스마트 공장에서의 공기 누설(air leakage)은 지속적으로 큰 과제이며, 상당한 비용과 운영 비효율을 계속해서 초래하고 있다. 적외선 검출기와 같은 기존의 해결책은 결점이 있어, 검출을 위해 추가 인력이 요구되고 설비 가동 중단으로 인한 금전적 손실이 발생한다. 진행 중인 디지털 전환 속에서 제조 공장 내 공기 누설의 조기 탐지가 시급하다는 요구를 해결하기 위해, 본 논문은 클래스 불균형을 함께 다루고 불확실성을 인지하는 예측을 제공하는 종단 간 프레임워크를 제안한다. 핵심적으로, 우리는 데이터 구조를 보존하면서 불균형을 완화하기 위한 새로운 비지도 기반 향상 데이터 샘플링 방법(UEDSM, unsupervised-enhanced data sampling method)을 제안하고, 강건한 추론을 위해 Monte Carlo Dropout을 적용하는 드롭아웃 기반 신경망(ALDNet, dropout-enabled neural network)과 이를 통합한다. 본 방법의 효과는 제조 공장 내 두 대의 공기 압축기에 대한 실시간 물리적 모니터링을 포함하는 일련의 포괄적 실험을 통해 검증되었다. 자원 낭비와 인적 개입을 최소화하는 것에 더해, 본 솔루션은 95% 이상의 정확도와 80%를 상회하는 F1-score를 달성하여 누설 탐지를 수 분 앞서 수행할 수 있게 한다. 이러한 결과는 엣지(edge) 환경에 배치하는 데 있어 본 접근법의 실용적 타당성을 보여주며, 스마트 제조에서의 효율 향상, 자원 낭비 감소, 그리고 회복탄력성(resilience) 증진에 기여한다.

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