대규모 산업 센서 신호 분석을 위한 부분 재구성 순환 자동인코더

초록

**
본 논문은 다차원 산업 센서 시계열 데이터를 고정 길이 컨텍스트 벡터로 압축하는 순환 자동인코더(RAE)를 제안한다. 디코더의 출력 차원을 제한해 부분 재구성을 수행함으로써 전체 입력 정보를 인코더가 학습하면서도 핵심 센서만 복원하도록 설계하였다. 고정‑길이 슬라이딩 윈도우를 이용해 연속 샘플을 생성하고, 얻어진 컨텍스트 벡터를 PCA와 군집화(K‑means, SVM)로 시각화·분석한다. 실험은 158개 센서를 갖는 압축 설비 데이터를 사용했으며, 부분 재구성 모델이 전체 차원 재구성보다 낮은 MSE와 더 뚜렷한 군집 구조를 보임을 확인하였다.

**

상세 분석

**
이 연구는 순환 신경망(RNN) 기반 자동인코더를 산업 현장의 대규모 다변량 시계열에 적용한 점에서 의미가 크다. 기존 자동인코더는 입력과 출력 차원을 동일하게 맞추어 전체 데이터를 복원하도록 설계되었지만, 고차원 센서 데이터에서는 복원 오차가 크게 증가하고 학습이 어려워지는 문제가 있다. 논문은 디코더의 출력 차원을 일부 센서(K ≤ P)로 제한함으로써 ‘부분 재구성’이라는 새로운 패러다임을 도입한다. 이 접근법은 두 가지 장점을 제공한다. 첫째, 인코더는 전체 158개 센서의 정보를 모두 관찰하므로, 다른 센서에 대한 선행 변수(lead variable)를 학습할 수 있다. 둘째, 디코더가 복원해야 할 차원을 줄이면 학습 난이도가 낮아지고, 재구성 손실(MSE)이 현저히 감소한다. 실험 결과에서 P=158, K=6 모델이 P=158, K=158 모델보다 MSE가 크게 개선된 점은 이 가설을 실증한다.

샘플링 전략도 주목할 만하다. 고정 길이 윈도우(T = 36, 5분 간격)로 데이터를 슬라이딩하면서 겹치는 샘플을 연속적으로 생성한다. 이는 연속 샘플 간 컨텍스트 벡터가 고도로 상관관계를 갖게 하여, 고차원 공간에서 부드러운 궤적(trajectory)을 형성한다. 이러한 궤적은 시간에 따른 시스템 상태 변화를 시각적으로 파악할 수 있는 자연스러운 지표가 된다.

컨텍스트 벡터(c)의 차원은 400이며, 이는 입력 차원(P × T = 5688) 대비 약 14배 압축률을 달성한다. PCA를 통해 2차원으로 투영한 뒤 K‑means와 SVM을 적용해 군집을 정의했으며, 군집 경계가 센서 값의 평균 변동과 일치함을 확인했다. 이는 컨텍스트 벡터가 실제 운영 상태를 효과적으로 요약한다는 증거다.

하지만 몇 가지 한계도 존재한다. 첫째, 디코더 출력 차원을 임의로 선택했을 때, 선택된 센서가 시스템 전반을 대표하는지 검증이 부족하다. 센서 간 상관관계가 낮은 경우, 부분 재구성으로는 중요한 이상 징후를 놓칠 위험이 있다. 둘째, 모델은 LSTM 3층·400유닛 구조로 고정돼 있어, 더 큰 데이터셋이나 실시간 스트리밍에 대한 확장성 평가가 부족하다. 셋째, 군집화 단계에서 K‑means와 SVM만 사용했으며, DBSCAN·HDBSCAN·Gaussian Mixture 등 밀도 기반 방법과의 비교가 없어 군집의 안정성을 판단하기 어렵다. 마지막으로, 재구성 오류를 기반으로 한 이상 탐지 메커니즘이 제시되지 않았는데, 실제 산업 현장에서는 실시간 이상 감지가 핵심 요구사항이다.

향후 연구에서는 (1) 출력 차원 선택을 자동화하는 어텐션 메커니즘 도입, (2) 경량화된 GRU·Transformer‑based 인코더로 실시간 처리 능력 강화, (3) 다양한 비지도 군집화 및 이상 탐지 기법과의 통합, (4) 멀티‑모델(다중 디코더) 구조를 활용해 서로 다른 서브시스템 상태를 동시에 모니터링하는 방안을 탐색할 필요가 있다.

**