디지털 리트로핏 설비의 초기 데이터 부족 문제 해결을 위한 적응형 딥러닝 모델 운영 방안

Abstract

최근 제조 산업에서는 노후 설비의 센서, 제어 및 구동부를 교체하여 설비 성능을 향상시키는 디지털 리트로핏 기술이활발히 도입되고 있다. 그러나 리트로핏 초기 운영 단계에서는 센서 및 제어기 교체 이후 수집되는 데이터의 양이 매우 제한적이다. 이로 인해 이상 탐지 모델 학습에 필요한 데이터의 분포를 충분히 반영하기 어려워 학습 성능이 저하되며, 실시간 예지보전시스템을 즉시 적용하기에는 한계가 존재한다. 본 연구에서는 리트로핏 설비 운영 초기에 발생하는 데이터 부족 문제를 해결하기위해, 데이터 축적 단계에 따라 두 종류의 이상 탐지 모델을 유연하게 전환하는 적응형 접근 방식을 제안한다. 초기 운영 단계에서는사전학습된 파운데이션 모델을 활용하여 즉시 이상 탐지를 수행하고, 이후 충분한 양의 정상 데이터를 확보하게 되면, 지속적인재학습이 가능한 Long Short-Term Memory-Autoencoder기반 모델로 전환하여 탐지 성능과 운영 효율을 향상시킨다. 제안한적응형 접근 방식의 유효성은, 실제 5축 CNC 머신 데이터를 대상으로 시퀀스 정규화를 적용한 후 두가지 실험을 통해 검증하였다. 실험에 앞서 첫 번째 실험에서는 학습 데이터 비율에 따른 이상 탐지 성능과 학습 시간을 비교했고, 두 번째 실험에서는 다양한노이즈 환경에서 모델의 강건성을 평가하였다. 실험 결과, 모델 전환 후에도 이상 탐지 성능은 안정적으로 유지되었고, LSTM-AE는파운데이션 모델 대비 학습 시간이 매우 짧으며 다양한 노이즈 환경에서도 강건한 성능을 보였다. 본 연구는 제조 서비스 분야에서리트로핏 설비의 초기 운영 단계부터 효과적인 실시간 예지보전 서비스를 제공하여 설비 운영의 효율성 향상에 기여할 것으로기대된다.