Deep-Compact-
Clustering Based Anomaly Detection Applied to Electromechanical Industrial Systems
본 논문은 MDPI 논문이며, sensors 저널에 등록된 논문이다. Impact Factor는 4.35이며,
Unsupervised anomaly detection으로 클러스터링을 이용한 이상값 감지 방법론이다. 또한 LSTM을 기반으로 한 Autoencoder을 쓰기에 이상치 탐지에 적합하다고 생각했다.
4.3. DAECC-OC-SVM Performance Discussion
제안된 이상 탐지 방법의 효율성을 이해하기 위해 행동과 성능을 보여주는 몇 가지 추가 테스트가 제공된다. 이를 위해 먼저 방법론의 핵심, 즉 DAE의 특성화 및 표현 능력에 대한 분석을 수행한다. DAE는 입력과 출력 간의 재구성 오류를 최소화하여 최적화된다. 또한 이 과정에서 인코더 과정의 출력에서 병목 현상 공간에서 서로 가까운 유사한 특징을 매핑한다. 반대로 서로 다른 샘플은 먼 공간에 매핑된다. 그림 5a에서 볼 수 있듯이 간단한 DAE 모델에서 얻은 기능 매핑은 정상 상태(He)와 오류 상태(F1)에 해당하는 클러스터를 나타낸다. 각 상태는 다른 클러스터 세트를 나타낸다.
게다가, 그림 5b,c에는 각각의 건강 상태인 He 및 F1의 샘플과 이에 따라 훈련 후 DAE에 의해 얻은 재구성이 표시된다. 질적으로 DAE를 통해 재구성된 신호는 해당 실제 신호와 높은 유사성을 가지고 있음을 알 수 있다. 정확한 재현은 아니지만 각각의 조건에서 가장 대표적인 고조파 형태로 재구성된다. 발생하는 차이, 즉 증가 또는 감소와 같은 적성의 변화 또는 고조파의 위치 변화는 비선형성과 같은 시스템의 고유한 특성과 노이즈, 진동, 또는 외부 간섭. 재구성 오류 측면에서 He 샘플은 0.140의 ΩMse를 갖는 반면 F1 샘플은 Bf에 해당한다. ΩMse는 0.710이다. 이러한 ΩMse 값은 각 해당 건강 상태에 대해 일관된다.
그러나 이상치로 해석되는 새로운 결함 조건의 샘플을 특성화하려고 할 때 기존 DAE 모델에는 특정 단점이 있을 수 있다. 비지도학습으로 DAE 학습 프로세스로 인해 기능 공간의 데이터 표현이 최적화되지 않으므로 압축 표현이 없다. 가설은 컴팩트 피처 공간이 정상 상태와 비정상 상태 사이의 분리성을 증가시킨다. 따라서 비정상 샘플은 정상 샘플에 매우 가깝거나 겹칠 수 있다. 이 효과는 그림 6a에 나와 있으며, 여기서 DAE의 병목 현상으로 매핑된 정상 샘플과 비정상 샘플 간에 상당한 중첩이 관찰된다. 비정상 샘플은 F2로 표시되며, 이는 Gf에 의한 결함에 해당한다.
또한 DAE가 학습한 매핑 기능은 훈련 데이터 분포에 따라 다르다. 즉, DAE는 일반적으로 훈련 중에 본 데이터와 크게 다른 데이터를 재구성하는 데 성공하지 못한다. 그러나 데이터의 품질은 재구성 오류의 측정에 영향을 줄 수 있다. DAE 매핑은 알려지지 않은 데이터도 맞출 수 있기 때문에 훈련 데이터와 유사한 재구성 오류를 생성한다. 이러한 의미에서 그림 6b는 DAE 교육에서 볼 수 없는 결함 샘플(F2)의 특성을 보여준다. 유사하게, DAE의 적합도에서 보이지 않는 샘플은 효과적으로 재구성되지 않는다는 것을 질적으로 알 수 있다.
이상 탐지에 대한 이러한 단점을 해결하기 위해 DAE의 병목 현상으로 인한 기능 렌더링을 개선하기 위해 DCC가 도입되었다. DCC의 목적은 특징 공간 매핑의 간결한 표현을 달성하는 것이다. 언급한 바와 같이 기존 DAE는 데이터의 간결한 표현을 생성하도록 최적화되어 있지 않아 정상 샘플과 비정상 샘플 간에 중복이 생성된다. 이 중복은 분류기의 성능을 방해한다. 그림 7a와 같이 OC-SVM 방식을 통해 생성된 경계는 특징 공간이 조밀하지 않기 때문에 일반 데이터에 비해 너무 길다. 이와 관련하여 매핑된 공간에 비정상적인 샘플의 데이터를 투영할 때 경계 내에 배치되어 높은 값의 FN을 생성합니다. 이 효과는 그림 7b에 나와 있다. OC-SVM에 의해 생성된 경계 내에서 매핑된 정상 샘플과 비정상 샘플 간에 상당한 중첩이 표시될 수 있다. 대조적으로, DCC는 표현에 간결함을 도입하고 더 조밀한 클러스터가 생성된다.
