A SISA-based Machine Unlearning Framework for Power Transformer Inter-Turn Short-Circuit Fault Localization

이 논문은 센서 고장으로 인한 데이터 중독 문제를 해결하기 위해 SISA 아키텍처를 기반으로 한 머신 언러닝 프레임워크를 제안하여, 변압기 권선 간 단락 고장 국소화 시 전체 모델 재학습 없이 손상된 데이터 조각만 재학습함으로써 재학습 시간을 획기적으로 단축하면서도 재학습과 동등한 진단 정확도를 달성함을 보여줍니다.

핵심

🍳 비유: "맛있는 요리를 만드는 요리사"

1. 문제 상황: "상한 재료가 섞인 레시피"

전력 변압기가 고장 나면 (전선끼리 짧게 연결되는 '인터턴 단락' 고장), 센서가 그 신호를 감지해서 AI 가 "어디가 고장 났는지" 찾아냅니다.
하지만 현실에서는 센서가 고장 나거나 전자기 간섭을 받아 잘못된 데이터 (상한 재료) 가 섞여 들어갈 수 있습니다.

• 문제: AI 가 이 '상한 재료'로 배워버리면, 나중에 고장을 찾아낼 때 엉뚱한 곳을 지목하거나 아예 못 찾게 됩니다.
• 기존 방식의 한계: 이 상한 재료를 제거하려면, 처음부터 다시 모든 레시피를 다시 만들어야 합니다 (전체 재학습). 이는 시간이 너무 오래 걸리고 비용이 많이 듭니다.

2. 해결책: "SISA 라는 새로운 조리법"

이 논문은 SISA라는 새로운 방식을 제안합니다. SISA 는 데이터를 잘게 쪼개서 독립적으로 학습시키는 방법입니다.

• Sharded (조각내기): 전체 레시피를 4 개의 작은 책 (조각) 으로 나눕니다.
• Isolated (격리): 각 책의 요리사 (AI 모델) 는 서로 다른 책만 보고 배웁니다. 서로 간섭하지 않아요.
• Sliced (썰기): 각 책 안에서도 데이터를 잘게 썰어서 순서대로 학습합니다.
• Aggregated (합치기): 모든 요리사의 의견을 모아 최종 메뉴 (고장 위치) 를 결정합니다.

3. 왜 이 방법이 좋은가요? (상한 재료를 제거할 때)

만약 4 개의 책 중 1 번째 책에 '상한 재료 (센서 고장 데이터)'가 섞여 있다고 가정해 봅시다.

• 기존 방식 (전체 재학습): 모든 요리사를 해고하고, 4 권의 책을 다 버리고 처음부터 다시 4 권을 다 만들어야 합니다. (시간: 4 시간 걸림)
• SISA 방식: 1 번째 책만 버리고, 해당 책만 다시 쓰면 됩니다. 나머지 3 권의 책은 그대로 유지합니다. (시간: 1 시간 걸림)

결과적으로 정확도는 거의 똑같으면서, 시간은 1/4 로 줄어듭니다.

---

📊 실험 결과: 실제로 효과가 있을까요?

연구진은 풍력 발전기의 변압기를 시뮬레이션해서 실험했습니다.

1. 정확도: 상한 데이터를 제거하고 SISA 로 다시 학습한 결과, 처음부터 다 다시 만든 경우와 거의 똑같은 정확도 (97% 이상) 를 보여주었습니다.
2. 속도: 데이터를 4 조각으로 나눴을 때, 재학습 시간이 약 4 배 빨라졌습니다. (기존 500 초 → 112 초)
3. 주의할 점: 조각을 너무 많이 나누면 (예: 4 개 이상), 각 조각에 데이터가 너무 적어져서 오히려 정확도가 떨어질 수 있습니다. 적당히 나누는 것이 중요합니다.

💡 결론: 이 연구가 우리에게 주는 메시지

이 논문은 "AI 모델을 한 번 잘못 학습시켰다고 해서 처음부터 다시 시작할 필요는 없다" 는 것을 증명했습니다.

