[논문]Analysis of detected anomalies in VOC reduction facilities using deep learning

Min-Ji Son; Myung Ho Kim

doi:10.9708/jksci.2023.28.04.013

초록
AI-Helper

본 논문에서는 데이터의 이상을 탐지하고 예측하는 모델을 통해 VOC 저감 설비에서 실측한 데이터를 분석했다. 이상 탐지 분야에서 안정적인 성능을 보이는 USAD 모델을 이용하여 실시간 데이터의 이상을 탐지하고 이상 원인이 되는 센서를 탐색한다. 또한 자기 회귀 모델을 통해 미래의 이상치를 예측하여 이상이 발생할 시점을 예측하고 경고하는 방법을 제안한다. 실험은 VOC 저감 설비에서 실측한 데이터를 이용하여 시스템의 이상을 탐지할 수 있는지 검증하는 실험을 진행했으며 이상 탐지 실험 결과는 정밀도, 재현율, F1-점수가 각각 98.54%, 89.08%, 93.57%로 높은 성능의 탐지율을 보였다. 센서 별 학습된 모델의 성능은 8개 센서의 정밀도, 재현율, F1-점수를 평균한 결과 각각 99.64%, 99.37%, 99.63%로 높은 성능의 탐지율을 보였다. 또한, 센서 별 탐지 실험에 대한 타당성을 확인하기 위해 구한 해밍 손실은 0.0058로 안정적인 성능을 보였다. 그리고 이상 예측 실험 결과는 평균절대오차 0.0902로 안정적인 성능을 보였다.

Abstract ▼ AI-Helper

In this paper, the actual data of VOC reduction facilities was analyzed through a model that detects and predicts data anomalies. Using the USAD model, which shows stable performance in the field of anomaly detection, anomalies in real-time data are detected and sensors that cause anomalies are sear...

In this paper, the actual data of VOC reduction facilities was analyzed through a model that detects and predicts data anomalies. Using the USAD model, which shows stable performance in the field of anomaly detection, anomalies in real-time data are detected and sensors that cause anomalies are searched. In addition, we propose a method of predicting and warning, when abnormalities that time will occur by predicting future outliers with an auto-regressive model. The experiment was conducted with the actual data of the VOC reduction facility, and the anomaly detection test results showed high detection rates with precision, recall, and F1-score of 98.54%, 89.08%, and 93.57%, respectively. As a result, averaging of the precision, recall, and F1-score for 8 sensors of detection rates were 99.64%, 99.37%, and 99.63%. In addition, the Hamming loss obtained to confirm the validity of the detection experiment for each sensor was 0.0058, showing stable performance. And the abnormal prediction test result showed stable performance with an average absolute error of 0.0902.

주제어

표/그림 (17)

그림 Fig. 1. Existing early warning system
그림 Fig. 2. USAD Model Architecture
그림 Fig. 3. Anomaly Detection Model Architecture
그림 Fig. 4. Anomaly Sensor Detection Model Architecture
그림 Fig. 5. Anomaly Prediction Model Architecture
표 Table 1. Anomaly Detection Datasets-1
표 Table 2. Anomaly Detection Datasets-2
표 Table 3. Anomaly Prediction Datasets
그림 Fig. 6. Evaluation of Anomaly Detection Model on SWaT
표 Table 4. Anomaly Detection Model Hyperparameters
표 Table 5. Anomaly Prediction Model Hyperparameters
표 Table 6. Anomaly Detection Experiments Result
그림 Fig. 7. Evaluation of Anomaly Detection Model on Real Dataset
그림 Fig. 8. Anomaly Prediction experiment result of Real Dataset
표 Table 7. Anomaly Sensor Detection Experiments Result
표 Table 8. Anomaly Detection for Each Sensor Experiments Result
표 Table 9. Anomaly Prediction Experiments Result

AI 본문요약
AI-Helper

문제 정의

따라서 본 논문에서는 이상 탐지 딥 러닝 모델을 사용해 이상 데이터를 판단하고 각 센서별 분포를 학습하여 이상이 발생한 시간에서 원인이 되는 센서를 파악할 수 있으며 시계열 예측 모델을 통해 이상이 발생할 것으로 예상되는 시점을 파악할 수 있도록 VOC 저감 설비의 실측 데이터를 분석한다.

제안 방법

본 연구에서는 이상 탐지 모델의 성능을 평가하기 위해 정밀도(Precision, P), 재현율(Recall, R) 및 F1 점수(F1 score, F1)를 사용했다.

