도시바, 누락‧오검출 문제 해결 … 데이터별 시간 차이도 해소

도시바(Toshiba)가 공장이나 인프라 설비의 이상을 더 정확하게 감지할 수 있는 2가지 AI(인공지능) 기술을 개발했다.
도시바가 개발한 LTS pAUC 기술은 시계열 파형 데이터를 베이스로 설비 이상을 놓쳤거나 혹은 잘못 검출하는 사례를 줄일 수 있으며 높은 설명성까지 갖추어 이상 감지 성능을 7% 이상 향상시킨 것으로 알려졌다.
또다른 AI 기술인 LAMTSS는 설비 혹은 장치에 부착된 센서의 시계열 데이터별 격차를 자동으로 수정함으로써 이상이 발생한 시각(데이터 변화점)을 기존의 10분의 1 오차로 검출하는 것이 가능하다.
2개 기술 모두 대규모 설비에서 빅데이터를 활용함으로써 보수‧관리할 때 유용할 것으로 기대되고 있다.
제조장치 및 인프라 설비 상태 감시와 관련된 시장은 2024년 35억달러로 성장할 것으로 예상되고 있다.
최근에는 기기의 이상을 놓치거나 불필요한 코스트 발생으로 이어지는 오검출 등을 억제하는 기술이 요구되고 있다.
또 AI로 단순히 이상을 감지하는데 그치지 않고 판단 결과와 관련해 높은 설명성을 갖추는 것도 중요시되고 있다.
도시바가 개발한 LTS pAUC 기술은 시계열 데이터를 AI로 정상 혹은 이상 클래스로 자동 분류하는 분류기 학습과 클래스 분류에 유효한 부분 파형 패턴을 동시에 학습하는 방법을 채용하고 있다.
또 누락 혹은 오검출을 특정 범위 안으로 억제한 분류 성능(pAUC)을 최대화하는 학습을 새롭게 도입했다. 누락과 오검출은 트레이드 오프 관계에 있어 한쪽의 허용범위를 수퍼센트 이하로 낮추면 다른 한쪽의 허용범위도 최대한 낮추어야 해 여러 파형 패턴을 학습시킬 필요가 있다.
기본방법으로는 학습 불가능한 영역이었으나 도시바는 드물게 발생하는 이상 파형 패턴까지도 빠짐없이 학습할 수 있는 기술을 개발했으며 이상과 정상을 분류한 부분 파형 패턴을 제시함으로써 AI가 판단한 근거를 파형 패턴에서도 확인할 수 있도록 했다.
공개 시계열 데이터 세트를 사용한 성능 평가에서는 pAUC가 기존 기술에 비해 약 7% 개선된 결과를 얻어냈고 높은 설명성을 함께 갖춘 것으로 평가되고 있다.
인프라 설비와 제조장치에 구축하는 센서로 빅데이터를 수집하고 이상을 예상하거나 감지하는 활동도 본격화하고 있다.
정상적인 상황에서 벗어난 순간을 감지하거나 이상을 검출하고 변화점을 감지하는 등 3가지 방법으로 이루어져 있으며 모두 검출 정확도 향상이 중요해지고 있다. 
변화점 감지는 여러 센서의 시계열 데이터 사이에 발생하는 시간 차이가 과제로, 계측‧제어 결과에 센서 데이터를 반영하는데 일정시간이 걸리기 때문에 데이터 사이에 지연이 발생하고, 발전소나 공장에서는 개별 센서별 데이터를 동시에 취득하기 쉽지 않기 때문에 이상이 발생할 때 원인 규명이나 대책을 수립하는데 어려움을 겪고 있다.  
LAMTSS는 다변량 시계열 데이터에서 여러 시계열 데이터 사이에 발생할 수 있는 시간 지연을 도출하고 설비와 기기의 변화 시각을 검출할 수 있는 기술로 동적계획법에 기반한 동적시간 신축법을 사용하고 있으며 종종 발생하는 극소 파형 피크 지연을 자동으로 맞춤으로써 시간 차이를 자동 수정할 수 있는 것으로 알려졌다.
인공 데이터를 사용한 성능 평가에서는 기존 기술에 비해 오차를 10분의 1 수준으로 줄이고 변화점을 정확하게 검출할 수 있는 것으로 확인됐다.
계측‧제어와 함께 발생하는 시간 지연 문제까지 해결해 설비 이상을 더 정확하게 감지하도록 함으로써 인프라나 제조 분야의 이상 발생 시스템 다운타임 감축에 도움이 될 것으로 기대하고 있다. (K)