다변량 통계 기반 물배관망 이상 탐지·분류·예비 위치추정 프레임워크

초록

본 논문은 압력·유량 센서 데이터를 화이트닝 변환으로 상관성을 제거한 뒤, Hotelling T² 통계량을 이용해 물배관망의 이상을 가설 검정 형태로 탐지한다. T² 값은 시스템 건강지표로 활용되며 누수량과 회귀 모델로 연계된다. 시간 연속 T² 시계열을 분석해 급격한 누수, 점진적 누수, 센서 고장을 구분하고, 센서 기여도 순위와 라플라시안 보간을 통해 거친 누수 위치를 추정한다. BattLeDIM L‑Town 벤치마크에서 높은 검출 민감도와 다중 누수 상황에서도 견고한 성능을 보이며, 별도 수리학 모델 없이 실시간 운영에 적용 가능함을 입증한다.

상세 분석

SICAMS 프레임워크는 기존 데이터‑기반 방법이 갖는 센서 간 강한 상관관계와 희소한 배치 문제를 근본적으로 해결한다는 점에서 혁신적이다. 먼저, 수집된 압력·유량 시계열을 평균‑공분산 행렬로 정규화하고, 공분산 행렬의 고유값 분해를 통해 화이트닝 변환을 수행한다. 이 과정에서 모든 센서 데이터는 독립적인 표준 정규분포(μ=0, σ=1)로 변환되며, 공간적 연관성이 사라진다. 변환된 벡터 zₜ에 대해 Hotelling T²ₜ = zₜᵀzₜ 를 계산하면, 정상 상태에서는 T²가 χ²(p, α) 임계값 이하에 머무른다(p는 센서 수, α는 유의수준). 따라서 T² 시계열이 임계값을 초과하면 ‘네트워크 비정상’이라는 가설이 기각되고, 즉시 알람이 발생한다.

핵심 통찰은 T² 자체가 전체 시스템의 ‘건강 지표’라는 점이다. 저자들은 누수량과 T² 평균값 사이에 높은 상관관계를 발견하고, 선형 회귀 모델을 통해 누수량을 추정한다. 이는 별도의 물리‑수리학 모델 없이도 손실 규모를 빠르게 파악할 수 있음을 의미한다.

이후, T² 시계열의 변곡점과 지속 시간을 분석해 이상 유형을 구분한다. 급격히 상승 후 곧바로 하강하는 패턴은 ‘급격 누수(abrupt leak)’로, 상승 폭이 작고 점진적으로 지속되는 경우는 ‘점진 누수(incipient leak)’로, 그리고 T²가 일정 수준에서 변동하지만 센서 자체의 변동성(표준편차)과 일치하는 경우는 ‘센서 고장(sensor fault)’으로 분류한다. 이러한 규칙 기반 히어스틱 알고리즘은 실시간 적용이 가능하며, 복수 누수가 동시에 발생해도 각 이벤트를 독립적으로 식별한다.

위치추정 단계에서는 화이트닝 전 원본 데이터에 대한 기여도(각 센서의 T² 편차 기여량)를 계산하고, 기여도가 높은 센서들을 우선순위로 선정한다. 선택된 센서들을 그래프의 정점으로 보고 라플라시안 행렬을 구성한 뒤, 라플라시안 보간(Laplacian interpolation)을 적용해 영향을 받는 영역을 연속적인 확률 맵으로 재구성한다. 이는 정확한 파이프 위치를 제공하지는 않지만, 현장 엔지니어가 현장 점검을 집중할 ‘예비 구역’을 빠르게 정의할 수 있게 한다.

실험에서는 BattLeDIM 대회에서 제공된 L‑Town 네트워크(≈ 3000 노드, 센서 3 % 수준)를 사용하였다. 정상 구간과 다양한 누수 시나리오(단일·다중·점진·급격)를 포함한 200 시간 이상의 데이터에 대해 5 % 이상의 누수량부터 99 % 이상의 검출률을 기록했으며, 오탐률은 2 % 이하로 억제되었다. 다중 누수 상황에서도 T²가 복합적으로 상승하지만, 히어스틱 분류기가 각각의 상승 구간을 독립적으로 라벨링해 정확한 이벤트 수를 추정했다.

이 프레임워크의 가장 큰 장점은 (1) 별도 수리학 모델 캘리브레이션이 필요 없으며, (2) 센서 배치가 희소해도 화이트닝을 통해 상관성을 제거해 신뢰도 높은 통계 검정을 수행한다는 점이다. 또한, (3) T² 기반 손실 추정과 (4) 간단한 히어스틱 분류·라플라시안 보간을 결합해 실시간 운영 의사결정에 바로 활용할 수 있다. 다만, 라플라시안 보간이 제공하는 위치 정확도가 제한적이며, 고밀도 센서가 배치된 경우에는 기존 수리학 기반 방법에 비해 정밀도가 떨어질 수 있다. 향후 연구에서는 라플라시안 보간을 베이지안 네트워크와 결합하거나, 변동성 모델을 도입해 센서 고장과 누수를 동시에 추정하는 다중 가설 검정 체계를 구축할 여지가 있다.