Quantum-Agentic Smart Manufacturing for Anomaly Detection and Predictive Maintenance = 양자 에이전트 기반 스마트 제조 이상 탐지 및 예측 유지보수

국문 초록 (Abstract)

현대 스마트 제조는 사이버-물리 시스템, 산업용 사물인터넷, 그리고 인공지능을 통합하여 자율적인 생산 환경을 구축하며, 예기치 않은 설비 정지는 심각한 경제적 손실을 초래한다. 그럼에도 예지보전 연구는 여전히 단 편적이다. 이상 탐지, 잔여수명 예측, 보전 일정 계획은 분리된 문제로 다루어지고, 정적 모델은 센서 드리프트로 인해 성능이 저하되며, 조합적 일정 계획의 복잡성은 기계 수에 따라 빠르게 증가한다. 본 학위논문은 단일 60초 주기 내에서 원시 Kafka 센서 스트림으로부터 제약 만족 보전 일정으로의 폐쇄루프를 구현하는 3계층 실시간 아 키텍처인 QASAMAP（Quantum-Agentic Smart Manufacturing for Anomaly Detection and Predictive Maintenance） 프레임워크를제안한다. 제1계층— 시공간예측 및지도학습. 50대기계에서 100,000건의데이터셋에 대해, 상호 상관시차그래프（50개노드, 538개유향엣지）를사용한 Temporal Graph Convolutional Network는 5개센서채널에 걸쳐 평균 R2 = 0.7739（전체 7개 특징 집합에서는 0.7702）를 달성하여, 튜닝된 LSTM（+13.8%） 및 하이브리드 LSTM–GCN（+9.1%）을 능가한다. 6개 예측 대상에 대한 XGBoost, LightGBM, CatBoost, HistGradientBoosting, TabNet 지도학습 벤치마크는 이상 탐지, 고장 유형 분류, 다운타임 위험 및 보전 예측, 기계 상태, 잔여수명 회귀의 기준성능을확립한다. 제2계층— 4계층다중에이전트오케스트레이터. Kafka기반인지계층은기계별W = 10 판독윈도우를버퍼링하고,단계적오케스트레이터가조정하는 9개전문에이전트（Monitoring, Correlation, Pattern Learning, Diagnosis, Planning, Action, Self-Reflection, Explainability, Reporting）를통해처리한다. 이질적 LLM라우 팅은각에이전트를작업에적합한모델에매칭한다. 50대스트리밍기계종단간검증은 50대중 45대를 CRITICAL 우선순위로 일정 계획 계층에 전달하고, 36.9 ms 내에 실현 가능한 일정을 반환하여 Kafka 주기 내에 충분히 들 어온다. 제3계층 — 제약 인식 일정 계획. 일정 계획 문제는 MILP와 QUBO 양 형식으로 정식화되며, MILP/CBC, 양자-영감적 진화 알고리즘（QIEA）, 모의 양자 어닐링（SQA）, 실현 가능성 인식 SA/GA/TS, 그리고 시뮬레이션과 IBM 하드웨어 모두에서 실행되는 XY 링 믹서 QAOA에 걸쳐 벤치마크된다. 스트리밍 벤치마크（N = 3–15, 기본 제약）에서 MILP/CBC는 모든 기계 수에 대해 밀리초 단위로 검증된 최적해를 반환한다. 일대일 할당, d = 4시간 기간윈도우용량, ρ-슬롯위험시계,필수일정계획규칙을모두시행하는복합제약스트리밍실험은 IBM ibm fez 에서 측정된 세 가지 영역을 드러낸다: N = 3（12 큐비트, 깊이 801, 644 CZ）에서 QAOA-XY는 MILP 최적해를 정확히 사후 선택한다（비용 300.00, 10.96% 실현 가능성）; N = 5（20 큐비트, 깊이 1,226, 1,935 CZ）에서 정확한 MILP 모델은 구조적으로 실현 불가능하며 고전 휴리스틱은 용량 또는 위험 시계 위반을 남기고, QAOA-XY만이 일대일 및 용량 실현 가능한 일정을 반환한다（비용 1,186.02, 0.24% 실현 가능성, MILP 최선 노력 대비 +1.3%）; N = 7（28 큐비트, 깊이 3,120, 4,063 CZ）에서 QAOA-XY 일정（비용 3,069.07, V = 2 위반）은 모든 페널티 기반 고전 휴리스틱（최선 4,295.42, V = 8）보다 비용이 낮으나, 정확한 MILP 최선 노력（비용 2,404.95）이 여전히 더 낮다. N = 9（32큐비트, 5,390 CZ）에서실증적노이즈경계선에도달한다: ibm fez및 ibm kingston에서 0%실현 가능성（병렬 ibm marrakesh제출은 IBM대기열에서시간초과됨）으로, p = 2의 Heron r2한계가큐비트수가아닌 게이트충실도와회로깊이에의해결정됨을확인한다. 따라서 QASAMAP의기여는 （i）시공간예측,다중에이전트 인지 추론, 그리고 제약 인식 일정 계획에 걸친 재현 가능한 벤치마크와, （ii） N = 3–7의 제약-긴밀 영역에 대한 실증적 특성화이다 — 이 영역에서는 정확한 MILP 모델이 실현 불가능하고 페널티 기반 휴리스틱이 위험 시계를 위반하는상황에서현행 NISQ하드웨어의 XY링믹서 QAOA가일대일및용량실현가능한일정을반환하며,이와 더불어그이상（N ≳ 9）에서는더이상그렇지못한,게이트충실도로제한된노이즈경계선을함께규명한다.

