데이터 증강 기법을 활용한 설비 이상감지 모델 성능의 향상

국문 초록 (Abstract)

제조 산업에서 설비 유지보수는 제품 품질과 생산성을 보장하는 데 필수적이다. 전통적인 유지보수 방식인 사후보전과 예방보전은 불필요한 비용과 시간 소모로 인해 한계가 존재한다. 이러한 문제를 해결하기 위해 설비 상태를 기반으로 고장을 예측하고 사전에 조치를 취할 수 있는 예지보전(Predictive Maintenance, PHM)이 주목받고 있으며, 특히 인공지능(AI) 기술의 발전과 함께 그 중요성이 더욱 부각되고 있다. 그러나 실제 제조 환경에서 예지보전을 구현하기 위해서는 고장 데이터의 부족이라는 큰 장애물이 존재한다. 대부분의 설비가 정상 상태로 작동하기 때문에 고장 데이터가 매우 드물게 발생하며, 이는 고장 예측 모델의 학습과 일반화 성능에 제약을 준다.
본 연구에서는 데이터 증강 기법을 활용하여 이러한 문제를 해결하고, 고장 데이터를 보완함으로써 설비 고장 감지 모델의 성능을 향상시키고자 한다. 연구에 사용된 PHM Data Challenge 2018 데이터는 반도체 제조 공정의 핵심 장비인 이온 식각 설비의 시계열 센서 데이터로 구성되어 있다. 본 연구는 가우시안 노이즈 기반의 증강 데이터를 생성하여 고장 데이터를 증대하고, 이를 활용하여 LightGBM, Random Forest, XGBoost, CatBoost 알고리즘을 사용해 모델 성능을 비교하였다.
연구 결과, 데이터 증강은 모델의 성능을 크게 향상시켰으며, 특히 LightGBM 모델이 최적의 성능을 보였다. max depth 6, learning rate 0.2, n_estimators 300의 설정에서 F1 점수 0.509와 재현율 0.520으로 다른 알고리즘보다 우수한 성능을 기록하였다. 또한, 증강 데이터셋 실험에서 노이즈 계수 1과 증강 데이터 개수 20일 때 가장 높은 성능을 보여, F1 점수는 0.984, 정확도는 0.991에 도달하였다.
본 연구는 데이터 증강 기법이 고장 데이터가 부족한 환경에서 모델의 일반화 성능을 높이는 데 효과적임을 입증하였으며, 이를 통해 불필요한 유지보수 비용과 생산 공정의 다운타임을 최소화할 수 있음을 보여준다. 이러한 연구 결과는 예지보전 모델을 산업 현장에 적용하는 데 있어 실질적인 가이드를 제공하며, 향후 다양한 설비 환경 및 실시간 고장 감지 시스템으로의 확장을 위한 기반을 마련하였다.

목차 (Table of Contents)

• 제 1장 서 론 1
• 1. 연구배경 및 목적 1
• 제 2장 데이터 2
• 1. 데이터 설명 2
• 2. 데이터 전처리 7
• 제 3장 데이터 증강 8
• 1. 고장 데이터 필터링 9
• 2. 가우시안 노이즈 기반의 증강 샘플 생성 9
• 3. 증강 데이터 추가 10
• 4. 증강 파라미터 최적화 12
• 제 4장 모델링 및 결과 13
• 1. 활용 알고리즘 13
• 1.1 랜덤포레스트 (Random Forest) 13
• 1.2 CatBoost 13
• 1.3 LightGBM (Light Gradient Boosting Machine) 13
• 1.4 XGBoost (Extreme Gradient Boosting) 14
• 2. Feature 및 Target 정의 16
• 3. 학습 및 테스트 데이터 생성 16
• 3.1 학습 데이터 생성 16
• 3.2 테스트 데이터 생성 17
• 4. 모델 학습 및 결과 17
• 5. 모델 하이퍼파라미터 최적화 19
• 6. 증강 데이터셋에 대한 실험 및 결과 25
• 제 5장 결론 및 시사점 28
• 1. 결론 28
• 2. 시사점 29
• 3. 한계 및 향후 연구 방향 30
• 3.1 데이터셋의 제한 30
• 3.2 데이터 증강의 범위 30
• 3.3 실시간 적용 가능성 30
• 3.4 노이즈 계수 및 증강 개수의 일반화 30
• 3.5 종합적 결론 30