WO2022265292A1 - 비정상 데이터 검출 방법 및 장치 - Google Patents

비정상 데이터 검출 방법 및 장치 Download PDF

Info

Publication number
WO2022265292A1
WO2022265292A1 PCT/KR2022/008111 KR2022008111W WO2022265292A1 WO 2022265292 A1 WO2022265292 A1 WO 2022265292A1 KR 2022008111 W KR2022008111 W KR 2022008111W WO 2022265292 A1 WO2022265292 A1 WO 2022265292A1
Authority
WO
WIPO (PCT)
Prior art keywords
series data
time
data
time series
sub
Prior art date
Application number
PCT/KR2022/008111
Other languages
English (en)
French (fr)
Inventor
심상우
신종선
모경현
정영재
전종섭
Original Assignee
주식회사 마키나락스
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 주식회사 마키나락스 filed Critical 주식회사 마키나락스
Priority to US18/020,112 priority Critical patent/US11803177B1/en
Publication of WO2022265292A1 publication Critical patent/WO2022265292A1/ko

Links

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
    • G05B23/0218—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
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural 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
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
    • 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
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Definitions

  • the present invention relates to a method for detecting abnormal data, and more particularly, to a method for detecting abnormal data using an artificial neural network.
  • the present invention relates to a method for detecting abnormalities in time-series data generated in a manufacturing process.
  • Time-series data generated in the manufacturing process has a measured time and a value obtained from a sensor. However, if the time series data has various peak values for reasons such as being acquired in the process of producing multiple products, even if the artificial neural network model is trained to detect abnormal patterns in the time series data, the actual data input to the model is preprocessed. Depending on the method, the learning result of the artificial neural network model may succeed or fail.
  • Korean registered patent KR10-1883277 discloses "a method and apparatus for detecting anomalies in a DTWEP-based manufacturing process".
  • the present disclosure has been made in response to the aforementioned background art, and aims to provide a method for detecting abnormal data using a neural network.
  • a method for detecting abnormal data performed by a computing device including at least one processor includes: acquiring first time series data; Dividing the first time series data into a plurality of sub time series data; adjusting a scale of variable values included in at least one sub-time-series data among the plurality of sub-time-series data; and determining whether the first time-series data is abnormal by inputting the scaled first time-series data to a neural network-based detection model.
  • the first time series data may be obtained from at least one sensor used to produce a plurality of different products in chronological order.
  • the dividing may be performed based on time information included in the first time series data, and each of the plurality of sub time series data may correspond to a plurality of different time intervals.
  • the dividing step includes dividing the first time series data into a plurality of sub time series data based on setting parameter information, wherein the first time series data is set in the computing device.
  • Parameter information may be obtained from one or more sensors as a result of being input.
  • the dividing may be performed based on histogram data representing statistical information about a plurality of variable values included in the first time series data.
  • the segmenting may include displaying a user interface including the histogram data; Receiving a user input including information for segmentation; and dividing the first time series data into a plurality of sub time series data based on the received user input.
  • the segmenting may be performed by applying a K-means clustering algorithm to the histogram data.
  • the adjusting may be performed by applying a scaling function to at least one sub-time-series data among the plurality of sub-time-series data.
  • the adjusting may be performed by applying a scaling function to each of two or more different sub-time-series data among the plurality of sub-time-series data.
  • the scaling function may be a Standard scaling function or a Min-Max scaling function.
  • the adjusting step may be performed based on a predetermined robust average.
  • the robust average may be calculated based on a plurality of time series data pre-stored in the computing device.
  • the neural network-based detection model may have an auto-encoder neural network structure including an encoder model and a decoder model.
  • the neural network-based detection model may include: dividing at least one time-series data for training; And learning may be performed based on at least one scaled training time-series data generated as a result of performing the adjusting step.
  • obtaining second time series data different from the first time series data dividing the second time-series data into a plurality of second sub-time-series data based on a plurality of time intervals corresponding to each of a plurality of sub-time-series data of the first time-series data; adjusting scales of variable values included in at least one second sub-time-series data among the plurality of second sub-time-series data; and determining whether the second time series data is abnormal by inputting the scaled second time series data to a neural network-based detection model.
  • a computer program stored in a computer readable storage medium is disclosed according to an embodiment of the present disclosure for realizing the above object.
  • the following operations for detecting abnormal data are performed, and the operations include: obtaining first time series data; dividing the first time series data into a plurality of sub time series data; adjusting a scale of variable values included in at least one sub-time-series data among the plurality of sub-time-series data; and determining whether the first time-series data is abnormal by inputting the scaled first time-series data to a neural network-based detection model.
  • the device may include one or more processors; Memory; And a network unit, and the one or more processors obtain first time series data, divide the first time series data into a plurality of sub time series data, and at least one of the plurality of sub time series data It is possible to determine whether the first time series data is abnormal by adjusting the scale of variable values included in the sub time series data and inputting the scaled first time series data to a neural network-based detection model.
  • the present disclosure may provide a method of detecting abnormal data using an artificial neural network.
  • FIG. 1 is a block diagram of a computing device for detecting abnormal data according to an embodiment of the present disclosure.
  • FIG. 2 is a schematic diagram illustrating a network function according to an embodiment of the present disclosure.
  • FIG. 3 is an exemplary diagram illustrating first time-series data in a graph form according to an embodiment of the present disclosure.
  • FIG. 4 is an exemplary diagram illustrating histogram data representing statistical information about a plurality of variable values included in first time series data according to an embodiment of the present disclosure in a graph form.
  • FIG. 5 is an exemplary diagram illustrating time-series data divided into a plurality of sections in a graph form.
  • FIG. 6 is an exemplary diagram illustrating scaled time-series data in a graph form.
  • FIG. 7 is an exemplary flowchart of a method of detecting abnormal data by a computing device according to an embodiment of the present disclosure.
  • FIG. 8 is an exemplary flowchart of a method of detecting abnormal data by a computing device according to another embodiment of the present disclosure.
  • FIG. 9 is a simplified and general schematic diagram of an exemplary computing environment in which embodiments of the present disclosure may be implemented.
  • a component may be, but is not limited to, a procedure, processor, object, thread of execution, program, and/or computer running on a processor.
  • an application running on a computing device and a computing device may be components.
  • One or more components may reside within a processor and/or thread of execution.
  • a component can be localized within a single computer.
  • a component may be distributed between two or more computers. Also, these components can execute from various computer readable media having various data structures stored thereon.
  • Components may be connected, for example, via signals with one or more packets of data (e.g., data and/or signals from one component interacting with another component in a local system, distributed system) to other systems and over a network such as the Internet. data being transmitted) may communicate via local and/or remote processes.
  • packets of data e.g., data and/or signals from one component interacting with another component in a local system, distributed system
  • a network such as the Internet. data being transmitted
  • the term “or” is intended to mean an inclusive “or” rather than an exclusive “or”. That is, unless otherwise specified or clear from the context, “X employs A or B” is intended to mean one of the natural inclusive substitutions. That is, X uses A; X uses B; Or, if X uses both A and B, "X uses either A or B" may apply to either of these cases. Also, the term “and/or” as used herein should be understood to refer to and include all possible combinations of one or more of the listed related items.
  • FIG. 1 is a block diagram of a computing device for detecting abnormal data according to an embodiment of the present disclosure.
  • the configuration of the computing device 100 shown in FIG. 1 is only a simplified example.
  • the computing device 100 may include other components for performing a computing environment of the computing device 100, and only some of the disclosed components may constitute the computing device 100.
  • the computing device 100 may include a processor 120 , a memory 130 , a network unit 110 , an input unit 150 and an output unit 140 .
  • the processor 120 may include one or more cores, and includes a central processing unit (CPU), a general purpose graphics processing unit (GPGPU), and a tensor processing unit (TPU) of the computing device. unit), data analysis, and processors for deep learning.
  • the processor 120 may read a computer program stored in the memory 130 and perform an operation for detecting abnormal data according to an embodiment of the present disclosure. An operation of detecting abnormal data by the processor 120 interacting with at least one of the memory 130, the network unit 110, the input unit 150, and the output unit 140 to detect abnormal data will be described in detail below.
  • the processor 120 may perform an operation for learning a neural network.
  • the processor 120 is used for neural network learning, such as processing input data for learning in deep learning (DL), extracting features from input data, calculating errors, and updating neural network weights using backpropagation. calculations can be performed.
  • At least one of the CPU, GPGPU, and TPU of the processor 120 may process learning of the network function.
  • the CPU and GPGPU can process learning of network functions and data classification using network functions.
  • the learning of a network function and data classification using a network function may be processed by using processors of a plurality of computing devices together.
  • a computer program executed in a computing device may be a CPU, GPGPU or TPU executable program.