목차 (Table of Contents)

• 1. Introduction 1
• 1.1. Background 1
• 1.2. Motivation 2
• 1.3. Research Questions and Hypotheses 3
• 1.4. Contribution 4
• 1.5. Structure of Thesis 6
• 2. Literature Review 7
• 2.1. Foundations of Smart Manufacturing and Industry 4.0 7
• 2.1.1. Evolution of Manufacturing Paradigms 7
• 2.1.2. Data-Driven Maintenance Intelligence 7
• 2.2. Anomaly Detection in Manufacturing 8
• 2.3. Predictive Maintenance Approaches 9
• 2.4. Agent-Based Systems and Agentic AI in Manufacturing 10
• 2.5. Quantum Computing and Quantum-Inspired AI for Manufacturing 12
• 2.5.1. Quantum Computing in the NISQ Era 12
• 2.5.2. Variational Quantum Circuits 12
• 2.5.3. Quantum Optimization Foundations 14
• 2.5.4. Quantum Annealing and QUBO Formulations 14
• 2.5.5. QAOA for Combinatorial Scheduling 15
• 2.5.6. Hybrid Quantum-Classical Systems 15
• 2.5.7. Quantum-Inspired Classical Optimization 16
• 2.6. Comparative Analysis of Latest Existing Approaches 17
• 2.6.1. Limitations of Current Methodologies 18
• 3. Quantum-Agentic Smart Manufacturing Framework 19
• 3.1. Smart Manufacturing System and Data Environment 19
• 3.1.1. QASAMAP Architecture Overview 19
• 3.1.2. Smart Manufacturing Setting 20
• 3.1.3. Data Sources and Characteristics 22
• 4. Data Ingestion and Spatio-Temporal Modeling using Temporal Graph Convolutional Networks 25
• 4.1. Overview and System Architecture 25
• 4.2. Dataset Description and Sensor Characteristics 26
• 4.2.1. Positioning Against Public Benchmark Datasets 27
• 4.3. Real-Time Sensor Data Ingestion 28
• 4.4. Spatio-Temporal Modelling with Temporal Graph Convolutional Networks 30
• 4.4.1. Graph Construction via Cross-Correlation Analysis 31
• 4.4.2. Graph Analysis and Anchor Selection 31
• 4.5. T-GCN Model Architecture 35
• 4.5.1. Training and Inference Procedure 38
• 4.6. Forecasting Results and Evaluation 39
• 4.6.1. Per-Feature Forecasting Performance 39
• 4.6.2. Forecasting Visualizations 41
• 4.6.3. Cross-Dataset Validation on Public Benchmarks 45
• 4.7. Supervised Learning Benchmark for the Six Operational Targets 46
• 4.8. Sensor Domain Alignment and Fleet Propagation 48
• 4.8.1. The Sensor Domain Mismatch Problem 48
• 4.8.2. SensorAligner: Z-Score Distribution Mapping 48
• 4.8.3. Fleet Propagation Mechanism 49
• 5. Multi-Agent System Orchestrator for Real-Time Predictive Maintenance 51
