스마트 제조 환경에서의 발전에 따라, 부분방전 이미지와 시계열 신호와 같은 이질적인 다중센서 데이터를 통합하고 분석하는 이상 탐지 방법의 중요성이 점차 부각되고 있다. 그러나 기존의 고성능 멀티모달 모델은 파라미터 수가 많고 연산 요구가 높아 실시간 시스템이나 엣지 디바이스에 적용하기에는 한계가 있다. 이러한 문제를 해결하기 위해 본 논문에서는 지식 증류(knowledge distillation) 기반 경량 멀티모달 이상 탐지(KD-LightMAD) 프레임워크를 제안한다. 제안된 프레임워크는 경량화되어 있으며, RealNVP 기반 정규화 플로우, LIMoE 기반 전문가 선택 구조, SupCon 기반 대조 학습을 결합한 MAD(교사 모델)로부터 핵심 특징 정보를 상속함으로써 성능을 저하시키지 않으면서 충분한 효율을 달성한다. 실험 결과, 제안된 KD-LightMAD 프레임워크는 교사 모델과 비교하여 파라미터 수를 98% 이상 감소시킴으로써 단 15 MB의 초경량 크기를 달성하였고, F1-score 100.0%를 획득하여 기존 최첨단(SOTA) 모델과 동등하거나 더 나은 성능을 보였다. 예를 들어, 제안된 프레임워크는 263-MB 크기의 SOTA 모델과 동일한 성능을 약 6%의 크기에서 재현함으로써 탁월한 효율성을 구현한다. 본 연구의 결과는 제안된 KD-LightMAD 프레임워크가 실시간 성능과 정확도를 유지한 채 고차원 복잡한 센서 데이터를 효과적으로 융합하며, 그로써 스마트 제조를 위한 엣지 디바이스 기반 이상 탐지 시스템의 실용성과 확장성을 향상시킨다는 점을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.