OC-SVM 체계는 그림 8a와 같이 가까운 경계를 생성한다. 따라서, 그림 8b에서 볼 수 있듯이 정상 샘플과 비정상 샘플 사이의 중첩 영역이 크게 감소했다. 일반 샘플의 표현은 기존 DAE에서 제공하는 매핑과 비교하여 매우 간결한 여러 그룹으로 그룹화되다. 이는 중심이 시스템의 다양한 작동 조건에 해당하는 데이터 분포를 제공한다는 사실 때문이다.
5. Conclusions
본 논문에서는 산업용 전기기계 시스템에서 이상 탐지를 위한 새로운 방법인 DAECC-OC-SVM을 제안한다.
- 첫째, 일반적으로 스마트 제조 환경에 통합되는 복잡한 산업 시스템의 기능을 특성화하고 추출하기 위해 딥 러닝의 높은 패턴 관리를 기반으로 한다.
- 둘째, 딥 클러스터링 알고리즘을 적용하여 간결한 표현을 학습하기 위한 기능 공간 매핑을 개선한다.
- 셋째, 1등급 분류 체계에 대한 입력으로 사용되며, 특징 공간 매핑 간결화는 이상치나 이상치가 처리될 때 이러한 체계의 구현을 향상시킨다.
- 마지막으로 DAE의 재구성 능력과 결합하여 이상값 탐지를 개선할 수 있다.
방법론적 제안의 효율성을 입증하기 위해 검증을 수행하기 위해 다중 결함 실험 테스트 벤치와 베어링 결함 실험 테스트 벤치의 두 가지 실험 시스템이 분석되었다. 다중 결함 실험 테스트 벤치는 영구 자석 동기 모터에 의해 구동되는 반면 베어링 결함 실험 테스트 벤치는 유도 모터에 의해 구동된다. 따라서 제안하는 방법은 단일 엔진 기술의 사용에 국한되지 않는다. 모든 실험 연구를 기반으로 다양한 작동 조건(부하 및 속도) 및 다양한 건강한 조건에서 개발된 방법론의 효율성이 입증되었다. 결과는 먼저 정량적으로 분석한 다음 정성적으로 분석한다.
제안된 방법은 세 가지 다른 이상 탐지 기법과 비교된다.
- 첫 번째는 deep autoencoder를 기반으로 하는 재구성 모델로, 이 경우 재구성 오류가 높은 샘플에 대해 이상 임계값이 설정된다.
- 두 번째는 간결화 과정 없이 DAE를 통한 특징 공간 매핑 기반 모델이다.
- 세 번째, 재구축 모델과의 조합을 고려하지 않고 제안하는 방법을 단순화한 것이다.
이 제안을 통해 분류 비율에 대해 다중 결함 실험 테스트 벤치의 경우 평균 87.7%, 베어링 결함 실험 테스트 벤치의 경우 평균 97.6%에 도달했기 때문에 달성된 결과는 다른 이상 감지 방식보다 제안된 방법의 우수성을 보여준다. 15개의 다중 결함 실험 테스트 시나리오에 대해 제안된 방법은 14개에서 우수하여 다른 방법에 비해 최상의 평균을 얻는다. 베어링 결함 실험 테스트 벤치의 7가지 시나리오에서 제안된 방법이 기존 방법보다 효과적이다.
DAECC-OC-SVM 제안의 주요 장점 중 하나는 이상 감지가 수행되는 모든 전기 기계 시스템에 적용할 수 있다는 것이다.
제안된 모델의 높은 효율성은 복잡한 산업 환경에 적용할 수 있음을 보여준다. 그러나 대부분의 데이터 기반 접근 방식에서와 같이 모델의 효율성은 데이터 품질, 컴팩트 클러스터를 생성하는 모델의 능력 및 피처 공간에서의 분포에 크게 좌우된다. 이상 징후의 탐지는 직면하고 해결하기 어려운 작업이다. 산업 시스템의 상태를 모니터링하는 분야에서 이상 감지는 시스템의 물리적 구성, 다양한 작동 조건 및 다양한 결함의 존재와 같은 다양한 문제에 직면해야 하므로 문제를 해결할 수 있는 도구여야 한다. 생산 과정에서 나타나는 불편함. 이와 관련하여, 본 연구는 전기기계 시스템의 이상 탐지를 위한 방법론적 프로세스를 제안하였다. 이 작업에 제시된 기여는 실제 환경에 적용할 수 있으므로 추가 연구를 진행할 수 있다.
이것으로 "Deep-Compact-Clustering Based Anomaly Detection Applied to Electromechanical Industrial Systems"의 논문 리뷰를 마친다.