마치 큰 도서관에서 한 권의 책에 오자가 발견되었을 때, 도서관 전체를 다시 짓지 않고 그 책 한 권만 고쳐서 다시 꽂는 것과 같습니다.

• 핵심 가치: 전력 설비 같은 중요한 곳에서는 센서 고장으로 인한 오데이터가 자주 생깁니다. 이 기술을 쓰면, AI 모델을 빠르고 저렴하게 항상 깨끗하고 정확한 상태로 유지할 수 있어, 전기를 더 안전하게 공급할 수 있게 됩니다.

한 줄 요약:

"상한 재료가 섞인 레시피를 고칠 때, 전체를 다시 만들지 말고 상한 부분만 갈아엎는 똑똑한 방법을 찾아냈습니다!"

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 현대 전력 시스템에서 발전기 및 변압기 같은 중요 장비의 상태 모니터링과 고장 진단을 위해 데이터 기반 머신러닝 (ML) 모델이 광범위하게 활용되고 있습니다.
• 문제점:
  • 실제 산업 환경에서는 전자기 간섭 (EMI), 구성 요소 노화, 센서 완전 고장 등으로 인해 센서 고장이 빈번하게 발생합니다.
  • 이러한 센서 고장으로 인해 수집된 학습 데이터는 '중독 (Poisoned)'될 수 있으며, 이는 ML 모델의 성능을 심각하게 저하시킵니다.
  • 전처리 단계에서 모든 오류 데이터를 식별하기 어렵고, 모델 학습 후 중독된 데이터가 발견되면 이를 제거하기 위해 **모델을 처음부터 다시 학습 (Full Retraining)**해야 하는 경우가 많습니다.
  • 그러나 전체 모델을 재학습하는 것은 계산 비용이 매우 높고 시간이 오래 걸려 실시간 시스템에 비효율적입니다.
• 목표: 중독된 데이터의 영향을 제거하면서도 전체 모델을 재학습하지 않는 효율적인 기계 망각 (Machine Unlearning, MU) 프레임워크를 제안하여 변압기 권선 간 단락 고장 (ITSCF) 국소화 성능을 회복하는 것입니다.

2. 제안된 방법론 (Methodology)

이 논문은 SISA (Sharded, Isolated, Sliced, and Aggregated) 아키텍처를 기반으로 한 기계 망각 프레임워크를 제안합니다.

• 데이터 생성 및 시뮬레이션:
  • MATLAB/Simulink 를 사용하여 1.5MW 풍력 터빈 모델 기반의 변압기 권선 간 단락 고장 (ITSCF) 시뮬레이션을 수행했습니다.
  • 저전압 (LV) 및 고전압 (HV) 측의 3 상 (A, B, C) 에서 다양한 중증도로 총 48 가지 고장 조건을 생성했습니다.
  • 센서 고장을 모사하기 위해 전류 변압기 (CT) 측정값에 EMI(전자기 간섭) 노이즈를 주입하여 '중독된 데이터셋'을 구성했습니다.
• SISA 프레임워크 구조:
  • Sharding (분할): 전체 학습 데이터셋을 여러 개의 독립적인 '샤드 (Shard)'로 나눕니다. 각 샤드는 유사한 고장 심각도나 동일한 풍력 단지/변전소에서 발생한 데이터를 그룹화하여 배치함으로써, 특정 센서 고장이 특정 샤드 내에서 국소화되도록 설계했습니다.
  • Slicing (조각화): 각 샤드 내에서 데이터를 순차적인 '슬라이스 (Slice)'로 더 나눕니다.
  • Independent Training (독립 학습): 각 샤드마다 별도의 서브 모델 (LSTM 기반) 을 독립적으로 학습시킵니다.
  • Aggregation (집계): 모든 샤드 모델의 예측 결과 (Softmax 확률) 를 평균내어 최종 진단 결과를 도출합니다.
• 기계 망각 (Unlearning) 프로세스:
  • 중독된 데이터가 특정 샤드 (예: $D_1$) 의 특정 슬라이스에서 발견되면, 해당 샤드만 선택적으로 재학습합니다.
  • 나머지 unaffected(영향을 받지 않은) 샤드들의 학습된 파라미터는 그대로 유지하여 전체 모델을 처음부터 다시 학습할 필요가 없습니다.
• 모델 아키텍처:
  • 시계열 데이터의 특성을 반영하기 위해 **LSTM(Long Short-Term Memory)**을 기본 모델로 사용했습니다.
  • 2 층 LSTM 구조와 분류 헤드를 가지며, Softmax 확률 평균화 전략을 사용하여 최종 예측을 수행합니다.

