최근 빅데이터 처리기술과 인공지능 기반 학습 기법이 발전함에 따라 실제 산업에서 다수의 센서데이터를 기반으로 딥러닝 모델을 학습하고 이를 실제시스템에 적용하는 연구가 늘어나고 있다. 하지만 실제 운용중인 시스템의 이상데이터를 획득하는 것은 어려우며, 운행특성을 반영하여 딥러닝 학습 효율을 늘리면서 모델의 일반화를 통해 학습 비용을 줄이는 것 또한 과제로 남아 있다.
본 논문에서는 철도차량의 주행안전성과 운용성을 보장하는 데 핵심적인 부품 중 하나인 공기압축기의 이상을 감지하기 위한 구체적인 기법을 다루고, 실제 시스템에 구현하기 위한 딥러닝 모델과 모델 일반화 방법에 대해 다룬다. 실제 서울 지하철 4호선 공기압축기에 공기압축기의 상태내는 압력, 온도, 전류 센서 등을 설치하여 정상데이터를 획득한다. 기존 연구와 압축기 내/외부의 열전달 효과를 종합한 수학적 모델을 구현하고, 몇몇 부품의 이상을 가정하여 이상데이터 특징을 확인한다.
이상감지 모델 중 LSTM-AE (long short-term memory autoencoder)를 사용하여 실제 운행데이터를 학습하고, Mahalanobis 거리 기반 이상스코어(anomaly score, AS)를 통해 이상감지를 수행한다. 특히, 압축기가 작동할 때와 작동하지 않을 때의 모드를 변경하여 이상감지 성능을 향상시킬 수 있는 On/Off LSTM-AE 모델을 제안한다.
또한, 통계적 특성을 이용해 학습된 LSTM-AE 모델을 다른 공기압축기에 적용할 수 있는 혁신적인 방법인 '임계값 전이(threshold transfer)'를 제안하고 실제 시스템에 적용한다. 이를 사용자가 사용하기 쉽도록 Python 기반의 GUI를 개발하여 결과의 활용과 시각화가 용이하도록 하여 철도차량의 이상감지를 구현한다.