대상 데이터

촉매산화방법이란 물질 고유의 활성화에너지를 낮추어 물질 고유의 자동발화온도 이하의 저온에서도 분해가 가능하고 연료 소모량을 최소화함과 동시에 93% 이상의 높은 처리율이 가능해 신뢰성이 높은 휘발성 유기 화합물 분해 시스템이다. 실험에는 Motor 공장의 도정공정에서 사용된 온도 및 기압 실측 데이터가 사용되었으며, 제안하는 모델의 유효성을 설명하기 위해 이상 탐지 분야에서 가장 많이 사용되는 공개 데이터 세트인 SWaT 데이터 세트에서도 실험을 진행했다.
이상 탐지 모델의 학습은 정상 데이터만을 가진 정상 데이터 세트에서 이뤄졌고, 테스트는 정상 데이터와 비정상 데이터가 섞여 있는 테스트 시나리오에서 이뤄졌다. 실험은 SWaT 공개 데이터 세트와 VOC 저감 설비에서 얻은 실데이터 세트에서 진행했다. Table 1.
는 이상 탐지 데이터 세트의 학습 데이터 수, 테스트 데이터 수, 차원, 이상치 비율을 나타낸 표이다. SWaT은 51개의 차원을 가지고 있는 다변량 시계열 데이터 세트이며, 학습 데이터는 494,988개이고, 테스트 데이터는 449,907개이다. 테스트 데이터 세트의 이상치 비율은 약 12.
13%이다. 실측 데이터 세트의 학습 데이터는 41,832개이며, 테스트 데이터는 52,897이고 24개의 차원을 가지고 있고 테스트 데이터 세트의 이상치 비율은 약 4.9%이다.
은 이상 예측 실험에서 사용된 데이터 세트의 학습 데이터 수와 테스트 데이터 수이다. SWaT의 학습 데이터 수는 359,925개이고 테스트 데이터 수는 89,982개이며, 실측 데이터 세트의 학습 데이터 수는 43,208개이고 테스트 데이터 수는 10,577개이다.

이론/모형

이상치 탐지기의 예측 성능을 평가하는 방법으로 ROC 곡선의 AUC 점수를 사용했다. ROC 곡선은 이진 분류 모델의 예측 성능을 판단하는 중요한 지표로, FPR이 변할 때 TPR이 어떻게 변하는지 나타내는 곡선이다.
이상 센서 탐지 모델들의 예측 성능을 평가하는 방법으로 해밍 손실(Hamming Loss)을 사용했다.
본 논문에서는 VOC 저감 설비의 실시간 운용 상태를 감시할 수 있는 모니터링 시스템을 설계하기 위해 딥 러닝 기반의 비지도 이상 탐지 모델과 자기 회귀 기반의 시계열 예측 모델을 사용했다. 기존의 환경 설비 모니터링 시스템들은 대부분 관리자가 설비 상태를 직접 확인하고 센서로 부터 데이터를 받아 이상 범주를 직접 설정하는 단계를 가진다.

성능/효과

과 같다. SWaT 공개 데이터 세트에서 실험한 결과 정밀도는 94.56%를 달성하였고, 재현율은 70.70%, F1 점수는 80.94%를 달성하였다. AUC 점수는 약 0.
에서 알 수 있듯이 안정적인 학습 결과를 보였다. 그리고 VOC 저감설비인 ARECA V의 실측 데이터 세트에서 실험한 결과 정밀도는 98.54%를 달성하였고, 재현율은 89.08%, F1 점수는 93.57%를 달성하였다. Fig.
과 같다. 모델의 성능을 평가할 수 있는 비정상 데이터가 포함된 센서는 8개로 평균 정밀도는 99.64%, 평균 재현율은 99.37%, 평균 F1 점수는 99.63%로 높은 평균 탐지율을 보였다. 해밍 손실은 0.
과 같다. 가장 높은 정밀도는 99.99%이며 가장 낮은 정밀도는 99.03%이고, 가장 높은 재현율은 100%, 가장 낮은 재현율은 96.65%이고, 가장 높은 F1 점수는 99.99%이며 가장 낮은 F1 점수는 98.84%를 달성하였다.
0026이다. 실측 데이터 세트에서 실험한 결과 학습 데이터 세트의 MAE는 0.0902, RMSE는 0.1076이며 테스트 데이터 세트의 MAE는 0.0800, RMSE는 0.0900이다.
실험 결과에 따라 MAE와 RMSE의 차이가 크지 않은 것으로 보아, 제안하는 모델은 오류값에 대해 덜 민감한 것으로 판단되므로 안정적인 모델임을 확인할 수 있다.

후속연구

향후 더 복잡한 비정상 시나리오에 대해 안정적으로 이상을 판단할 수 있는 모델을 개발하는 연구가 필요하다. 또한, 이상 예측을 설계할 때 이상이 발생할 미래 시점에서 영향을 줄 가능성이 큰 센서를 밝혀 설비의 상태를 더 안정적으로 운영할 수 있는 실시간 설비 운용 모니터링 시스템을 구축할 필요성이 있다.
향후 더 복잡한 비정상 시나리오에 대해 안정적으로 이상을 판단할 수 있는 모델을 개발하는 연구가 필요하다. 또한, 이상 예측을 설계할 때 이상이 발생할 미래 시점에서 영향을 줄 가능성이 큰 센서를 밝혀 설비의 상태를 더 안정적으로 운영할 수 있는 실시간 설비 운용 모니터링 시스템을 구축할 필요성이 있다.

