시간연속 메커니즘 전이 네트워크를 이용한 기계시스템 도메인 적응

** 본 논문은 현대 기계 시스템에서 데이터‑드리븐 모델이 필수적이지만, 라벨링 비용이 높아 모델 정확도가 제한되는 문제를 도메인 적응을 통해 해결하고자 한다. 기존의 도메인 적응 기법은 정적 샘플에 초점을 맞추어 시계열 데이터의 고유 특성, 특히 **시간적 인과 메커니즘**을 무시한다는 한계를 지적한다. 이를 극복하기 위해 저자들은 “인과 메커니즘은 도메인 간에 불변한다”는 가정을 세우고, **Causal Mechanism Transfer Network(CMTN)**를 설계한다. CMTN은 크게 네 가지 핵심 요소로 구성된다. 첫째, **값 범위 이동**을 보정하기 위해 소스와 타깃 각각에 맞춤형 특성 추출기(별도 LSTM 또는 전처리 레이어)를 사용한다. 이는 온도·압력·유량 등 센서값의 스케일 차이가 직접적인 특징 매핑을 방해하는 현상을 완화한다. 둘째, **시간 지연 이동**을 해결하기 위해 **전이 가능한 시간 어텐션**을 도입한다. 이 어텐션은 각 시점의 히든 상태에 가중치를 부여해 최적의 지연을 자동으로 학습함으로써, 서로 다른 장비가 동일 인과 관계를 갖더라도 반응 속도 차이를 보정한다. 셋째, **도메인 내부 인과 변동**을 다루기 위해 **전이 가능한 센서 간 어텐션**을 설계한다. 이 메커니즘은 센서 쌍 간 인과 강도를 동적으로 추정해, 시점마다 변하는 복합 인과 구조를 정확히 포착한다. 넷째, 전체 모델은 **도메인 적대 학습**(gradient reversal layer)을 기반으로 하여, 소스와 타깃 도메인의 특징 분포를 정렬한다. 라벨이 있는 소스 데이터는 라벨 손실을 통해 학습하고, 라벨이 없는 타깃 데이터는 도메인 분류기가 혼동하도록 유도함으로써 도메인 불변 표현을 획득한다. 기본 시계열 인코더로는 LSTM을 사용하며, 인코더 출력인 전체 시계열 히든 상태 시퀀스를 두 어텐션 모듈에 전달한다. 이후, 어텐션 가중치가 적용된 특징은 라벨 예측기와 도메인 예측기에 각각 입력된다. 최종 손실은 라벨 예측 손실(소스)과 도메인 적대 손실(소스+타깃)의 가중합으로 정의된다. 실험은 두 개의 실제 산업 데이터셋을 대상으로 수행된다. 첫 번째는 **냉각 플랜트 에너지 최적화** 문제로, 다양한 VSD 설정, 펌프·냉각탑 주파수, 외부 온도 변동을 포함한다. 여기서는 에너지 소비량을 회귀 예측하며, 라벨이 제한된 새로운 플랜트에 기존 플랜트 데이터를 전이한다. 두 번째는 **보일러 고장 탐지** 문제로, 온도(τ), 압력(P), 운전 상태(O) 센서를 이용해 고장을 이진 분류한다. 두 경우 모두 CMTN은 기존 MMD, DANN, 그리고 시계열 전용 VRNN‑DA보다 평균 정확도·RMSE가 5~12% 향상되었으며, 타깃 도메인에 라벨이 5% 이하로 제한될 때도 성능 저하가 최소화되었다. 추가적인 **소거 실험(ablation study)**에서는 각 구성 요소의 기여도를 검증한다. 값 범위 전용 특성 추출기를 제거하면 성능이 3~4% 감소하고, 시간 어텐션을 제외하면 지연이 큰 도메인에서 예측 오차가 급격히 상승한다. 센서 간 어텐션을 빼면 복합 고장 상황에서 재현율이 크게 떨어진다. 이러한 결과는 제안된 두 단계 어텐션과 별도 특성 추출기가 인과 메커니즘 전이에 핵심적임을 입증한다. 결론적으로, CMTN은 **인과 메커니즘 불변성**이라는 물리적 통찰을 딥러닝 프레임워크에 효과적으로 매핑함으로써, 시계열 도메인 적응의 주요 난제(값 스케일, 시간 지연, 내부 인과 변동)를 동시에 해결한다. 이는 라벨이 부족한 실제 산업 현장에서 기존 모델을 재활용하고, 모델 신뢰성을 크게 향상시킬 수 있는 실용적인 접근법이다. 향후 연구에서는 더 복잡한 다중 도메인 시나리오와 실시간 적응 메커니즘을 탐구할 계획이다. **