합성곱 신경망(CNN)을 활용한 항공 시스템의 이상 탐지 모델 연구 = Anomaly Detections Model of Aviation System by CNN

다국어 초록 (Multilingual Abstract)

Recently, Urban Aircraft Mobility (UAM) has been attracting attention as a transportation system of the future, and small drones also play a role in various industries. The failure of various types of aviation systems can lead to crashes, which can result in significant property damage or loss of life. In the defense industry, where aviation systems are widely used, the failure of aviation systems can lead to mission failure. Therefore, this study proposes an anomaly detection model using deep learning technology to detect anomalies in aviation systems to improve the reliability of development and production, and prevent accidents during operation. As training and evaluating data sets, current data from aviation systems in an extremely low-temperature environment was utilized, and a deep learning network was implemented using the convolutional neural network, which is a deep learning technique that is commonly used for image recognition. In an extremely low-temperature environment, various types of failure occurred in the system’s internal sensors and components, and singular points in current data were observed. As a result of training and evaluating the model using current data in the case of system failure and normal, it was confirmed that the abnormality was detected with a recall of 98 % or more.

국문 초록 (Abstract)

최근 미래의 운송시스템으로 도심교통항공(Urban Aircraft Mobility)이 주목받고 있으며 소형 드론도 다양한 산업에서 역할을 하고 있다. 다양한 종류의 항공 시스템 고장은 추락으로 막대한 재산 및 인명 피해로 이어질 수 있다. 항공 시스템이 많이 활용되는 무기체계에서도 고장은 임무 실패의 결과를 유발한다. 본 논문에서는 항공 시스템의 이상(Anomaly)을 탐지하여 개발 및 생산 간 시스템의 신뢰도를 높이고 운용 중 사고를 예방할 수 있도록 딥러닝 기술을 활용한 이상 탐지 모델을 연구했다. 모델 훈련 및 평가 데이터로 극저온 환경에서 시스템의 전류 데이터를 활용하였으며 이미지 인식에 많이 활용되는 딥러닝 기법 합성곱 신경망(CNN; Convolutional Neural Network)을 활용하여 딥러닝 네트워크를 구현했다. 시험 대상 시스템은 극저온 환경에서 다양한 형태의 고장이 유발되었고 전륫값의 특이점이 나타났다. 시스템 정상 및 고장 데이터를 활용하여 모델을 훈련 시키고 평가한 결과 98% 이상의 재현율(Recall)로 이상 탐지하는 것을 확인했다.

참고문헌 (Reference)

1 이모세 ; 안현철, "효과적인 입력변수 패턴 학습을 위한 시계열 그래프 기반합성곱 신경망 모형: 주식시장 예측에의 응용" 한국지능정보시스템학회 24 (24): 167-181, 2018

2 김민기, "시분할 CNN-LSTM 기반의 시계열 진동 데이터를 이용한 회전체 기계 설비의 이상 진단" 한국멀티미디어학회 25 (25): 1547-1556, 2022

3 김연실 ; 최인호, "UAM 추락 시 인구 밀접 지역 지상 인명피해 분석" 한국항행학회 26 (26): 281-288, 2022

4 E. Lee, "Trends in AI Technology for Smart Manufacturing in the future" 35 (35): 60-70, 2020

5 Q. Wen, "Time Series Data Augmentaion for Deep Learning: A Survey" 2021

6 J. Oh, "The Fundamental Design and Analysis of UAV Avionics System for Maritime Operation" 1317-1319, 2018

7 N. Park, "Research Trends on Deep Learning for Anomaly Detection of Aviation Safety" 36 (36): 82-91, 2021

8 김은섭 ; 신수용, "Recurrence Plot과 딥러닝을 이용한 음향 기반 드론 고장 감지" 한국통신학회 48 (48): 114-122, 2023

9 L. Basora, "Recent Advances in Anomaly Detection Methods Applied to Aviation" 6 (6): 117-, 2019

10 M. Saripuddin, "Random Undersampling on Inbalance Time Series Data for Anomaly Detection" 15-156, 2021

11 정선우 ; 신지원 ; 민순재 ; 허장욱, "LSTM을 이용한 열화상 카메라의 고장진단" 한국산학기술학회 23 (23): 355-363, 2022

12 서재홍 ; 박준성 ; 유준우 ; 박희준, "LSTM-VAE를 활용한 기계시설물 장치의 이상 탐지 시스템" 한국품질경영학회 49 (49): 581-594, 2021

13 UAM Team Korea, "K-UAM Concept of Operations 1.0" 2021

14 A. Géron, "Hands-On Machine Learning with Scikit-Learn & Tensorflow" O’Reilly Media 2019

15 S. Mishra, "Handling Imbalanced Data: SMOTE vs. Random Undersampling" 4 (4): 317-320, 2017

16 K. Choi, "Deep Learning for Anomaly Detection in Time-Series Data: Review, Analysis, and Guidelines," 9 : 120043-120065, 2021

17 Y. LeCun, "Deep Learning" 521 : 436-444, 2015