KCI우수등재
생성적 딥러닝 모형 기반 시계열 데이터의 이상치 탐지 비교 연구 = Comparative study of time series anomaly detection based on generative deep learning models
저자
발행기관
학술지명
한국데이터정보과학회지(Journal of the Korean data & information science society)
권호사항
발행연도
2023
작성언어
Korean
주제어
등재정보
KCI우수등재
자료형태
학술저널
발행기관 URL
수록면
377-394(18쪽)
제공처
Anomaly detection is a key research area in both traditional statistical models as well as more recent machine learning and deep learning models. In particular, with the increasing complexity of manufacturing processes in the manufacturing industry, the probability of equipment failure or defective products has increased. To reduce the cost caused by these problems, anomaly detection within processes and preventive maintenance get much attention. Recently, various deep learning models have been developed for anomaly detection. In this study, we introduce several deep learning models for anomaly detection, which are capable of the manufacturing industry's sensor data. We compare their performance using synthetic time series data and real sensor data from automotive component processes. As a result, our comparison shows that the TadGAN model, which combines the LSTM structure and GAN model, demonstrated the best performance for anomaly detection.
더보기이상치 탐지는 전통적인 통계 모형뿐만 아니라 최근 머신러닝 및 딥러닝 모형에서도 여러 연구가 활발히 이루어지고 있는 분야이다. 특히 제조 분야에서 제조 공정의 복잡도 증가로 인하여 설비 또는 제품의 이상 발생 확률이 증가하였고 이로 인한 손실을 최소화하기 위하여 공정 내 이상치 탐지와 고장 발생에 대한 예방적 정비가 많은 관심을 받고 있다. 최근 이상치 탐지를 위한 여러 구조의 딥러닝 모형이 개발되었으나 공정 내 이상치 탐지의 성능을 공정하게 비교한 연구는 충분히 진행되지 않았다. 본 연구에서는 제조 분야의 센서 데이터에 대한 이상치 탐지가 가능한 생성적 딥러닝 모형 기반의 여러 모형들을 소개하고 합성 데이터와 실제 자동차 부품 공정의 데이터를 기반으로 성능 비교를 수행하였다. 본 연구의 성능 비교 결과, 시계열 데이터에 대한 이상치 탐지에 대해서 LSTM 구조와 GAN 모형을 결합한 TadGAN 모형이 가장 우수한 성능을 나타내었다.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)