Anomaly Detection for Electro-Hydrostatic Actuators using LSTM Autoencoder

기술 요약: LSTM 오토인코더를 이용한 전기 유압 액추에이터(EHA)의 이상 탐지

문제 정의
전기 유압 액추에이터(EHA)는 항공우주 및 산업 시스템에서 핵심적인 구성 요소로서, 안전을 보장하기 위해 신뢰할 수 있는 모니터링이 필수적이다. 그러나 EHA 센서에서 생성되는 높은 샘플링 주파수와 대규모 시계열 데이터는 이상 탐지에 있어 상당한 과제를 제기한다. 기존의 통계적 방법(예: Z-score, 사분위 범위, 중앙값 절대 편차)과 고전적인 머신러닝 접근 방식(예: Isolation Forest, Gaussian Mixture, k-means)은 EHA 신호에 내재된 복잡한 시간적 의존성과 비선형 역학을 포착하는 데 종종 실패한다. 이러한 한계는 탐지 정확도를 저하시키고 오경보율을 높이는 결과를 초래한다. 또한, 실제 환경에서 레이블이 지정된 결함 데이터가 부족하다는 점을 고려할 때, 다양한 운전 조건 하에서의 EHA 시스템 특화 데이터 기반 이상 탐지에 대한 체계적인 평가는 여전히 미비한 실정이다.

방법론
본 연구는 특히 온도 및 압력 데이터에 초점을 맞춘, 단변량 EHA 센서 신호를 위한 오프라인 재구성 기반 이상 탐지 프레임워크를 제안한다. 이 접근 방식의 핵심은 LSTM(Long Short-Term Memory) 오토인코더이다.

• 아키텍처: 모델은 장기 시간 의존성을 포착하도록 설계된 LSTM 인코더-디코더 구조를 활용한다. 인코더는 입력 시퀀스를 잠재 표현(latent representation)으로 매핑하고, 디코더는 원래의 시퀀스를 재구성한다.
• 학습 전략: 모델은 오직 정상(결함이 없는) 데이터만을 사용하여 학습된다. 목표는 입력과 재구성된 출력 사이의 평균 절대 오차(MAE)로 정의되는 재구성 손실을 최소화하는 것이다. 물리적 단위를 보존하고 간헐적인 큰 스파이크에 대한 안정성을 개선하기 위해 제곱 오차 손실 대신 MAE가 선택되었다.
• 이상 점수 산출: 슬라이딩 윈도우 방식을 통해 시계열의 재구성 오차를 계산함으로써 이상을 탐지한다. 결정 임계값($\tau$)은 정상 검증 세트의 재구성 오차 분포(예: 높은 분위수 또는 보수적인 최대 오차 규칙 사용)를 기반으로 교정된다.
• 데이터 전처리: 워크플로우는 정상 학습 데이터의 통계치를 사용하여 신호를 정규화하고, 데이터를 중첩된 윈도우로 분할하며, 학습 세트에서 이상치를 제거하기 위해 시그마 기반 필터링 규칙($\mu + k\sigma$)을 적용하는 과정을 포함한다. 데이터셋은 학습용과 테스트용으로 70/30 비율로 분할되었으며, 테스트 세트에는 정상 구간과 결함 주입 구간이 모두 포함되었다.

주요 기여

1. 프레임워크 개발: 본 논문은 LSTM 오토인코더의 시간적 모델링 능력을 활용하여 단변량 EHA 센서 이상 탐지를 위한 특정 오프라인 프레임워크를 제시하며, 이는 해당 유형의 액추에이터에 대한 체계적 연구의 공백을 메운다.
2. 신뢰성 중심 평가: 통제된 EHA 테스트 벤치의 고해해상도 데이터를 사용하여 엄격한 실험적 평가를 수행하였다. 여기에는 다양한 부하 조건(관성 부하 및 스프링 부하) 및 운전 영역에 걸친 결함 주입 시나리오가 포함된다.
   가. 벤치마킹: 제안된 LSTM-AE를 통계적 방법, 고전적 머신러닝 알고리즘, 그리고 다른 딥러닝 아키텍처(표준 오토인코더 및 CNN-AE)를 포함한 광범위한 베이스라인과 비교 분석하였다.
3. 성능 분석: 모델링을 통해 시간적 의존성을 포착하는 것이 비시간적 베이스라인과 비교했을 때 민감도(재현율)와 오경보 억제(정밀도) 사이의 균형을 유의미하게 개선함을 입증하였다.

결과
LSTM-AE 프레임워크는 베이스라인 대비 여러 지표에서 우수한 성능을 보였다:

• 정확도(Accuracy): 평균 99.0%의 정확도를 달 달성하였으며(특정 비교에서는 99.5%~99.9% 범위),
• 정밀도(Precision): 최대 100%(96%~100% 범위)에 도달하여 매우 낮은 오경보율을 나타냈다.
• 재현율(Recall): 90.2%에서 99.6% 사이를 기록하여 실제 결함에 대한 높은 민감도를 보여주었다.
• F1-Score: 93.1%에서 99.8% 사이의 범위를 나타냈다.
• ROC-AUC: 값이 1에 근접(0.95~0.99)하여 정상 상태와 이상 상태 간의 강력한 분리 능력을 입증하였다.

대조적으로, 통계 및 고전적 머신러닝 방법들은 높은 정상 정확도를 보였으나, 클래스 불균형과 시간적 모델링의 부재로 인해 정밀도와 F1-점수가 거의 0에 가까웠다. 질적 분석 결과, LSTM-AE는 고립된 점이 아닌 일관된 이상 구간을 탐지함으로써 정상적인 변동으로 인한 가짜 알람을 효과적으로 억제함을 확인하였다.

의의 및 한계
본 논문은 제안된 재구성 기반 LSTM 오토인코더가 EHA 시스템의 오프라인 이상 탐지를 위한 실행 가능하고 효과적인 솔루션이라고 주장한다. 또한, 결함 데이터가 없는 상황에서 시간적 구조를 포착하는 것이 정상적인 운전 변동과 실제 결함을 구분하는 데 필수적임을 강조하며, 상태 모니터링을 위한 실용적인 파이프라인을 제공한다.

그러나 저자들은 현재의 범위와 향후 영향에 대해 다음과 같이 겸허한 입장을 유지한다:

• 오프라인 특성: 현재 프레임워크는 엄격히 오프라인 방식이며, 최소한의 지연 시간으로 실시간 환경에 적응하기 위한 향후 연구가 필요하다.
• 레이블링 제약: 평가 레이블은 투명한 시그마 규칙($\mu + k\sigma$)에서 도출되었는데, 이는 결함의 치명도나 정상 범위 내에 머물러 있는 느린 퇴화 과정을 완전히 반영하지 못할 수 있다.
• 단변량 범위: 분석이 단변량 신호에 국한되어 있어, 현재로서는 센서 간의 교차 채널 의존성을 활용하지 못한다.
• 임계값 민감도: 성능은 임계값 교정에 의존하며, 이는 상당한 레짐 변화나 센서 드리프트 발생 시 재조정이 필요할 수 있다.

본 연구는 제안된 방법이 오프라인 EHA 모니터링에서 높은 잠재력을 보여주지만, 견고한 산업적 적용을 위해서는 다변량 센서 퓨전, 실시간 배포 및 더 넓은 범위의 결함 커버리지로의 확장이 필요하다고 결론짓는다.