최근 제조 환경에서 디지털 방식으로 개조(retrofitted)된 장비의 사용이 크게 증가하고 있으나, 이러한 추세는 또한 효과적인 이상 탐지를 통해 안정적인 작동을 보장하는 과제를 더욱 증폭시키고 있다. 개조된 시스템은 두 가지 핵심 장애물에 직면한다. 즉, 라벨된 데이터의 심각한 부족과, 기계 및 제품 전반에 걸친 작동 패턴의 상당한 변동성이다. 본 연구는 이러한 문제를 극복하기 위해, 다중 기계 기반 태스크 정식화에서 Model-Agnostic Meta-Learning(MAML)과 Long Short-Term Memory Autoencoder(LSTM-Autoencoder)를 통합하는 새로운 이상 탐지 프레임워크를 제안한다. 다섯 축(five-axis) 컴퓨터 수치 제어(CNC) 기계 여러 대에서 수집한 시계열 데이터로 메타 태스크를 구성함으로써, 본 방법은 소수의 학습 예제만으로도 보지 못한 기계와 생산 시나리오에 신속하게 적응할 수 있게 한다. 실험 결과, 데이터가 부족한 조건에서도 제안 모델은 정확도 98.02%, F1-score 94.74%를 달성하였으며, 이는 기존의 전이 학습 접근법 대비 정확도에서 4.2%p, F1-score에서 16.9%p의 향상을 의미한다. 또한 완전히 새로운 기계 데이터에 대한 교차 검증(cross-validation)에서, 본 프레임워크는 정확도 기준으로 기존 모델보다 18.1% 더 우수한 성능을 보였으며, 이는 더 뛰어난 일반화 능력을 입증한다. 이러한 결과는 제안된 다중 기계 기반 Model-Agnostic Meta-Learning Long Short-Term Memory Autoencoder(MAML LSTM-Autoencoder)가 개조 제조 장비의 운영 효율을 크게 향상시키고 유지보수 비용을 절감하여, 궁극적으로 전체 생산성을 개선하고 실시간 산업 적용을 위한 기반을 마련할 수 있음을 시사한다.

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