  • the memory 130 may store any type of information generated or determined by the processor 120 and any type of information received by the network unit 110 .
  • the memory 130 is a flash memory type, a hard disk type, a multimedia card micro type, or a card type memory (eg, SD or XD memory, etc.), RAM (Random Access Memory, RAM), SRAM (Static Random Access Memory), ROM (Read-Only Memory, ROM), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory) -Only Memory), a magnetic memory, a magnetic disk, and an optical disk may include at least one type of storage medium.
  • the computing device 100 may operate in relation to a web storage that performs a storage function of the memory 130 on the Internet.
  • the above description of the memory is only an example, and the present disclosure is not limited thereto.
  • the network unit 110 may use various communication systems regardless of their communication modes, such as wired and wireless.
  • the output unit 140 may display a user interface (UI) including histogram data.
  • the output unit 140 may display a user interface as shown in FIG. 4 .
  • the user interface shown in FIG. 4 is only an example, and the present disclosure is not limited thereto.
  • the output unit 140 may output any type of information generated or determined by the processor 120 and any type of information received by the network unit 110 .
  • the output unit 140 includes a liquid crystal display (LCD), a thin film transistor-liquid crystal display (TFT LCD), an organic light-emitting diode, It may include at least one of an OLED, a flexible display, and a 3D display.
  • LCD liquid crystal display
  • TFT LCD thin film transistor-liquid crystal display
  • OLED organic light-emitting diode
  • Some of these display modules may be of a transparent type or a light transmissive type so that the outside can be seen through them. This may be referred to as a transparent display module, and a representative example of the transparent display module is TOLED (Transparent OLED) and the like.
  • a user input may be received through the input unit 150 .
  • the input unit 150 may include keys and/or buttons on a user interface or physical keys and/or buttons for receiving user input.
  • a method of detecting abnormal data according to some embodiments of the present disclosure performed by the computing device 100 according to a user input through the input unit 150 may be executed.
  • a user may input setting parameter information through the input unit 150 .
  • the computing device 100 may divide time series data into a plurality of sub time series data based on setting parameter information input through the input unit 150 .
  • a user may input a user input including information for division through the input unit 150 .
  • the computing device 100 may divide the time series data into a plurality of sub time series data based on a user input including information for division acquired through the input unit 150 .
  • the input unit 150 may receive a signal by detecting a user's button manipulation or touch input, or may receive a user's voice or motion through a camera or microphone and convert it into an input signal.
  • speech recognition technology or motion recognition technology may be used.
  • the input unit 150 may be implemented as an external input device connected to the computing device 100 .
  • the input device may be at least one of a touch pad, a touch pen, a keyboard, or a mouse for receiving a user input, but this is only an example and the present disclosure is not limited thereto.
  • the input unit 150 may recognize a user touch input.
  • the input unit 150 may have the same configuration as the output unit 140 .
  • the input unit 150 may be configured as a touch screen implemented to receive a user's selection input.
  • the touch screen may use any one of a contact capacitive method, an infrared light sensing method, a surface ultrasonic (SAW) method, a piezoelectric method, and a resistive film method.
  • SAW surface ultrasonic
  • the input unit 150 configured as a touch screen may include a touch sensor.
  • the touch sensor may be configured to convert a pressure applied to a specific area of the input unit 150 or a change in capacitance generated at a specific area of the input unit 150 into an electrical input signal.
  • the touch sensor may be configured to recognize not only a touched position and area, but also a touch pressure.
  • the corresponding signal(s) are sent to the touch controller.
  • the touch controller processes the signal(s) and then sends corresponding data to processor 120. Accordingly, the processor 120 can recognize which region of the input unit 150 has been touched.
  • the processor 120 may obtain first time series data.
  • the processor 120 may obtain first time series data by receiving time series data stored in the memory 130 .
  • the processor 120 may receive first time-series data by receiving time-series data from an external server through the network unit 110 .
  • the processor 120 may obtain the first time-series data through the input unit 150 included in the computing device 100 .
  • time-series data means data having a temporal order, such as sensor data and observation data.
  • Such time-series data may include a plurality of variable values measured at regular time intervals based on a specific sensor. When there are a plurality of sensors for generating time series data, a plurality of time series data corresponding to each variable value measured by the plurality of sensors may be generated.
  • Time series data may be a set composed of a plurality of data elements.
  • a data element may be matched with information about a time at which data is acquired.
  • a plurality of data elements included in one time series data may be distinguished from each other according to the time at which each data element is obtained.
  • the data element may refer to data for each time point included in the time series data.
  • first and second are used to distinguish one component from another component and maintain consistency throughout the specification, and the scope of rights is limited by these terms. It shouldn't be.
  • first time series data may be referred to as second time series data, and similarly, the second time series data may also be referred to as first time series data.
  • first time series data when there is no need to distinguish two or more time series data from each other and the indication target is clear as one time series data, the first time series data may be named “time series data” for convenience.
  • Time-series data according to the present disclosure may be obtained from at least one sensor used to produce a plurality of different products in chronological order.
  • a sensor used to produce a plurality of different products may include a temperature sensor.
  • temperatures and/or temperature variations required in the process of making object A, object B, and object C may be different from each other.
  • object A, object B, and object C can be produced using one temperature sensor.
  • a flow sensor may be included in a sensor used to produce a plurality of different products.
  • the amount of catalyst or compound to be injected may be different.
  • one flow sensor is used but the flow rate is controlled in various ways to sequentially pass object A and object A in time order.
  • B can produce object C.
  • a process system for producing a product may include a process for producing the product as well as a process for inspecting the product to determine whether or not the product is defective.
  • the description of the types of sensors described above is only one embodiment of sensors used to produce a plurality of different products, and the present disclosure includes sensors used to produce various products over time without limitation.
  • the processor 120 may divide the first time series data into a plurality of sub time series data.
  • Sub time series data is a sub-concept of time series data, and one or more sub time series data may be gathered to form time series data.
  • the processor 120 may divide the first time series data into a plurality of sub time series data based on time information included in the first time series data.
  • a plurality of sub-time series data may respectively correspond to a plurality of different time intervals.
  • a time interval corresponding to the sub time series data according to the present disclosure may be one continuous time interval.
  • the time interval corresponding to the arbitrary 'A' sub-time series data may be one continuous time interval such as [t_a, t_b] (where t_b > t_a).
  • a time interval corresponding to the sub time series data according to the present disclosure may be a plurality of discontinuous time intervals.
  • the time interval corresponding to the arbitrary 'B' sub-time series data may be a plurality of discontinuous time intervals such as [t_c, t_d] and [t_e, t_f] (t_f > t_e > t_d > t_c).
  • the processor 120 may divide the first time series data into a plurality of sub time series data based on setting parameter information.
  • setting parameter information may be a kind of hyper parameter information given by a user driving a production facility.
  • Setting parameter information may be input through the input unit 150 of the computing device 100 .
  • Setting parameter information may be transmitted from the outside through the network unit 110 of the computing device 100 .
  • the setting parameter information may include the output of the compressor, the size of the applied voltage, the amount of current, the concentration of the solution, and the flow rate of the liquid. Since the setting parameter information of the present disclosure is composed of fixed values given by the user, sensor data obtained through observation of actual physical quantities and setting parameter information can be distinguished.
  • setting parameter information can be understood as an independent variable
  • the one or more sensors Sensor data obtained from can be understood as a dependent variable according to such an independent variable.
  • the first time-series data may be data obtained from one or more sensors as a result of the user inputting setting parameter information to the computing device 100 .
  • a change in the first time series data may be based on a change in setting parameter information.
  • the user inputs setting parameter information for making product A into the computing device 100 from time t1 to time t2 (where t2 > t1), and from time t2 to time t3 (where t3 > t2), the product Setting parameter information for making B may be input to the computing device 100 .
  • the processor 120 converts first time series data obtained from one or more sensors and including variable values from time t1 to time t3 into sub-time series data corresponding to the time interval [t1, t2] and [t2, t3] It can be divided into sub-time series data corresponding to the time interval.
  • the processor 120 instead of deriving a time interval serving as a criterion for dividing the first time series data from the first time series data, based on setting parameter information, which is one of the user's input information, determines the time interval.
  • One time series data can be divided into a plurality of sub time series data. That is, the processor 120 may divide the following observation values based on the preceding input values in the relationship between preceding input values (e.g. setting parameter information) and following observation values (eg, time-series data obtained from at least one sensor). This has the effect of allowing the user to clearly interpret the data because it is possible to divide the time series data according to the criterion for which a causal relationship exists and to detect abnormal data.