3. 주요 기여 (Key Contributions)

1. SISA 기반 MU 프레임워크 제안: 전력 변압기 ITSCF 국소화 작업에 Softmax 확률 평균화 전략을 적용한 SISA 기반 기계 망각 프레임워크를 최초로 도입했습니다.
2. EMI 센서 고장 시뮬레이션 데이터셋 개발: 실제 센서 고장 (EMI) 을 모사한 중독된 ITSCF 데이터셋을 구축하여 정확도와 계산 효율성을 평가할 수 있는 기반을 마련했습니다.
3. 성능 검증: 제안된 프레임워크가 중독된 데이터를 제거한 후 전체 재학습과 거의 동일한 진단 정확도를 유지하면서, 재학습 시간을 획기적으로 단축함을 실험을 통해 입증했습니다.

4. 실험 결과 (Results)

• 정확도 (Accuracy):
  • 중독된 데이터가 포함된 경우 모델 정확도가 저하되었으나, SISA 기반 망각 (또는 전체 재학습) 후 정확도가 97% 이상으로 회복되었습니다.
  • 샤드 (Shard) 수를 2 개로 설정했을 때 전체 재학습과 비교해 정확도 저하가 미미했으나, 샤드 수를 4 개로 늘리면 데이터 다양성 부족으로 인해 정확도가 급격히 하락 (약 79~84%) 하는 경향을 보였습니다.
• 계산 효율성 (Training Time):
  • 가장 큰 성과: 전체 재학습 (Full Retraining) 대비 SISA 기반 망각은 재학습 시간을 크게 단축했습니다.
  • 샤드 수 2 개: 재학습 시간 약 2.01 배 단축 (445.4s → 221.8s).
  • 샤드 수 4 개: 재학습 시간 약 3.97 배 단축 (445.4s → 112.2s).
• 오분류 분석:
  • 중독된 데이터 제거 후 모든 고장 라벨의 분류 정확도가 크게 개선되었습니다.
  • 특히 저전압 (LV) 측의 3 상 (LA, LB, LC) 간 신호 유사성으로 인해 오분류가 빈번하게 발생했으나, SISA 프레임워크 내에서도 전체 재학습과 유사한 패턴으로 성능이 회복됨을 확인했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실용성: 센서 고장으로 인한 데이터 오염 문제를 해결하기 위해, 비용이 많이 드는 전체 재학습 없이도 **선택적 재학습 (Localized Retraining)**을 통해 모델 성능을 신속하게 복원할 수 있는 실용적인 솔루션을 제공합니다.
• 효율성: 대규모 데이터셋이 적용되는 실제 산업 환경에서는 제안된 SISA 기반 접근법이 계산 효율성 측면에서 더욱 큰 이점을 제공할 것으로 기대됩니다.
• 한계 및 향후 과제: 샤드 수가 너무 많을 경우 데이터 다양성 감소로 인한 정확도 하락 가능성이 있으므로, 샤드 수 최적화가 필요합니다. 향후 유사한 데이터 기반 상태 모니터링 시스템에서도 다른 기계 망각 기법들을 탐구할 필요가 있습니다.

요약하자면, 이 논문은 전력 변압기 고장 진단 시스템에서 센서 고장으로 인한 데이터 오염 문제를 해결하기 위해, SISA 아키텍처를 활용한 기계 망각 기법을 제안하고, 이를 통해 높은 정확도 유지와 **재학습 시간의 획기적 단축 (최대 4 배)**을 동시에 달성함을 입증한 연구입니다.