Transformer-based Autoencoder와 FDD 손실 함수를 활용한 전류 센서의 비지도 학습 기반 이상 탐지

박종호; 이제혁

doi:10.13088/jiis.2025.31.1.127

추천

검색

질문

자료유형: 학술저널

저자정보: 박종호 (국민대학교) 이제혁 (국민대학교)

저널정보: 한국지능정보시스템학회 지능정보연구 지능정보연구 제31권 제1호

발행연도: 2025.3

수록면: 127 - 143 (17page)

DOI: 10.13088/jiis.2025.31.1.127

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

전류 센서 기반의 이상 탐지는 다양한 산업 분야에서 효율적인 운영을 보장하고 심각한 고장을 예방하는 데 핵심적인 역할을 한다. 이러한 센서를 통해 수집된 데이터는 기계 상태를 실시간으로 모니터링하며 초기 단계에서 이상 신호를 감지하는 데 활용된다. 기존의 머신러닝 및 센서 데이터 처리 기법과 비교했을 때 딥 러닝 기술은 복잡한 데이터 패턴을 효과적으로 학습할 수 있는 능력을 제공하여 더 높은 유연성과 강력한 데이터 표현력을 제공한다. 하지만 딥 러닝을 활용한 전류 센서 이상 탐지 연구는 데이터 레이블링의 어려움, 높은 연산 자원 요구, 그리고 모델의 일반화 능력 부족 등 여러 도전에 직면해 있다. 특히, 산업 현장에서 레이블이 부착된 데이터를 수집하는 것이 비용 및 시간 면에서 어려움을 초래하기 때문에 비지도 학습 기법의 필요성이 강조되고 있다.
이러한 문제를 해결하기 위해 본 연구에서는 Transformer 기반의 Autoencoder를 적용한 전류 센서의 이상 탐지 방법을 제안한다. 본 논문에서 제안된 기법은 전류 센서 데이터의 시계열적 특성을 효과적으로 학습함으로써 정상 상태와 비정상 상태를 보다 정확히 구분할 수 있도록 설계하였다. 특히, 기존의 단순한 임계값 설정 방식을 개선하여 데이터 간 거리와 각도 차이를 통합적으로 반영하는 Fused Directional Distance(FDD) 손실 함수를 사용해 임계값을 설정하였다. FDD 손실 함수는 노이즈의 영향을 줄이고 모델의 강건성을 향상시키는 데 기여한다. 이를 실제 AI Hub에서 제공하는 ‘기계 시설물 고장 예지’ 데이터 내의 전류 센서 데이터에 적용하였다. 실험 결과, 제안된 모델은 기존의 방법들과 비교했을 때 우수한 이상 탐지 성능을 나타냈으며, 다양한 산업 환경에 적용 가능한 가능성을 입증하였다. 또한, 비지도 학습 방식을 통해 레이블이 없는 데이터에서도 효과적인 이상 탐지가 가능함을 보여주었다. 본 연구는 전류 센서를 활용한 비지도 학습 기반 이상 탐지에 새로운 접근 방식을 제시하며, 산업 현장에서의 실질적인 문제를 해결하는 데 기여할 것으로 기대된다.

Anomaly detection in current sensors plays a crucial role in maintaining efficient operations and preventing catastrophic failures across various industries. Data obtained from current sensors is used to monitor the condition of machinery in real-time and to detect anomalies at an early stage. Compared to traditional machine learning and sensor processing methods, deep learning techniques offer superior adaptability and powerful data representation learning capabilities by learning complex patterns in the data. However, research on anomaly detection using deep learning for current sensors faces several challenges, including the difficulty of data labeling, high computational costs, and model generalization issues. In particular, obtaining labeled data in practical environments is often challenging and costly, highlighting the need for unsupervised learning methods.
To address these issues, we propose an unsupervised anomaly detection method for current sensor data using a Transformer-based Autoencoder. The proposed method effectively learns the temporal characteristics of current sensor data, improving the ability to distinguish between normal and abnormal states. Specifically, this study introduces the Fused Directional Distance (FDD) loss function, which considers both the distance and angle differences between data points instead of the commonly used reconstruction error for threshold setting. The FDD loss function effectively suppresses the influence of noise and enhances the robustness of the model. We apply the proposed method to real current sensor data from AI Hub’s ‘machinery facility failure prediction sensors’ dataset.
Experimental results demonstrate that the proposed model achieves superior anomaly detection performance compared to existing methods and confirms its applicability in various industrial environments. Notably, the unsupervised learning approach enables effective anomaly detection even with unlabeled data, showcasing the method’s practicality. This study presents a novel approach to unsupervised anomaly detection using current sensor data, providing a foundation for future research in this field. Additionally, this research is expected to expand the application scope of current sensor data and contribute to solving practical problems in industrial settings.

#이상 탐지 #비지도 학습 #오토인코더 #트랜스포머 #전류 센서 #Current Sensor #Unsupervised learning #Anomaly Detection #Autoencoder #Transformer

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이제혁

소속기관 국민대학교

주요연구분야 공학 > 전기전자공학 > 정보통신공학 공학 > 컴퓨터학

논문수 5 이용수 865

이 논문과 함께 이용한 논문

자율주행차량을 위한 강화학습 보상 함수에 관한 연구

김문경 , 이정우 한국통신학회 학술대회논문집 2025 .02

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)