저데이터 적응형 학습 기반 제조장비 디지털 리트로핏 이상탐지 연구

Low-data adaptive learning for digital retrofit anomaly detection in manufacturing equipment research

연구 내용

멀티 머신 시계열 데이터에서 메타러닝과 LSTM-Autoencoder를 결합해 라벨이 부족한 제조장비의 이상을 빠르게 적응 탐지하는 연구

노후 제조장비에 적용되는 디지털 리트로핏 환경에서는 라벨 데이터 부족과 기계·제품별 운전 패턴 변동이 주요 제약입니다. 본 연구는 Model-Agnostic Meta-Learning 기반 메타태스크를 멀티 머신 데이터로 구성하고, LSTM-Autoencoder로 시계열 재구성 기반 이상 점수를 산출해 미지 기계 및 새로운 생산 시나리오에 빠르게 적응하도록 설계합니다. 이를 통해 제한된 학습 예제로도 이상탐지 성능을 유지하고, 설비 유지보수 비용 절감과 안정 운영을 지원하는 신뢰성 확보 방향을 제시합니다.

관련 프로젝트

1건

연구 흐름

초기 단계에서는 리트로핏 장비의 운전 시계열을 기반으로 데이터 정규화와 이상 점수 산출 로직을 정리하고, 전이학습만으로는 새로운 기계 조건을 충분히 반영하기 어렵다는 문제를 확인했습니다. 이후 멀티 머신 기반 메타태스크 구성으로 학습 단계에서 적응 능력을 모델에 내재화하고, LSTM-Autoencoder로 시간 의존성을 반영하는 탐지 구조를 구축했습니다. 최근에는 완전히 새로운 기계 데이터에 대한 일반화 성능을 검증하고, 노후 제조장비 제어기 고도화를 위한 디지털 리트로핏 실증 과제와 연계해 현장 적용 가능성을 높이는 연구를 수행합니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

저데이터 이상탐지
리트로핏 설비 신뢰성 평가
유지보수 비용 절감
기계별 운전 패턴 적응
시계열 재구성 기반 점검
새 생산 시나리오 감지
설비 상태 모니터링 모델
운영 데이터 품질 관리
실시간 경보 기준 도출
디지털 리트로핏 제어기 고도화 지원