최근 다양한 산업 분야에서 센서의 사용은 기기의 제어뿐만 아니라 실시간 모니터링을 통해 환경의 변화, 기기의 이상, 센서의 성능 저하 등을 탐지한다.
만약, 센서의 이상 패턴을 미리 탐지하지 못한다면 기기의 효율적인 운영을 하지 못하며 또한 경제적인 손실을 발생시킨다. 그렇기 때문에 센서 패턴을 이용한 이상의 조기 발견은 기기의 수명뿐만 아니라 공정의 전체적인 관리를 위해 가장 중요한 부분이다.
이러한 이유로 이상 탐지 방법론은 오래전부터 연구되었던 분야이며, 최근에는 머신 러닝과 딥러닝을 이용하여 다양한 데이터의 이상 탐지 방법론에 대한 연구가 활발히 진행되고 있다.
하지만 센서 데이터의 불확실성과 딥러닝 기술의 특성으로 인해 다양한 환경과 상황을 고려한 이상 탐지 연구는 아직 부족한 상황이다.
본 논문에서는 다양한 상황에서의 이상 탐지 평가를 진행하기 위해서, 딥러닝 모델과 딥러닝 모델의 Unit size, 그리고 입력 데이터의 크기를 기준으로 이상 탐지에 대한 성능을 평가 및 비교하는 실험을 진행하였다.
실험은 예측 부분과 탐지 부분으로 나누어 진행하였으며, 딥러닝을 이용하여 센서의 정상 패턴만을 학습하여 시계열 예측한 후, 이상 패턴과의 차이를 F₁ - Score로 계산하였다. 딥러닝 모델은 시계열 예측에 적합한 RNN, LSTM, GRU 모델을 이용하였으며, 데이터는 각각 다른 패턴의 모양을 가진 온도, ECG, 진동 센서를 사용하였다. Unit size는 20,40,60, Window size는 1,5,10,15,20으로 설정하였으며, 실험 결과 각각의 파라미터들의 변화가 센서 패턴의 특성에 따라 이상 탐지율의 변화에 각각 다른 영향을 주는 것을 확인할 수 있었다.