• 산업문제명로봇 상태 모니터링을 위한 센서 데이터 분석(개선된 RRCF를 활용한 센서 데이터 이상감지 모델 개발)
• 기업(주)타키온테크
• 키워드이상감지, RRCF, One class classification, 랜덤 트리
• 산업문제 내용· 기업소개: (주)타키온테크는 스마트 팩토리 관련 솔루션을 보유한 스타트업 기업으로 제조 공정의 센서 데이터 분석 을 통한 생산품의 불량감지와 기계의 상태 이상 모니터링 솔루션을 개발 운영하고 있다. · 산업문제: 생산 제조 공정의 생산품 불량감지와 기계 이상감지는 실시간으로 진행된다. 또한 실제 공장에서 수집되는 센서 데이터는 많 은 양의 불량 데이터를 확보하기 어렵기 때문에 정상 데이터만으로 학습해서 불량을 감지해낼 수 있어야 한다. 그래서 본 기업과 연구소는 실시간 처리가 가능하며 정상 데이터만으로 학습하는 One class classification(이하 OCC, 또는 Novelty detection) 이상감지 알고리즘의 개발 및 수학적인 개선을 목표로 하였다. 사전 연구를 통하여 RRCF 알고리즘(Robust Random Cut Forest, 2016)이 CNC 전류 및 생산 로봇 진동 데이터를 포함한 다양한 벤치마크 데이터에서 높은 정확도와 높은 AUROC를 보여주는 등 OCC 문제에 효과적이라는 것을 확인하였다. 하지만 실시간 이상감지에 적용하기 어려울 정도로 속도가 느리고 모델사이즈가 크다는 문제점이 있었다. 이에 RRCF 알고리즘을 실제 산업현장에서 활용 가능한 수준으로 개선하고 RRCF의 적정 하이퍼파라미터에 대한 연구와 기존의 이상감지 알고리즘과의 비교 분석 연구를 의뢰하였다.
• 문제해결 결과· 제시된 해결방안: 1. 수학적인 분석을 통한 이상 스코어 연산 과정을 경량화하였다. 새로운 포인트의 추가로 인한 트리 생성 과정없이 이상 스코어를 계산하는 방법을 찾아서 제시하였다. 2. 학습 데이터로 트리를 생성할 때 데이터의 모든 특징을 사용하는 것이 아니라 적당한 수 만큼 임의로(uniformly random)선택하여 트리를 생성하는 '특징 샘플링' 방법을 제시하였다. 이 방법을 통해서 트리를 생성하는데 사용되는 데이터의 크기가 줄어들어서 모델 사이즈의 경량화와 개선된 빠른 속도를 얻을 수 있었다. 또한, 사전에 임의로 특징을 선택하기 때문에 레인지가 작은 마이너한 차원에서 발생하는 불량 감지를 가능하게 한다. 3. RRCF는 고정된 테스트 샘플에 대해 매번 다른 스코어 결과를 주는데 기댓값으로 이상 스코어를 주는 방법을 제시하였다. 즉, 스코어링 과정에서 존재하는 랜덤 프로세스를 결정적인 프로세스로 바꾸는 방법을 연구하였다. · 활용계획 및 기대성과 : 1. 로봇 데이터 뿐만 아니라 사출기, 정밀 가공기, 공장 설비 등에 다양하게 적용할 수 있도록 서비스를 개발 진행 중에 있다. 20201년 해당 방법이 탑재된 솔루션을 개발할 예정이고 다양한 데이터 세트 검증 중에 있다. 2. 중소벤처기업부가 구축중인 AI 중소벤처 제조 플랫폼(KAMP)에 제조 AI 빅데이터 분석 알고리즘으로 탑재를 목표로 하고 있다.