• 5.1. System Architecture and Design Principle 51
• 5.1.1. Architectural Overview 51
• 5.1.2. Design Principles 52
• 5.2. Agent Pipeline: Phased Execution Model 53
• 5.3. Real-Time Stream Processing Pipeline 55
• 5.3.1. Kafka Consumer with Sliding Window 55
• 5.3.2. Sensor Data Model and Constraint Space 56
• 5.4. Comparative Analysis: Multi-Agent vs Monolithic Architecture 58
• 5.5. End-to-End Streaming Validation on 50 Machines 59
• 5.5.1. Cognitive-Layer to Scheduling-Layer Handover 59
• 5.5.2. Per-Machine Agent Output 60
• 6. Quantum Approaches for Optimizing Maintenance Scheduling 62
• 6.1. Background 62
• 6.2. Problem Formulation 62
• 6.2.1. Maintenance Scheduling as Combinatorial Optimization 62
• 6.2.2. Constraints 63
• 6.2.3. Time Discretization 63
• 6.2.4. Detailed Constraint Specification 63
• 6.3. Quadratic Unconstrained Binary Optimization 64
• 6.3.1. Objective Encoding 64
• 6.3.2. Constraint Encoding via Penalty Terms 65
• 6.3.3. Penalty Weight Calibration 65
• 6.3.4. QUBO to Ising Conversion 65
• 6.4. Quantum-Inspired Algorithms 67
• 6.5. Simulated Quantum Annealing (SQA) 68
• 6.6. Gate-Based Quantum Optimization (QAOA) 69
• 6.6.1. QAOA with XY Ring Mixer 69
• 6.7. Classical Simulation (State Vector) 71
• 6.8. IBM Quantum Hardware Execution 72
• 6.9. Classical Baseline : MILP / CBC 72
• 6.10. Experimental Results 73
• 6.10.1. Experiment Setup 73
• 6.10.2. IBM Quantum Hardware Results 73
• 6.11. Analysis and Discussion 76
• 6.11.1. Streaming Real-Time Data: Impact on Scheduling Complexity 76
• 6.11.2. Complex-Constraint Streaming Pipeline with Hardware Vali-dation 78
• 6.11.3. Multi-Seed Scaling Benchmark 80
• 6.11.4. Classical Metaheuristic Baselines: Simulated Annealing, Genetic Algorithm, Tabu Search 81
• 6.11.5. Extended Streaming Benchmark at N = 7, 9, 10 83
• 6.11.6. Recent Advances Adapted to Our Problem 88
• 6.11.7. Sensitivity to the Capacity and Risk-Horizon Constants 88
• 6.11.8. Conditions for a Constraint-Feasible Quantum or Quantum-Inspired Schedule 89
• 7. Conclusions and Future Work 91
• 7.1. Summary of Contributions 91
• 7.2. Empirical Findings 92
• 7.3. Limitations 94
• 7.4. Future Research Directions 94
• References 96
• Appendix A. Algorithm 103
• A.1. Data Ingestion and Spatio-Temporal Modelling 103
• A.2. Real-Time Multi-Agent Stream Processing 106
• A.3. Quantum-Inspired and Quantum Scheduling 107
• Acknowledgement 109
• List of Publications 110