대규모 산업 센서 신호 분석을 위한 부분 재구성 순환 자동인코더

** 본 논문은 대규모 산업 설비에서 수집되는 다차원 센서 시계열 데이터를 효율적으로 분석하기 위한 새로운 방법론을 제시한다. 핵심 아이디어는 순환 자동인코더(RAE)를 이용해 입력 시계열을 고정 길이 컨텍스트 벡터(c)로 압축하고, 디코더가 전체 차원이 아닌 선택된 일부 센서(K ≤ P)만을 재구성하도록 설계함으로써 ‘부분 재구성(partial reconstruction)’을 구현하는 것이다. **배경 및 동기** 산업 현장에서는 수백 개의 센서가 5분 간격 등 일정 주기로 실시간 데이터를 생성한다. 이러한 데이터는 고차원·연속적이며 라벨이 없는 경우가 대부분이다. 기존의 시계열 클러스터링 기법(DTW 등)은 차원이 낮은 경우에만 효과적이며, 다차원 데이터에 적용하면 계산 비용이 급증한다. 또한, 전통적인 자동인코더는 입력과 출력 차원을 동일하게 맞추어 전체 데이터를 복원하도록 학습하지만, 차원이 높을수록 재구성 오차가 커지고 학습이 어려워진다. **제안 모델** - **인코더**: 3층 LSTM(각 400 유닛)으로 구성되며, 입력 시퀀스 {Rᵖₜ}_{t=1}^{T} (P = 158, T = 36)을 순차적으로 처리한다. 마지막 은닉 상태를 선형 Dense 레이어를 거쳐 400 차원의 컨텍스트 벡터 c로 변환한다. - **디코더**: 동일한 3층 LSTM 구조를 사용하지만 출력 차원을 K로 제한한다. 본 연구에서는 K = 6(주요 압력 센서)와 K = 158(전체 센서) 두 경우를 비교하였다. 디코더는 c를 초기 상태로 받아 시퀀스 길이 T만큼 출력한다. - **부분 재구성**: K < P인 경우, 디코더는 전체 시스템 정보를 인코더가 학습한 뒤, 선택된 센서만 복원한다. 이는 전체 정보를 활용하면서도 학습 난이도를 낮추는 효과가 있다. **샘플링 전략** 고정 길이 윈도우(T = 36)를 데이터 전체(T₀ = 2724) 위에서 한 스텝씩 이동하며 연속 샘플을 생성한다. 이 방식은 샘플 간 높은 상관관계를 유지하게 하여, 인코더가 연속적인 컨텍스트 벡터를 생성하고, 이들 벡터가 고차원 공간에서 부드러운 궤적을 형성한다는 가정을 가능하게 한다. **실험 설정** - 데이터: Rolls‑Royce RB211 엔진을 구동하는 2단 원심 압축기 모듈에서 수집된 158개 센서 데이터, 5분 간격, 총 3시간(36 타임스텝) 시퀀스. - 전처리: Z‑score 정규화. - 학습: Adam 옵티마이저, 드롭아웃 0.4, 400‑유닛 3층 LSTM 인코더·디코더. - 비교 모델: (P=158, K=158), (P=6, K=6), (P=158, K=6). **주요 결과** 1. **재구성 성능**: 부분 재구성 모델(P=158, K=6)은 훈련·검증 MSE가 전체 재구성 모델(P=158, K=158)보다 현저히 낮았다. 이는 전체 입력을 인코더가 관찰하면서도 디코더가 복원해야 할 차원을 줄였기 때문이다. 2. **컨텍스트 벡터 압축**: 입력 차원(P·T = 5688) 대비 400 차원으로 약 14배 압축을 달성하였다. 3. **시각화·군집화**: PCA를 통해 2차원으로 투영한 컨텍스트 벡터는 명확한 군집 구조를 보였으며, K‑means(2클러스터, 6클러스터)와 SVM(RBF, γ=4)으로 경계가 정의되었다. 두 클러스터는 출력 센서값의 평균 이동과 일치했고, 6클러스터에서는 미세한 변동(트러프·크레스트)까지 구분하였다. 4. **일반화**: 동일한 설정으로 K=158, P=2인 경우에도 유사한 군집 패턴이 재현되어, 모델이 다양한 출력 차원에서도 일관된 표현을 학습함을 확인하였다. **논문의 의의** - **부분 재구성**이라는 새로운 설계가 고차원 산업 시계열 데이터에서 학습 효율성을 크게 향상시킨다. - **연속 윈도우 샘플링**을 통해 생성된 컨텍스트 벡터가 시간에 따른 시스템 상태 변화를 자연스럽게 추적하는 궤적을 형성한다는 점은, 실시간 모니터링 및 상태 전이 분석에 유용하다. - **군집 기반 시각화**는 비전문가도 운영 상태 변화를 직관적으로 파악할 수 있게 해준다. **한계 및 향후 과제** - 출력 차원 선택이 도메인 전문가에 의존하고 있어, 자동화된 센서 선택 메커니즘(예: 어텐션) 도입이 필요하다. - 모델 구조가 LSTM에 고정돼 있어, 더 가벼운 GRU나 Transformer‑based 인코더가 실시간 스트리밍에 적합한지 검증이 요구된다. - 현재는 재구성 오차 기반 이상 탐지 대신 군집 변화를 관찰하고 있으므로, 실시간 이상 감지를 위한 임계값 설정 및 경보 메커니즘이 추가돼야 한다. - 군집화 방법이 K‑means와 SVM에 국한돼 있어, 밀도 기반(DBSCAN, HDBSCAN)이나 베이지안 혼합 모델과의 비교가 필요하다. **결론** 본 연구는 대규모 다변량 산업 센서 시계열을 효율적으로 요약하고, 부분 재구성을 통해 학습 난이도를 낮추면서도 시스템 전반의 정보를 보존하는 방법을 제시한다. 실험을 통해 제안 모델이 재구성 정확도와 클러스터 구분 능력에서 기존 전면 재구성 모델을 능가함을 입증하였다. 향후 자동 센서 선택, 경량 모델, 실시간 이상 탐지와 같은 확장 연구가 진행된다면, 실제 산업 현장의 예측 유지보수 및 상태 모니터링에 바로 적용 가능한 강력한 도구가 될 것으로 기대된다. **