  • the processor 120 may divide the first time series data into a plurality of sub time series data based on histogram data representing statistical information about a plurality of variable values included in the first time series data. .
  • Statistical information about a plurality of variable values included in the first time series data may be, for example, the number of data elements having the same variable value. It will be described in more detail with reference to FIGS. 3 and 4 below.
  • time series data may include a plurality of variable values measured at a plurality of time points according to a predetermined time interval.
  • Each of the first variable value interval 310, the second variable value interval 330, and the third variable value interval 350 may include different sets of data.
  • the first variable value interval 310, the second variable value interval 330, and the third variable value interval 350 may be allocated to different variable value ranges.
  • the first time-series data may be data obtained by a single sensor in the process of producing different types of products.
  • the first variable value interval 310, the second variable value interval 330, and the third variable value interval 350 appearing in the first time series data may be values measured during the production process of different products.
  • the processor 120 may divide time series data into a plurality of sub time series data based on variable value ranges.
  • FIG. 4 is an exemplary diagram illustrating histogram data representing statistical information about a plurality of variable values included in first time series data according to an embodiment of the present disclosure in a graph form.
  • the horizontal axis of the histogram data shown in FIG. 4 represents variable values, and the vertical axis represents the number (count) of data elements having corresponding variable values. That is, the processor 120 may generate histogram data by counting the number of data elements having the same variable value in the obtained first time series data.
  • the fourth variable value interval 410, the fifth variable value interval 430, and the sixth variable value interval 450 may be allocated to different variable value ranges.
  • the fourth variable value interval 410, the fifth variable value interval 430, and the sixth variable value interval 450 may correspond to data clusters included in the histogram data. A method of identifying data clusters included in histogram data by the processor 120 according to the present disclosure will be described later in detail.
  • a horizontal axis of the histogram data shown in FIG. 4 may correspond to a vertical axis of the time series data shown in FIG. 3 . That is, the first variable value interval 310, the second variable value interval 330, and the third variable value interval 350 of FIG. 3 are respectively the fourth variable value interval 410 and the fifth variable value interval of FIG.
  • Each of the interval 430 and the sixth variable value interval 450 may be sequentially corresponded to.
  • the first time series data includes sub time series data composed of data elements included in the first variable value interval 310, sub time series data composed of data elements included in the second variable value interval 330, and third time series data composed of data elements included in the second variable value interval 330. It can be divided into sub time series data composed of data elements included in the variable value interval 350. In this case, each of the sub time series data may correspond to a plurality of discontinuous time intervals.
  • processor 120 identifies one or more data clusters (ie, clusters) included in histogram data will be described.
  • a first embodiment of dividing time series data into a plurality of sub time series data based on histogram data may be implemented by the computing device 100 as follows.
  • the computing device 100 may display a user interface including histogram data on the output unit 140 to divide the time series data into a plurality of sub time series data.
  • the computing device 100 may receive a user input including information for division through the input unit 150 .
  • the computing device 100 may display a user interface including the histogram data exemplarily shown in FIG. 4 on the output unit 140 .
  • a user of the computing device 100 may input a user input for dividing the first time-series data to the input unit 150 based on the histogram data displayed on the output unit 140 .
  • the computing device 100 includes user interval information related to the fourth variable value interval 410, the fifth variable value interval 430, and the sixth variable value interval 450 through the input unit 150. input can be received. Then, the processor 120 may divide the first time-series data into a plurality of sub-time-series data based on a user input through the input unit 150 .
  • a second embodiment of dividing time series data into a plurality of sub time series data based on histogram data may be implemented by the processor 120 as follows.
  • the processor 120 may divide the time series data into a plurality of sub time series data by applying the K-means clustering algorithm to the histogram data.
  • the processor 120 may determine the minimum and maximum values of the number of clusters (K) for K-means clustering.
  • the minimum and maximum values of K may be selected from 1 to the number of data elements included in the time series data.
  • the processor 120 may perform a K-means clustering algorithm on a plurality of different K values to find an appropriate K value.
  • the processor 120 may apply a K-means clustering algorithm to the histogram data of the first time series data. In this case, the processor 120 may iteratively perform the K-means clustering algorithm while sequentially increasing the K value starting from 1 to find an appropriate K value.
  • the processor 120 may obtain the sum of the distances between each data and the center point of the K number of clusters. At this time, as the K value for clustering is appropriately set, the sum of the distances decreases.
  • the processor 120 may calculate a specific value for which the sum of distances becomes smaller than a predetermined value for the first time in a specific K by repeating an operation of sequentially increasing the value of K starting from 1. If the size of K at which the sum of the distances between each data point and the center point of the K clusters first becomes smaller than a certain value is 3, the processor 120 generates the histogram data for the first time series data so that the number of clusters becomes 3. can be clustered.
  • the processor 120 may divide the first time series data based on a plurality of variable value ranges determined for the histogram data of the first time series data.
  • first and second embodiments of dividing time series data into a plurality of sub-time series data based on histogram data is some embodiments for explaining a method for dividing time series data based on histogram data according to the present disclosure. Only, it does not limit the present disclosure.
  • the processor 120 may adjust the scale of variable values included in at least one sub-time-series data among a plurality of sub-time-series data.
  • “scale” may be used interchangeably with “range of variable values”.
  • the term “adjust the scale of a variable value” may be used interchangeably with the term “change the range of a variable value.”
  • the processor 120 may perform data preprocessing to normalize at least some of the values included in the time series data by adjusting the scale of variable values included in the at least one sub time series data.
  • the processor 120 may adjust the scale of variable values included in the sub-time-series data by applying a scaling function to the sub-time-series data.
  • the scaling function may be a standard scaling function or a minimum-maximum scaling function.
  • the processor 120 applies a standard scaling function to at least one sub-time-series data so that variable values of individual data elements included in the sub-time-series data relate to variable values of all data elements included in the sub-time-series data.
  • the scale of variable values included in sub-time series data can be adjusted based on how far away from the mean it is. For example, the processor 120 may subtract an average variable value of all data elements included in the sub time series data from a variable value of each data element included in the sub time series data. And the processor 120 divides the resulting value of the subtraction by the standard deviation of all data elements included in the sub time series data, so that the range of variable values included in the sub time series data changes to a range following a Gaussian normal distribution can be computed.
  • the processor 120 applies a minimum-maximum scaling function to at least one sub-time-series data to obtain sub-time-series data based on maximum and minimum values of variable values among a plurality of variable values included in the sub-time-series data. You can adjust the scale of included variable values. For example, the processor 120 may subtract a maximum value among variable values included in the sub time series data from a variable value of each data element included in the sub time series data. Further, the processor 120 divides the resultant value of the subtraction operation by the difference between the maximum value and the minimum value among the variable values included in the sub time series data, so that the range of variable values included in the sub time series data is changed to [0,1] can be computed.
  • the processor 120 may adjust scales of variable values included in the sub time series data based on a predetermined robust average.
  • the robust average may be calculated based on a plurality of time-series data pre-stored in the computing device 100 .
  • a robust mean can be calculated based on Equation 1 below.
  • the train data described in Equation 1 means each data included in a data set serving as a criterion for calculating a robust mean.
  • the quantile(X) function is a function that returns data corresponding to a specific quantile among percentiles in a data set. X can be a real number between 0 and 1. For example, quantile (0.99) means data corresponding to the 99th percentile, and quantile (0.01) means data corresponding to the 1st percentile.
  • the processor 120 subtracts the variable value of the data corresponding to quantile (0.01) from the variable value of each train data, can be divided into After that, the processor 120 performs the above for each of all train data included in the data set that is the criterion for calculating the robust mean.
  • a robust average can be calculated by averaging the results of the operation divided by .
  • a data set serving as a criterion for calculating a robust average may be a data set preset for training of a neural network-based detection model. The learning method of the neural network-based detection model will be described later in detail.
  • a robust average can be calculated for each sub-time series of data.
  • the robust average according to the present disclosure has the advantage of being a basis for more effective scaling because it removes the influence of outlier data at both extremes of the entire data set.
  • the processor 120 may adjust scales of variable values included in the sub time series data using a scaling function based on a robust average.
  • a scaling function based on a robust average can be expressed as Equation 2.
  • Data in Equation 2 means newly acquired time series data in addition to the data used in the process of deriving the robust mean.
