인과관계 기반 시공간 자동인코더로 구현하는 신뢰성·해석가능 공정 모니터링

초록

본 논문은 변수 간 동적 상관을 self‑attention으로 학습한 뒤, 인과 불변성 원리를 역으로 적용해 안정적인 인과 그래프를 추출하고, 이를 그래프‑CNN‑LSTM 구조의 시공간 자동인코더에 통합한다. 두 개의 감시 지표(특징 공간·잔차 공간)를 이용해 Tennessee Eastman 공정과 실제 공기분리 공정에서 고장 탐지 성능을 검증한다.

상세 분석

CGSTAE는 기존 다변량 통계 공정 모니터링(MSPM)에서 지적되던 ‘신뢰성·해석가능성’ 부족 문제를 구조적·알고리즘적 두 축으로 해결한다. 첫 번째 축은 공간 자기‑주의 메커니즘(SSAM)이다. SSAM은 슬라이딩 윈도우 내의 변수 행렬 X(t)에 대해 Query·Key = X(t)W_Q, X(t)W_K 로 변환하고, 내적을 시그모이드 함수에 통과시켜 시점‑별 어텐션 행렬 A(t)를 생성한다. 이 행렬은 변수‑간 상관 강도를 직접적인 가중치로 해석할 수 있어, 시계열 데이터의 비정상적 변동이나 운영 조건 변화에 따라 동적으로 업데이트되는 ‘상관 그래프’를 제공한다.

두 번째 축은 인과 그래프 학습이다. 논문은 ‘인과 불변성 원리’를 역전시켜 “상관이 변동하더라도 변하지 않는 부분은 인과 관계”라고 가정한다. 이를 구현하기 위해 세 단계(프리‑트레이닝, 인과 그래프 학습, 파인‑튜닝)로 구성된 알고리즘을 제시한다. 프리‑트레이닝 단계에서는 SSAM‑기반 상관 그래프를 이용해 CGSTAE를 초기화하고, 인과 그래프 학습 단계에서는 변동된 상관 그래프들의 공통 부분을 추출해 인접 행렬을 정제한다(예: 평균·가중 평균·스파스화). 마지막 파인‑튜닝 단계에서는 고정된 인과 그래프를 토대로 GCLSTM 기반 시공간 인코더‑디코더를 재학습한다. 이 과정은 ‘충분한 개입(sufficient intervention)’ 가정 하에 다양한 운영 조건을 포괄하는 데이터가 필요함을 명시한다.

시공간 인코더‑디코더는 그래프‑컨볼루션 LSTM(GCLSTM) 유닛을 연속적으로 쌓아, 각 시점 k 에서 그래프 컨볼루션을 통해 이웃 노드 정보를 집계하고, LSTM 게이트(f,i,o)와 결합한다. 수식 (3)·(5)는 GCLSTM의 전·후방 전파를 명시하며, 디코더는 최종 은닉 상태를 FC 레이어에 투사해 재구성값 \hat{x}(k) 을 출력한다.

감시 지표는 (1) 특징 공간 통계 T² 와 (2) 잔차 공간 통계 SPE 를 각각 인코더‑디코더의 은닉 표현과 재구성 오차에 적용한다. 두 통계 모두 인과 그래프에 기반한 정규화 과정을 거쳐, 기존 PCA‑기반 MSPM 대비 높은 탐지 민감도와 낮은 오경보율을 보인다.

실험에서는 표준 벤치마크인 Tennessee Eastman(TE) 공정과 실제 공기분리 플랜트 데이터를 사용했다. TE에서는 21개의 고장 시나리오에 대해 평균 탐지 지연(Detection Delay)이 2~3 샘플 수준으로 감소했으며, 오경보율은 1% 이하로 억제되었다. 실제 공기분리 공정에서는 운영 조건 변화에 따른 스파이크 노이즈가 존재했음에도 불구하고, CGSTAE는 기존 GNN‑기반 MSPM 대비 15% 이상의 F1‑Score 향상을 기록했다.

핵심 기여는 (i) 동적 상관 학습과 인과 그래프 추출을 하나의 프레임워크에 통합한 점, (ii) 인과 불변성 원리의 역 적용을 통한 그래프 정제 알고리즘, (iii) GCLSTM 기반 시공간 재구성으로 특징·잔차 양쪽에서 감시 지표를 제공한 점이다. 한계로는 (a) 충분한 개입 데이터를 확보하기 위한 실험 설계 비용, (b) 대규모 공정에서 그래프 규모가 커질 경우 GCLSTM의 계산 복잡도 상승, (c) 인과 그래프의 방향성 검증을 위한 도메인 전문가 피드백이 필요함을 들 수 있다. 향후 연구는 (1) 샘플 효율성을 높이는 베이지안 인과 그래프 학습, (2) 경량화된 그래프‑Transformer 구조 도입, (3) 온라인 적응형 모니터링으로 실시간 운영 조건 변화에 대응하는 확장성을 목표로 할 수 있다.