일본산업뉴스요약

Nikkei X-TECH_2020.6.5

센서 간 '시간 차이'를 자동 보정하는 AI 개발
도시바, 인프라 설비나 제조장치의 이상 감지에 적용

도시바는 인프라 설비나 제조장치의 이상 예지∙감지와 동작 해석의 정밀도를 높이는 인공지능(AI) 기술 ‘Lag-aware Multivariate Time-series Segmentation’(LAMTSS)을 개발했다. 설비나 장치에 장착한 복수의 센서에서 얻은 시계열 데이터 사이에 발생하는 시간 차이를 자동으로 보정한다. 이상이 발생해 데이터에 변화가 일어난 시각을 기존 방식의 1/10 이하의 오차로 검출할 수 있다.

LAMTSS는 다변량 시계열 데이터에서, 복수의 시계열 데이터 사이에 발생하는 시간 지연을 반영시킨 후에 설비∙기기의 변화 시각을 검출한다. 동적 계획법(풀고 싶은 문제를 보다 사이즈가 작은 등가의 문제로 분해함으로써 계산 시간을 삭감하는 최적화 방법)에 근거한 동적 시간 신축법(시계열 데이터를 부분적으로 신축시키는 기술)으로, 곳곳에 발생하는 아주 작은 파형의 피크 차이를 자동으로 조정해 시간 차이를 보정한다. 인공 데이터를 이용해 LAMTSS의 성능을 평가한 결과, 기존 기술의 1/10 이하의 오차로 변화점을 정확하게 검출할 수 있었다고 한다.

LAMTSS에 의해, 계측이나 제어 등에 동반하는 시간 지연을 추가해 설비의 이상 상태를 보다 정확하게 파악할 수 있게 된다. 사람이 시간 차이를 보정할 필요가 없어지기 때문에 대규모 인프라 시스템처럼 다수의 센서가 내장된 케이스에도 대응할 수 있다. 실시간 이상 예지∙감지와 더불어 이상의 근본 원인을 특정하는데도 이용할 수 있다. 동작 해석에 적용하면 생산성 향상도 도모할 수 있다.

시계열 데이터를 이용한 예지∙감지의 방법에는, 일반적으로는 일어나기 어려운 데이터점을 검출하는 ‘이상값(outlier)’이나, 이상이 발생하고 있는 부분 시계열을 검출하는 ‘이상 상태 검출’, 데이터의 패턴이 급격하게 변화하는 곳을 감지하는 ‘변화점 감지’가 있다. LAMTSS는 이 중 변화점 감지에 주목한 기술이다. 이상 상태 검출과 변화점 감지는 시간적인 변화를 포함하고 있기 때문에 다루기 어렵지만 감지 정밀도 향상에는 반드시 필요하다. 시간적 변화의 요소를 채용한 해석이 주목을 받고 있다고 한다.

변화점 감지에서 과제가 되는 것이 복수 센서의 시계열 데이터 간에 발생하는 시간의 차이다. 예를 들면, 인프라 설비에서 압력제어나 속도제어에서는 계측∙제어의 결과가 센서 데이터에 반영되기까지 일정 시간이 걸리기 때문에 데이터간 행동에 시간 지연이 발생한다. 수천 개의 센서를 플랜트의 주요부에 설치한 경우, 센서끼리의 검출 시각은 동기(Sync)되지 않아 이상이 발생했을 때에 원인 규명이나 대책 입안이 어려워진다. 또한 모션 캡처 기술을 사용해 제조 현장에서 종업원의 생산성 개선을 도모할 경우에도, 오른손과 왼손의 동작이 완전하게는 동기돼 있지 않기 때문에 마찬가지로 센서 데이터간에 지연이 발생할 가능성이 있다.

이처럼 데이터 간에 시간 차이가 발생하면 설비∙기기에 변화가 발생한 정확한 시각을 파악할 수 없어 이상 타이밍을 정확하게 알기 어렵다. 그 때문에 복수 센서의 데이터간에 발생하는 시간 지연의 영향을 미리 반영한 변화점 감지 기술이 요구되었다고 한다.

LAMTSS는 AI∙데이터 마이닝 분야의 국제회의 ‘SIAM International Conference on Data Mining(SDM) 2020’에서 채택됐다. 도시바는 앞으로 LAMTSS의 정밀도를 더욱 높일 계획이다. 다양한 시계열 데이터에 대한 유효성을 확인함과 동시에 인프라∙제조 분야 등에서 이상 감지 기술에 대한 전개를 목표한다.

 -- 끝 --

Copyright © 2020 [Nikkei XTECH] / Nikkei Business Publications, Inc. All rights reserved.