  • the robust mean of Equation 2 can be calculated based on Equation 1 above.
  • the processor 120 may adjust the scale of variable values by applying a scaling function to each of two or more different sub-time-series data among a plurality of sub-time-series data included in the time-series data.
  • Scaling functions applied to each of two or more different sub time series data may be different functions.
  • a case in which a standard scaling function is applied to first sub-time-series data among a plurality of sub-time-series data and a minimum-maximum scaling function is applied to second sub-time-series data may be included as an embodiment.
  • the processor 120 applies a scaling function to each of a plurality of sub-time-series data divided from the time-series data by the above-described division method, it is possible to perform data pre-processing so that the shape of the entire time-series data becomes constant.
  • FIGS. 5 and 6 an operation of pre-processing time-series data by the processor 120 will be described in detail.
  • the processor 120 may divide time-series data having variable values that change with time into a plurality of sub-time-series data based on one of the above-described division methods.
  • Sub time series data corresponding to reference numerals 510 to 570 included in the time series data may be variable values obtained in a process of producing a plurality of different products based on one sensor.
  • FIG. 6 is an exemplary diagram illustrating scaled time-series data in a graph form.
  • the scaled sub-time-series data indicated by reference numbers 610 to 670 may sequentially correspond to the sub-time-series data indicated by reference numbers 510 to 570 of FIG.
  • the processor 120 may calculate the scaled time series data shown in FIG. 6 by scaling the time series data shown in FIG. 5 for each of a plurality of sections.
  • v1 of FIG. 6 may be an upper bound of the scaled time series data calculated by the trained neural network-based detection model.
  • v2 of FIG. 6 may be a lower bound of the scaled time series data calculated by the trained neural network-based detection model.
  • time-series data observed by at least one sensor according to time changes may have various patterns.
  • time-series data observed by at least one sensor has various patterns as time changes.
  • time-series data as shown in FIG. 3 is obtained to explain the effect of the present disclosure.
  • the learning and inference of the neural network-based abnormal data detection model is performed using the time series data of FIG. 3 as it is, when the time series data follows a multi-modal distribution including a plurality of maxima, the neural network Since the base detection model learns the multimodal data distribution as a normal pattern, the performance of distinguishing an abnormal pattern is degraded. Therefore, the abnormal data detection method according to the present disclosure applies a scaling function to each of a plurality of sub-time-series data divided from time-series data, so that the value of time-series data to be input to the neural network-based detection model exists within a certain range.
  • the present disclosure discloses a preprocessing method for generating data suitable for learning and inference of a detection model by disclosing a method of scaling time series data according to a plurality of intervals.
  • the structure and learning method of a neural network-based detection model for processing scaled time-series data will be described.
  • the processor 120 may determine whether the time series data is abnormal by inputting the scaled time series data to a neural network-based detection model.
  • a neural network may consist of a set of interconnected computational units, which may generally be referred to as nodes. These nodes may also be referred to as neurons.
  • a neural network includes at least one node. Nodes (or neurons) constituting neural networks may be interconnected by one or more links.
  • one or more nodes connected through a link may form a relative relationship of an input node and an output node.
  • the concept of an input node and an output node is relative, and any node in an output node relationship with one node may have an input node relationship with another node, and vice versa.
  • an input node to output node relationship may be created around a link. More than one output node can be connected to one input node through a link, and vice versa.
  • the value of data of the output node may be determined based on data input to the input node.
  • a link interconnecting an input node and an output node may have a weight.
  • the weight may be variable, and may be changed by a user or an algorithm in order to perform a function desired by the neural network. For example, when one or more input nodes are interconnected by respective links to one output node, the output node is set to a link corresponding to values input to input nodes connected to the output node and respective input nodes.
  • An output node value may be determined based on the weight.
  • one or more nodes are interconnected through one or more links to form an input node and output node relationship in the neural network.
  • Characteristics of the neural network may be determined according to the number of nodes and links in the neural network, an association between the nodes and links, and a weight value assigned to each link. For example, when there are two neural networks having the same number of nodes and links and different weight values of the links, the two neural networks may be recognized as different from each other.
  • a neural network may be composed of a set of one or more nodes.
  • a subset of nodes constituting a neural network may constitute a layer.
  • Some of the nodes constituting the neural network may form one layer based on distances from the first input node.
  • a set of nodes having a distance of n from the first input node may constitute n layers.
  • the distance from the first input node may be defined by the minimum number of links that must be passed through to reach the corresponding node from the first input node.
  • the definition of such a layer is arbitrary for explanation, and the order of a layer in a neural network may be defined in a method different from the above.
  • a layer of nodes may be defined by a distance from a final output node.
  • An initial input node may refer to one or more nodes to which data is directly input without going through a link in relation to other nodes among nodes in the neural network.
  • it may mean nodes that do not have other input nodes connected by a link.
  • the final output node may refer to one or more nodes that do not have an output node in relation to other nodes among nodes in the neural network.
  • the hidden node may refer to nodes constituting the neural network other than the first input node and the last output node.
  • the number of nodes in the input layer may be the same as the number of nodes in the output layer, and the number of nodes decreases and then increases again as the number of nodes progresses from the input layer to the hidden layer.
  • the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes of the input layer may be less than the number of nodes of the output layer and the number of nodes decreases as the number of nodes increases from the input layer to the hidden layer. there is.
  • the neural network according to another embodiment of the present disclosure is a neural network in which the number of nodes in the input layer may be greater than the number of nodes in the output layer, and the number of nodes increases as the number of nodes increases from the input layer to the hidden layer.
  • a neural network according to another embodiment of the present disclosure may be a neural network in the form of a combination of the aforementioned neural networks.
  • a neural network may include a plurality of neural network layers. Neural network layers may configure a sequence having a certain order according to functions and roles within the neural network.
  • the plurality of neural network layers may include a convolution layer, a pooling layer, a fully connected layer, and the like.
  • the initial input to the neural network may be received by the lowest, first layer in the sequence.
  • a neural network can sequentially input an initial input into layers in a sequence in order to generate a final output from the initial input.
  • the initial input may be, for example, an image, and a final output thereof may be, for example, a score for each category in a category set including one or more categories.
  • a neural network layer may include a set of nodes.
  • Each neural network layer may receive as an input an initial input to a convolutional neural network or an output of a previous neural network layer.
  • an N-th neural network layer may receive an output of an N-1-th neural network layer as an input.
  • Each neural network layer can generate outputs from inputs. If a neural network layer is the highest and last neural network layer in the sequence, then the output of this neural network layer can be treated as the output of the entire neural network.
  • a neural network layer may include one or more filters for convolution operations.
  • a feature map may be used as a term referring to a result of performing a convolution operation using one of one or more filters included in a neural network layer.
  • the size of the output dimension of the neural network layer may be equal to the number of filters included in the neural network layer.
  • a deep neural network may refer to a neural network including a plurality of hidden layers in addition to an input layer and an output layer.
  • Deep neural networks can reveal latent structures in data. In other words, it can identify the latent structure of a photo, text, video, sound, or music (e.g., what objects are in the photo, what the content and emotion of the text are, what the content and emotion of the audio are, etc.).
  • Deep neural networks include convolutional neural networks (CNNs), recurrent neural networks (RNNs), auto encoders, generative adversarial networks (GANs), and restricted boltzmann machines (RBMs).
  • Deep neural network a deep belief network (DBN), a Q network, a U network, a Siamese network, a Generative Adversarial Network (GAN), and the like.
  • DBN deep belief network
  • Q Q network
  • U U
  • Siamese Siamese network
  • GAN Generative Adversarial Network
  • a neural network-based detection model may have an autoencoder structure including an encoder model and a decoder model.
  • the auto-encoder model may include an encoder model that reduces the dimensionality of input data (ie, encoding) and a decoder model that performs dimensionality restoration (ie, decoding) of input data.
  • the output of the autoencoder may be similar to the input data.
  • An autoencoder may be a type of artificial neural network for outputting output data similar to input data.
  • a neural network-based detection model having an auto-encoder structure may include at least one hidden layer.
  • the number of nodes of each hidden layer may be reduced from the number of nodes of the input layer to an intermediate layer called the bottleneck layer, and then expanded symmetrically with the reduction from the bottleneck layer to the output layer (symmetrical to the input layer).
  • Autoencoders can perform non-linear dimensionality reduction.
  • the number of input layers and output layers may correspond to dimensions after preprocessing of input data.
  • the number of hidden layer nodes included in the encoder model may decrease as the distance from the input layer increases.
  • the number of nodes in the bottleneck layer (the layer with the fewest nodes located between the encoder and decoder) is too small, a sufficient amount of information may not be conveyed, so more than a certain number (e.g., more than half of the input layer, etc.) ) may be maintained.
  • the neural network-based detection model according to the present disclosure may be trained in at least one of supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning. there is. Learning of the detection model may be a process of applying knowledge for the neural network included in the detection model to perform a specific operation to the neural network.
  • the neural network-based detection model includes the steps of dividing the time-series data for learning into a plurality of sub-time-series data for at least one time-series data for learning, and at least one of the plurality of sub-time-series data divided from the time-series data for learning. Learning may be performed based on at least one scaled training time series data generated as a result of performing the step of adjusting the scale of variable values included in the time series data.
  • the neural network may be trained in a way to minimize output errors.
  • the learning data is repeatedly input into the neural network, the output of the neural network for the training data and the error of the target are calculated, and the error of the neural network is transferred from the output layer of the neural network to the input layer in the direction of reducing the error. It is a process of updating the weight of each node of the neural network by backpropagating in the same direction.
  • the learning data in which the correct answer is labeled is used for each learning data (ie, the labeled learning data), and in the case of comparative teacher learning, the correct answer may not be labeled in each learning data.
  • learning data in the case of teacher learning regarding data classification may be data in which each learning data is labeled with a category.
  • Labeled training data is input to a neural network, and an error may be calculated by comparing an output (category) of the neural network and a label of the training data.
  • an error may be calculated by comparing input learning data with a neural network output. The calculated error is back-propagated in a reverse direction (ie, from the output layer to the input layer) in the neural network, and the connection weight of each node of each layer of the neural network may be updated according to the back-propagation. The amount of change in the connection weight of each updated node may be determined according to a learning rate.
  • the neural network's computation of input data and backpropagation of errors can constitute a learning cycle (epoch).
  • the learning rate may be applied differently according to the number of iterations of the learning cycle of the neural network. For example, a high learning rate may be used in the early stage of neural network training to increase efficiency by allowing the neural network to quickly obtain a certain level of performance, and a low learning rate may be used in the late stage to increase accuracy.
  • training data can be a subset of real data (ie, data to be processed using the trained neural network), and therefore, errors for training data are reduced, but errors for real data are reduced. There may be incremental learning cycles.
  • Overfitting is a phenomenon in which errors for actual data increase due to excessive learning on training data. For example, a phenomenon in which a neural network that has learned a cat by showing a yellow cat does not recognize that it is a cat when it sees a cat other than yellow may be a type of overfitting. Overfitting can act as a cause of increasing the error of machine learning algorithms.
  • Various optimization methods can be used to prevent such overfitting. To prevent overfitting, methods such as increasing the training data, regularization, inactivating some nodes in the network during learning, and using a batch normalization layer should be applied. can
  • the processor 120 may also determine whether the second time series data is abnormal by applying a plurality of time intervals used to divide the first time series data to the second time series data different from the first time series data.
  • the first time series data and the second time series data may be different time series data acquired by different sensors in the process of making one product.
  • the entire time intervals corresponding to the first time series data and the second time series data may have the same length.
  • a process system for making one and the same product may include a flow sensor, a current sensor, a temperature sensor, a speed sensor, and the like.
  • the time series data acquired by the flow sensor may be understood as first time series data
  • the time series data obtained by the current sensor may be understood as second time series data.
  • the processor 120 may divide the second time series data into a plurality of second sub time series data based on a plurality of time intervals corresponding to each of a plurality of sub time series data of the first time series data. .
  • An operation of dividing the first time series data into a plurality of sub time series data may be preliminarily performed according to any one of the above-described division methods.
  • the processor 120 may divide the second time series data in the same manner as a plurality of time intervals used to divide the first time series data into a plurality of sub time series data.
  • the reason why the processor 120 applies a plurality of time intervals applied to the first time series data acquired from a specific sensor to the second time series data obtained from a sensor other than the specific sensor is the This may be because the fact that the pattern changes with time remains the same even if the size of the unit, physical quantity or number is different. For example, when a flow sensor value changes in a situation of manufacturing a single product, the current sensor value may also change based on the same point in time. For another example, even when a plurality of different products are sequentially produced in chronological order, when a value of one sensor changes, the value of another sensor may change at the same time.
  • the processor 120 may adjust the scale of variable values included in at least one second sub time series data among a plurality of second sub time series data.
  • the scaling function applied to the variable values included in the second sub-time series data may be independently calculated separately from the sub-time series data related to the first time series data.
  • the processor 120 may determine whether the second time-series data is abnormal by inputting the scaled second time-series data to the neural network-based detection model.
  • the present disclosure is based on the empirical knowledge that even if the first time series data and the second time series data are different types of time series data, a method for setting a time interval for scaling can be shared, Based on the content of dividing the second time series data is disclosed.
  • the above disclosure may be effective when there is a large amount of time-series data to be detected for abnormality. This is because the processor 120 can quickly detect abnormal data without additional time consumption for other time series data if a time interval criterion for segmentation is prepared for only one time series data, even if there are multiple time series data to be inspected. .
  • time series data obtained to make one product may reach hundreds, thousands, or more, and at this time, all time series data may be subject to determination of abnormality.
  • the processor 120 repeats the step of setting a time interval for division for all time series data, this may be a time-consuming task.
  • the present disclosure described above it is possible to quickly pre-process the remaining time series data by utilizing time interval information for one time series data.
  • the processor 120 may obtain first time-series data in step S710.
  • the processor 120 may divide the first time series data into a plurality of sub time series data in step S730.
  • the processor 120 may divide the first time series data into a plurality of sub time series data based on the setting parameter information.
  • the processor 120 may divide the first time-series data into a plurality of sub-time-series data based on histogram data representing statistical information about a plurality of variable values included in the first time-series data.
  • the computing device 100 may receive a user input including information for division through the input unit 150. .
  • a user may input a user input based on a user interface related to histogram data displayed through the output unit 140 of the computing device 100 .
  • the processor 120 divides the first time series data into a plurality of sub time series data by applying a K-means clustering algorithm to the histogram data. data can be partitioned.
  • the processor 120 may adjust the scale of variable values included in at least one sub-time-series data among a plurality of sub-time-series data in step S750.
  • the processor 120 uses, for example, a standard scaling function, a minimum-maximum scaling function, a scaling function based on a robust average, or the like, to determine variable values included in at least one sub-time-series data among a plurality of sub-time-series data. You can adjust the scale.
  • the processor 120 may determine whether the first time-series data is abnormal by inputting the scaled first time-series data to the neural network-based detection model.
  • the neural network-based detection model may be a pre-learned model based on at least one piece of time-series data for learning.
  • the processor 120 divides the time-series data for learning into a plurality of sub-time-series data, and adjusts the scale of variable values included in at least one sub-time-series data among the plurality of sub-time-series data divided from the time-series data for learning.
  • a neural network-based detection model may be trained using one scaled time-series data for learning.
  • the performance of the neural network-based detection model can be guaranteed even if the distribution of time-series data has a plurality of peak values.
  • the processor 120 divides time series data into a plurality of sub time series data and applies a scaling function to each of the divided sub time series data, a neural network-based detection model is obtained. A method for effectively preprocessing time series data to be input is disclosed.
  • the processor 120 may obtain first time-series data in step S810.
  • the processor 120 may obtain second time series data different from the first time series data in step S820. Total lengths of time corresponding to each of the first time series data and the second time series data may be the same.
  • the first time series data and the second time series data may be time series data obtained from different sensors during the same time period.
  • the processor 120 may divide the first time series data into a plurality of sub time series data in step S830. Since the division method has been described in detail above, it will be omitted below.
  • the processor 120 may divide the second time series data into a plurality of second sub time series data based on a plurality of time intervals corresponding to each of the plurality of sub time series data of the first time series data in step S840. .
  • the processor 120 may divide the second time-series data into a plurality of second sub-time-series data by using the same time interval information as the plurality of time interval information used to divide the first time-series data.
  • the processor 120 may adjust the scale of variable values included in at least one second sub-time-series data among a plurality of second sub-time-series data calculated as a result of step S840. Since the scale adjustment method has been described in detail, it will be omitted below.
  • the processor 120 may determine whether the second time series data is abnormal by inputting the scaled second time series data to the neural network-based detection model.
  • FIG. 9 is a simplified and general schematic diagram of an exemplary computing environment in which embodiments of the present disclosure may be implemented.
  • the present disclosure has been described above as being generally embodied by a computing device, those skilled in the art will understand that the present disclosure may be combined with computer-executable instructions and/or other program modules that may be executed on one or more computers and/or may be implemented in hardware and software. It will be appreciated that it can be implemented as a combination.
  • program modules include routines, programs, components, data structures, etc. that perform particular tasks or implement particular abstract data types. It will also be appreciated by those skilled in the art that the methods of the present disclosure may be used in single-processor or multiprocessor computer systems, minicomputers, mainframe computers, as well as personal computers, handheld computing devices, microprocessor-based or programmable consumer electronics, and the like (each of which is It will be appreciated that other computer system configurations may be implemented, including those that may be operative in connection with one or more associated devices.
  • the described embodiments of the present disclosure may also be practiced in distributed computing environments where certain tasks are performed by remote processing devices that are linked through a communications network.
  • program modules may be located in both local and remote memory storage devices.
  • Computers typically include a variety of computer readable media.
  • Computer readable media can be any medium that can be accessed by a computer, including volatile and nonvolatile media, transitory and non-transitory media, removable and non-transitory media. Includes removable media.
  • Computer readable media may include computer readable storage media and computer readable transmission media.
  • Computer readable storage media are volatile and nonvolatile media, transitory and non-transitory, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data.
  • Computer readable storage media may include RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROM, digital video disk (DVD) or other optical disk storage device, magnetic cassette, magnetic tape, magnetic disk storage device or other magnetic storage device. device, or any other medium that can be accessed by a computer and used to store desired information.
  • a computer readable transmission medium typically embodies computer readable instructions, data structures, program modules or other data in a modulated data signal such as a carrier wave or other transport mechanism. Including all information delivery media.
  • modulated data signal means a signal that has one or more of its characteristics set or changed so as to encode information within the signal.
  • computer readable transmission media includes wired media such as a wired network or direct-wired connection, and wireless media such as acoustic, RF, infrared, and other wireless media. Combinations of any of the above are also intended to be included within the scope of computer readable transmission media.
  • System bus 1108 couples system components, including but not limited to system memory 1106 , to processing unit 1104 .
  • Processing unit 1104 may be any of a variety of commercially available processors. Dual processor and other multiprocessor architectures may also be used as the processing unit 1104.
  • System bus 1108 may be any of several types of bus structures that may additionally be interconnected to a memory bus, a peripheral bus, and a local bus using any of a variety of commercial bus architectures.
  • System memory 1106 includes read only memory (ROM) 1110 and random access memory (RAM) 1112 .
  • ROM read only memory
  • RAM random access memory
  • a basic input/output system (BIOS) is stored in non-volatile memory 1110, such as ROM, EPROM, or EEPROM, and is a basic set of information that helps transfer information between components within computer 1102, such as during startup. contains routines.
  • RAM 1112 may also include high-speed RAM, such as static RAM, for caching data.
  • the computer 1102 may also include an internal hard disk drive (HDD) 1114 (eg, EIDE, SATA) - the internal hard disk drive 1114 may also be configured for external use within a suitable chassis (not shown).
  • HDD hard disk drive
  • FDD magnetic floppy disk drive
  • optical disk drive 1120 e.g., a CD-ROM
  • the hard disk drive 1114, magnetic disk drive 1116, and optical disk drive 1120 are connected to the system bus 1108 by a hard disk drive interface 1124, magnetic disk drive interface 1126, and optical drive interface 1128, respectively.
  • the interface 1124 for external drive implementation includes at least one or both of USB (Universal Serial Bus) and IEEE 1394 interface technologies.
  • drives and their associated computer readable media provide non-volatile storage of data, data structures, computer executable instructions, and the like.
  • drives and media correspond to storing any data in a suitable digital format.
  • computer readable media refers to HDDs, removable magnetic disks, and removable optical media such as CDs or DVDs, those skilled in the art can use zip drives, magnetic cassettes, flash memory cards, cartridges, etc. It will be appreciated that other tangible media readable by the computer, such as the like, may also be used in the exemplary operating environment and any such media may include computer executable instructions for performing the methods of the present disclosure.
  • a number of program modules may be stored on the drive and RAM 1112, including an operating system 1130, one or more application programs 1132, other program modules 1134, and program data 1136. All or portions of the operating system, applications, modules and/or data may also be cached in RAM 1112. It will be appreciated that the present disclosure may be implemented in a variety of commercially available operating systems or combinations of operating systems.
  • a user may enter commands and information into the computer 1102 through one or more wired/wireless input devices, such as a keyboard 1138 and a pointing device such as a mouse 1140.
  • Other input devices may include a microphone, IR remote control, joystick, game pad, stylus pen, touch screen, and the like.
  • an input device interface 1142 that is connected to the system bus 1108, a parallel port, IEEE 1394 serial port, game port, USB port, IR interface, may be connected by other interfaces such as the like.
  • a monitor 1144 or other type of display device is also connected to the system bus 1108 through an interface such as a video adapter 1146.
  • computers typically include other peripheral output devices (not shown) such as speakers, printers, and the like.
  • Computer 1102 may operate in a networked environment using logical connections to one or more remote computers, such as remote computer(s) 1148 via wired and/or wireless communications.
  • Remote computer(s) 1148 may be a workstation, computing device computer, router, personal computer, handheld computer, microprocessor-based entertainment device, peer device, or other common network node, and generally includes It includes many or all of the components described for, but for simplicity, only memory storage device 1150 is shown.
  • the logical connections shown include wired/wireless connections to a local area network (LAN) 1152 and/or a larger network, such as a wide area network (WAN) 1154 .
  • LAN and WAN networking environments are common in offices and corporations and facilitate enterprise-wide computer networks, such as intranets, all of which can be connected to worldwide computer networks, such as the Internet.
  • computer 1102 When used in a LAN networking environment, computer 1102 connects to local network 1152 through wired and/or wireless communication network interfaces or adapters 1156. Adapter 1156 may facilitate wired or wireless communications to LAN 1152, which also includes a wireless access point installed therein to communicate with wireless adapter 1156.
  • computer 1102 When used in a WAN networking environment, computer 1102 may include a modem 1158, be connected to a communicating computing device on WAN 1154, or establish communications over WAN 1154, such as over the Internet. have other means.
  • a modem 1158 which may be internal or external and a wired or wireless device, is connected to the system bus 1108 through a serial port interface 1142.
  • program modules described for computer 1102, or portions thereof may be stored on remote memory/storage device 1150. It will be appreciated that the network connections shown are exemplary and other means of establishing a communication link between computers may be used.
  • Computer 1102 is any wireless device or entity that is deployed and operating in wireless communication, eg, printers, scanners, desktop and/or portable computers, portable data assistants (PDAs), communication satellites, wireless detectable tags associated with It operates to communicate with arbitrary equipment or places and telephones.
  • wireless communication eg, printers, scanners, desktop and/or portable computers, portable data assistants (PDAs), communication satellites, wireless detectable tags associated with It operates to communicate with arbitrary equipment or places and telephones.
  • PDAs portable data assistants
  • communication satellites e.g., a wireless detectable tags associated with It operates to communicate with arbitrary equipment or places and telephones.
  • the communication may be a predefined structure as in conventional networks or simply an ad hoc communication between at least two devices.
  • Wi-Fi Wireless Fidelity
  • Wi-Fi is a wireless technology, such as a cell phone, that allows such devices, eg, computers, to transmit and receive data both indoors and outdoors, i.e. anywhere within coverage of a base station.
  • Wi-Fi networks use a radio technology called IEEE 802.11 (a, b, g, etc.) to provide secure, reliable, and high-speed wireless connections.
  • Wi-Fi can be used to connect computers to each other, to the Internet, and to wired networks (using IEEE 802.3 or Ethernet).
  • Wi-Fi networks can operate in the unlicensed 2.4 and 5 GHz radio bands, for example, at 11 Mbps (802.11a) or 54 Mbps (802.11b) data rates, or in products that include both bands (dual band) .
  • Various embodiments presented herein may be implemented as a method, apparatus, or article of manufacture using standard programming and/or engineering techniques.
  • article of manufacture includes a computer program, carrier, or media accessible from any computer-readable storage device.
  • computer-readable storage media include magnetic storage devices (eg, hard disks, floppy disks, magnetic strips, etc.), optical disks (eg, CDs, DVDs, etc.), smart cards, and flash memory devices (eg, EEPROM, cards, sticks, key drives, etc.), but are not limited thereto.
  • various storage media presented herein include one or more devices and/or other machine-readable media for storing information.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Human Computer Interaction (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

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
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.
Figure PCTKR2022008111-appb-img-000001
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,
Figure PCTKR2022008111-appb-img-000002
로 나눌 수 있다. 그 후 프로세서(120)는 robust mean을 산출하는 기준이 되는 데이터 집합에 포함된 모든 train data 각각에 대해 상기
Figure PCTKR2022008111-appb-img-000003
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.
Figure PCTKR2022008111-appb-img-000004
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 (17)

  1. 데이터 검출 방법으로서,
    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 단계;
    를 포함하는,
    비정상 데이터 검출 방법.
  2. 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.
  3. 제 1 항에 있어서,
    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 대응되는,
    비정상 데이터 검출 방법.
  4. 제 1 항에 있어서,
    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 획득되는,
    비정상 데이터 검출 방법.
  5. 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.
  6. 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 서브 시계열 데이터로 분할하는 단계;
    를 포함하는,
    비정상 데이터 검출 방법.
  7. 제 5 항에 있어서,
    상기 분할하는 단계는,
    상기 히스토그램 데이터에 K-means 클러스터링 알고리즘을 적용함으로써 수행되는,
    비정상 데이터 검출 방법.
  8. 제 1 항에 있어서,
    상기 조정하는 단계는,
    상기 복수의 서브 시계열 데이터 중 적어도 하나의 서브 시계열 데이터에 대해 스케일링 함수를 적용함으로써 수행되는,
    비정상 데이터 검출 방법.
  9. 제 1 항에 있어서,
    상기 조정하는 단계는,
    상기 복수의 서브 시계열 데이터 중 둘 이상의 서로 다른 서브 시계열 데이터 각각에 대해 스케일링 함수를 적용함으로써 수행되는,
    비정상 데이터 검출 방법.
  10. 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.
  11. 제 1 항에 있어서,
    상기 조정하는 단계는,
    사전 결정된 로버스트(robust) 평균에 기초하여 수행되는,
    비정상 데이터 검출 방법.
  12. 제 11 항에 있어서,
    상기 로버스트 평균은,
    상기 컴퓨팅 장치에 기 저장된 복수의 시계열 데이터들에 기초하여 산출되는,
    비정상 데이터 검출 방법.
  13. 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.
  14. 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.
  15. 제 1 항에 있어서,
    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 단계;
    를 더 포함하는,
    비정상 데이터 검출 방법.
  16. 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) 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 동작;
    을 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  17. 비정상 데이터 검출 장치로서,
    하나 이상의 프로세서;
    메모리; 및
    네트워크부;
    를 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 결정하는,
    비정상 데이터 검출 장치.
PCT/KR2022/008111 2021-06-14 2022-06-09 비정상 데이터 검출 방법 및 장치 WO2022265292A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/020,112 US11803177B1 (en) 2021-06-14 2022-06-09 Method and apparatus for detecting anomaly data

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0076784 2021-06-14
KR1020210076784A KR102438189B1 (ko) 2021-06-14 2021-06-14 비정상 데이터 검출 방법 및 장치

Publications (1)

Publication Number Publication Date
WO2022265292A1 true WO2022265292A1 (ko) 2022-12-22

Family

ID=83114216

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/008111 WO2022265292A1 (ko) 2021-06-14 2022-06-09 비정상 데이터 검출 방법 및 장치

Country Status (3)

Country Link
US (1) US11803177B1 (ko)
KR (2) KR102438189B1 (ko)
WO (1) WO2022265292A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102614798B1 (ko) * 2022-12-29 2023-12-15 전남대학교산학협력단 시계열 기반 전력 데이터의 이상 탐지 방법 및 이를 위한 장치
KR102612543B1 (ko) * 2023-03-17 2023-12-08 동의대학교 산학협력단 딥러닝 기반 시계열 이상치 탐지 방법 및 그 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19990083505A (ko) * 1998-04-27 1999-11-25 오우라 히로시 불량해석방법및장치
KR20110026515A (ko) * 2008-10-09 2011-03-15 가부시키가이샤 히타치세이사쿠쇼 이상 검지 방법 및 시스템
JP4762088B2 (ja) * 2006-08-31 2011-08-31 株式会社東芝 プロセス異常診断装置
JP2021033705A (ja) * 2019-08-26 2021-03-01 株式会社東芝 異常判定装置、学習装置、および、異常判定方法
KR20210050413A (ko) * 2019-10-28 2021-05-07 주식회사 마키나락스 비정상 데이터 생성 방법

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8768745B2 (en) * 2008-07-31 2014-07-01 Xerox Corporation System and method of forecasting print job related demand
US8452778B1 (en) * 2009-11-19 2013-05-28 Google Inc. Training of adapted classifiers for video categorization
US9072496B2 (en) * 2012-02-02 2015-07-07 International Business Machines Corporation Method and system for modeling and processing fMRI image data using a bag-of-words approach
US20230261693A1 (en) * 2015-10-20 2023-08-17 The Aerospace Corporation Circuits and methods for reducing an interference signal that spectrally overlaps a desired signal
KR101883277B1 (ko) 2016-08-31 2018-07-31 고려대학교 산학협력단 Dtwep 기반 제조공정의 이상탐지 방법 및 장치
GB201621434D0 (en) * 2016-12-16 2017-02-01 Palantir Technologies Inc Processing sensor logs
US11204602B2 (en) * 2018-06-25 2021-12-21 Nec Corporation Early anomaly prediction on multi-variate time series data
US11169514B2 (en) * 2018-08-27 2021-11-09 Nec Corporation Unsupervised anomaly detection, diagnosis, and correction in multivariate time series data
KR102095653B1 (ko) 2018-10-12 2020-03-31 한국수력원자력 주식회사 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법
KR20200080402A (ko) 2018-12-18 2020-07-07 한국전자통신연구원 비정상 상황 탐지 시스템 및 방법
US11625574B2 (en) 2019-10-28 2023-04-11 MakinaRocks Co., Ltd. Method for generating abnormal data
KR102505750B1 (ko) 2020-07-12 2023-03-03 주식회사 퀀텀랩스 딥러닝을 이용한 뇌파 분류장치 및 이를 포함하는 뇌파 측정 시스템
KR102309111B1 (ko) 2020-11-27 2021-10-06 가천대학교 산학협력단 딥러닝 기반 비정상 행동을 탐지하여 인식하는 비정상 행동 탐지 시스템 및 탐지 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19990083505A (ko) * 1998-04-27 1999-11-25 오우라 히로시 불량해석방법및장치
JP4762088B2 (ja) * 2006-08-31 2011-08-31 株式会社東芝 プロセス異常診断装置
KR20110026515A (ko) * 2008-10-09 2011-03-15 가부시키가이샤 히타치세이사쿠쇼 이상 검지 방법 및 시스템
JP2021033705A (ja) * 2019-08-26 2021-03-01 株式会社東芝 異常判定装置、学習装置、および、異常判定方法
KR20210050413A (ko) * 2019-10-28 2021-05-07 주식회사 마키나락스 비정상 데이터 생성 방법

Also Published As

Publication number Publication date
US20230324896A1 (en) 2023-10-12
KR20220167782A (ko) 2022-12-21
US11803177B1 (en) 2023-10-31
KR102438189B1 (ko) 2022-08-30

Similar Documents

Publication Publication Date Title
KR101940029B1 (ko) 어노말리 디텍션
KR102101974B1 (ko) 어노말리 디텍션
WO2022265292A1 (ko) 비정상 데이터 검출 방법 및 장치
EP3696736A1 (en) Device and method for deep learning-based image comparison, and computer program stored in computer-readable recording medium
KR102295805B1 (ko) 학습 데이터 관리 방법
WO2022005091A1 (ko) 골 연령 판독 방법 및 장치
WO2020005049A1 (ko) 인공 신경망의 학습 방법
KR102313626B1 (ko) 신경망을 학습시키는 방법
KR102320706B1 (ko) 설비 모니터링 시스템의 모델 임계값 설정 방법
KR102372487B1 (ko) 입력 데이터의 처리를 위한 최적의 어노말리 감지 모델 결정 방법
WO2022149696A1 (ko) 딥러닝 모델을 사용한 분류 방법
WO2021261825A1 (ko) 기계 학습 기반 기상 자료 생성 장치 및 방법
KR20210107458A (ko) 모델의 성능 테스트를 위한 컴퓨터 프로그램
WO2022119162A1 (ko) 의료 영상 기반의 질환 예측 방법
JP2023515015A (ja) 製造プロセスのためのシステム、方法、及び媒体
KR20200010984A (ko) 어노말리 디텍션
KR20220116111A (ko) 인공 신경망의 추론 데이터에 대한 신뢰도를 판단하는 방법
KR102402194B1 (ko) 딥러닝 기반 엔드-투-엔드 o-ring 결함 검출 방법
WO2023101417A1 (ko) 딥러닝 기반의 강수량 예측 방법
KR102267458B1 (ko) 입력 데이터의 처리를 위한 최적의 어노말리 감지 모델 결정 방법
KR102070730B1 (ko) 이미지 세그먼테이션 방법
KR20210098420A (ko) 비정상 데이터 생성 방법
KR20210050414A (ko) 신경망을 학습시키는 방법
WO2020013494A1 (ko) 어노말리 디텍션
KR20210119208A (ko) 전문가 모사 모델 학습 방법 및 그 학습을 위한 장치

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22825217

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22825217

Country of ref document: EP

Kind code of ref document: A1