참고문헌 (16)

B. H. Shon, and G. W. Lee, "Improvement of Working Surroundings in the Industrial Waste Incinerator." Journal of Korea Academia-Industrial cooperation Society, Vol. 7, No. 3, pp. 115-164, June 2006.？
H. J. Kim, J. H. Kim, J. H. Kim, H. S. Kim, J. H. Ryu, S. H, Kang, and S. H. Lee, "Catalytic Combustion Technology Trends for Removal of Volatile Organic Compounds (VOCs)." Journal of Energy&Climate Change, Vol. 16, No. 2, pp. 149-170, December 2021. DOI: 10.22728/jecc.2021.16.2.149？
Y. Wang, L. Dong, Q. Shi, S. Liu, L. Qian, Z. Yu, H. Wang, J. Lei, Z. Gao, H. Long, and C. C. Xu, "Volatile organic compounds (VOC) emissions control in iron ore sintering process: Recent progress and future development." Chemical Engineering Journal, vol. 448, 2022. DOI: 10.1016/j.cej.2022.137601？

상세보기
D. V. Parums, "Editorial: World health organization (WHO) variants of concern lineages under monitoring (VOC-LUM) in response to the global spread of lineages and sublineages of omicron, or B. 1.1. 529, SARS-CoV-2", Medical Science Monitor: International Medical Journal of Experimental and Clinical Research, vol.28, 2022. DOI: 10.12659/MSM.937676？

상세보기
WeZON Co., Equipment Condition Monitoring System, http://www.yullin.com/eCMS/IECMS.？
M. K. Seo, W. Yun, "Condition Monitoring and Diagnosis of a Hot Strip Roughing Mill Using an Autoencoder", Korean Society for Quality Management, Vol. 47, No. 1, pp. 75-86, 2019. DOI: 10.7469/JKSQM.2019.47.1.75？

원문보기 상세보기
R. Chalapathy, S. Chawla, "Deep learning for anomaly detection: A survey". arXiv preprint, 2019. DOI: 10.48550/arXiv.1901.03407？
BNF TECHNOLOGY INC., HanPHI Advanced Pattern Recognition Solution, https://bnftech.com/sub0302.？
V. Guralnik, J. Srivastava, "Event detection from time series data." In Proceedings of the fifth ACM SIGKDD international conference on Knowledge discovery and data mining, pp. 33-42, 1999. DOI: 10.1145/312129.312190？
J. Ma, S. Perkins, "Time-series Novelty Detection Using Oneclass Support Vector Machines". Proceedings of the International Joint Conference on Neural Networks, Vol. 3, pp. 1741-8211, 2003. DOI: 10.1109/IJCNN.2003.1223670？
I. J. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, Y. Bengio, "Generative Adversarial Nets". Communications of the ACM, Vol. 63, No. 11, pp. 139-144, 2020. DOI: 10.1145/3422622？

상세보기
G. E. Box, G. M. Jenkins, G, C, Reinsel, G, M. Ljung, "Time series analysis: forecasting and control." John Wiley & Sons, 2015.？
J. Audibert, P, Michiardi, F. Guyard, S. Marti, M. A. Zuluaga, "Usad: Unsupervised anomaly detection on multivariate time series". In Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery Data Mining, pp. 3395-3404, 2020. DOI: 10.1145/3394486.3403392？
J. T. Connor, R, D, Martin, L. E. Atlas, "Recurrent neural networks and robust time series prediction." IEEE Transactions on Neural Networks, Vol. 5, No. 2, pp. 240-254, March 1994. DOI: 10.1109/72.279188？

상세보기
Malhotra, P., Vig, L., Shroff, G., Agarwal, P. "Long short term memory networks for anomaly detection in time series." European Symposium on Artificial Neural Networks, pp. 89-94, Bruges, Belgium, April 2015.？
O. Triebe, N. Laptev, R. Rajagopal, "Ar-net: A simple auto-regressive neural network for time-series." ArXiv abs/1911.12436, 2019. DOI: 10.48550/arXiv.1911.12436

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] Analysis of detected anomalies in VOC reduction facilities using deep learning 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (17)

표/그림 (17)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (16)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] Analysis of detected anomalies in VOC reduction facilities using deep learning 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (17) 모든 표/그림 보기

표/그림 (17) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (16)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

초록
AI-Helper

표/그림 (17)

표/그림 (17)

AI 본문요약
AI-Helper