예지 보전을 위한 다중 인코더 단일 디코더 모델 = Multiple Encoder Single Decoder Model for Predictive Maintenance

국문 초록 (Abstract)

오토 인코더 기계 학습 모델은 장치의 동작 상태 데이터를 이용하여 작동 이상 조짐을검출할 수 있어 이상 탐지에 많이 이용된다. 오토 인코더를 이용한 기존의 이상 탐지는 부하, 기준 신호 등 장치 동작의 기준이 되는 신호와 소비 전력, 회전 수 등 장치 동작 상태 등검출된 데이터를 함께 인코딩, 디코딩 하므로 기준 신호의 변화량에 대한 장치의 상태 변화량의이상을 적절한 수준에서 검출하기 어려웠다. 본 논문에서 제안하는 모델은 기준 신호와 각상태 데이터에 대한 인코딩 과정을 분리하고, 디코더에서 이들 신호를 결합, 복원함으로써기반 신호의 변화량에 대한 장치의 여러 상태 변화량의 이상을 사전에 검출할 수 있다. 본논문에서 제안한 모델이 유효함을 보이기 위해 기준 데이터로 각도, 상태 데이터로 sine, cosine 값을 학습하고, 각 값에 노이즈인 이상 데이터를 추가하여 이상 탐지 성능을 평가하였다.
성능 평가 결과에 의하면 기존의 오토 인코더 모델 보다 본 논문에서 제안한 모델이 이상조짐을 보이는 초기 시점에 작동 이사의 조짐을 더 잘 검출하였다. 따라서, 지속적인 서비스가중요한 설비의 예측 보전 분야에 본 논문에서 제안한 모델이 사용될 수 있다.

다국어 초록 (Multilingual Abstract)

Autoencoder-based machine learning models are widely used for anomaly detection, as they can detect early signs of operational faults by analyzing the device’s operational state data. Conventional anomaly detection methods based on autoencoders encode and decode reference signals—such as load or setpoint signals—and operational state data—such as power consumption and rotational speed— jointly. As a result, these approaches struggle to effectively detect deviations in the operational states relative to variations in the reference signals. In this paper, we propose the model which separates the encoding processes for the reference signal and each operational state data, and reconstructs them by combining these signals in the decoder. Our proposed model enables the early detection of anomalies in the operational state data with respect to variations in the reference signal. To validate the effectiveness of the proposed model, angle as reference signal, sine, and cosine values as state data were used for training, and anomaly detection performance was evaluated by anomalous data to each of these values.
Experimental results show that the proposed model outperforms conventional autoencoder-based approaches in detecting early signs of operational anomalies. Consequently, the proposed model can be used for application in predictive maintenance of systems where continuous operation is critical.