 프로세서가 이상으로 판별된 타겟 데이터를 서버로 송신하는 단계를 더 포함하는
    다중 생성모델을 이용한 이상 탐지 방법.
  11. 제1항 또는 제2항에 있어서,
    상기 프로세서가 제1 내지 제n 사이클별 학습 데이터셋을 취합하는 단계;
    상기 프로세서가 상기 취합된 데이터를 서버로 송신하는 단계; 및
    상기 프로세서가 상기 서버에 의해 학습된 갱신 생성모델을 수신하는 단계를 더 포함하는
    다중 생성모델을 이용한 이상 탐지 방법.
  12. 삭제
  13. 삭제
  14. 삭제
KR1020230089336A 2023-07-10 2023-07-10 시간의 흐름에 따라 독립적으로 학습된 다중 생성모델을 이용하여 이상을 탐지하는 방법 KR102676136B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230089336A KR102676136B1 (ko) 2023-07-10 2023-07-10 시간의 흐름에 따라 독립적으로 학습된 다중 생성모델을 이용하여 이상을 탐지하는 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230089336A KR102676136B1 (ko) 2023-07-10 2023-07-10 시간의 흐름에 따라 독립적으로 학습된 다중 생성모델을 이용하여 이상을 탐지하는 방법

Publications (1)

Publication Number Publication Date
KR102676136B1 true KR102676136B1 (ko) 2024-06-19

Family

ID=91712565

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230089336A KR102676136B1 (ko) 2023-07-10 2023-07-10 시간의 흐름에 따라 독립적으로 학습된 다중 생성모델을 이용하여 이상을 탐지하는 방법

Country Status (1)

Country Link
KR (1) KR102676136B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210005929A (ko) * 2018-05-30 2021-01-15 요코가와 덴키 가부시키가이샤 이상 검출 장치, 이상 검출 방법, 이상 검출 프로그램 및 기록 매체
KR20230055681A (ko) * 2021-10-19 2023-04-26 한국원자력연구원 불확실성을 고려한 딥러닝 기반 이상 탐지 장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210005929A (ko) * 2018-05-30 2021-01-15 요코가와 덴키 가부시키가이샤 이상 검출 장치, 이상 검출 방법, 이상 검출 프로그램 및 기록 매체
KR20230055681A (ko) * 2021-10-19 2023-04-26 한국원자력연구원 불확실성을 고려한 딥러닝 기반 이상 탐지 장치 및 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A. Borghesi 등. "Anomaly Detection Using Autoencoders in HighPerformance Computing Systems". IAAI'19: Proceedings of the Thirty-First Innovative Applications of Artificial Intelligence Conference* *
F. Scicchitano 등. "Deep Autoencoder Ensembles for AnomalyDetection on Blockchain". ISMIS 2020: Foundations of Intelligent Systems* *

Similar Documents

Publication Publication Date Title
US11499734B2 (en) Cloud and edge integrated energy optimizer
JP7069269B2 (ja) デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム
Zhang et al. Adaptive fault diagnosis and fault-tolerant control of MIMO nonlinear uncertain systems
US20060047512A1 (en) System, device, and methods for updating system-monitoring models
EP3364157A1 (en) Method and system of outlier detection in energy metering data
AU2018251134B2 (en) Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid
CN115392077B (zh) 基于深度学习的卫星物理场级数字孪生模型构建方法
CN110555477A (zh) 一种市政设施故障预测方法及装置
KR20200047772A (ko) 장애 검출 분류
JP7481537B2 (ja) 情報処理システム、情報処理方法及び情報処理装置
Taşabat et al. Industry 4.0 application on diagnosis prediction of construction machinery: A new model approach
KR101960755B1 (ko) 미취득 전력 데이터 생성 방법 및 장치
Jiang et al. A timeseries supervised learning framework for fault prediction in chiller systems
CN112595537B (zh) 基于信号分析的设备健康状态监控方法、系统及存储介质
KR102676136B1 (ko) 시간의 흐름에 따라 독립적으로 학습된 다중 생성모델을 이용하여 이상을 탐지하는 방법
JP6967099B2 (ja) 学習モデル作成システム及び学習モデル作成方法
CN110347538B (zh) 一种存储设备故障预测方法和系统
Tangrand Some new contributions to neural networks and wavelets with applications
CN108134680B (zh) 一种基于贝叶斯网络的系统测量节点优化配置方法
Ganchenko et al. Neural network software diagnosis system of telemetry data
WO2023155967A1 (en) Thermal anomaly management
Fatima et al. Sensors Faults Classification and Faulty Signals Reconstruction Using Deep Learning
CN115081673B (zh) 一种油气管道的异常预测方法、装置、电子设备及介质
Algikar et al. Robust Hyperparameter Estimation in Gaussian Process Regression Model
KR20240097638A (ko) 태양광 발전 시스템의 고장 검출 장치 및 고장 검출 방법

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant