Optimal Transport Image Representation and Deep Covariance Alignment (CORAL) for Control Valve Stiction Detection

기술 요약: 제어 밸브 스틱션(Stiction) 탐지를 위한 최적 운송 이미지 표현 및 딥 코바리언스 정렬

문제 정의
제어 밸브의 스틱션은 산업 공정에서 흔히 발생하는 문제로, 지속적인 진동을 유발하여 제품 품질을 저하시키고 에너지 소비를 증가시키며 장비의 마모를 가속화합니다. 스틱션을 식별하기 위해 침습적인 테스트를 수행할 수도 있지만, 이는 밸브를 가동 중단 상태로 만들어야 합니다. 따라서 루틴한 제어 출력(OP) 및 공정 변수(PV) 데이터를 활용하는 비침습적 방법이 선호됩니다. 그러나 시뮬레이션 데이터로 학습된 기존의 데이터 기반 모델들은 시뮬레이션과 실제 산업 데이터 사이의 통계적 불일치인 "도메인 시프트(domain shift)"로 인해 실제 산업 루프에 일반화되지 못하는 경우가 많습니다. 또한, 전통적인 시계열 분석은 점 단위의 진폭이나 특정 주파수 대역에 의존하는 경우가 많아, 스틱션과 관련된 복잡한 분포 변화를 놓칠 수 있습니다.

방법론
제안된 프레임워크는 최적 운송(Optimal Transport, OT) 이미징과 도메인 적응을 위한 딥 코럴(Deep CORAL)을 결结合하여 이러한 과제를 해결합니다. 방법론은 다음 세 가지 주요 단계로 진행됩니다.

1. 최적 운송 이미지 생성:
   원시 시계열 시퀀스를 직접 분석하는 대신, 이 방법은 OP 및 PV 신호를 2차원 이미지로 변환합니다. 이 과정은 다음과 같습니다:

• 신호를 정규화하고 1차 미분값을 계산합니다.
• PV, OP, 미분 비율($dOP/(dPV + \epsilon)$), 그리고 제어 오차($OP - PV$)를 포함하는 특징 벡터를 구성합니다.
• 이 특징 벡터들을 중첩되는 윈도우(window) 단위로 나눕니다.
• 특징 벡터를 무작위 단위 벡터 상에 투영하고 1차 Wasserstein 거리를 계산함으로써 윈도우 쌍 간의 슬라이스드 와서스테인(Sliced-Wasserstein) 거리를 산출합니다.
• 이를 통해 정규화되고 평활화된 거리 행렬을 생성하며, 이를 이미지로 해석합니다. 이 표현 방식은 단순한 점 단위의 값이 아니라 제어 루프의 완전한 분포적 역학(형태, 확산, 위치)을 포착합니다.

2. 딥 도메인 적응 (Deep CORAL):
   소스 도메인(시뮬레이션 데이터)과 타겟 도메인(라벨이 없는 산업 데이터) 사이의 간극을 메우기 위해 합성곱 신경망(CNN) 인코더가 사용됩니다.

• 구조: 인코더는 세 개의 합성곱 블록(합성곱, 배치 정규화, ReLU, 맥스 풀링)과 전역 평균 풀링(global average pooling), 그리고 완전 연결 계층(fully connected layer)으로 구성됩니다.
• 학습 목표: 인코더는 다음의 결합 손실 함수를 사용하여 학습됩니다:
  • 교차 엔트로피 손실 ($\mathcal{L}_{CE}$): 스틱션과 비스틱션을 구분하는 특징을 보장하기 위해 라벨링된 시뮬레이션 데이터에 대해 계산됩니다.
  • Deep CORAL 손실 ($\mathcal{L}_{CORAL}$): 소스(시뮬레이션)와 타겟(산업) 도메인의 특징 공분산 행렬 간에 계산됩니다. 이 손실은 2차 통계량의 차이를 최소화하여 인코더가 도메인 불변 표현을 학습하도록 강제합니다.
• $\lambda$에 대한 CORAL 손실 계수에 대해 동적 가중치 전략이 사용되며, 이는 학습 에포크가 진행됨에 따라 증가합니다.

3. 다운스트림 분류:
   공유된 인코더를 학습시킨 후, 임시 분류 헤드를 제거합니다. 인코더는 산업용 학습 데이터로부터 도메인이 적응된 특징을 추출합니다. 이 특징들은 표준화된 후 로지스틱 회귀 분류기에 입력되어 스틱션 존재 여부를 예측하도록 학습됩니다. 데이터 누수를 방기하기 위해 결정 임계값은 산업용 학습 세트에 대한 교차 검증을 통해 결정됩니다.

주요 기여

• 새로운 표현 방식: 본 연구는 제어 루프 성능 모니터링에 최적 운송 이미징을 적용한 첫 사례를 소개합니다. 재발성 플롯(recurrence plots)이나 마르코프 전이 필드(Markov Transition Fields)에 의존하는 방법과 달리, OT 이미징은 신호 윈도우의 완전한 분포를 비교하므로 정렬 문제와 진폭 이산화에 강건합니다.
• 도메인 적응 프레임워크: 본 연구는 Deep CORAL을 사용하여 시뮬레이션과 산업 데이터의 분포를 정렬하는 구체적인 파이프라인을 제안하며, 이는 순수하게 시뮬레이션으로만 학습된 모델을 괴롭히는 도메인 시프트를 효과적으로 완화합니다.
• 벤치마크 검증: 제안된 방법은 산업 스틱션 데이터 벤치마크(ISDB)의 독립적인 20개 산업 루프 세트에 대해 수작업 특징(HOG, LBP, GLCM 및 통계적 특징)을 사용하는 베이스라인과 엄격하게 비교 평가되었습니다.

결과
제안된 방법론은 20개의 독립적인 산업 제어 루프(스틱션 13개, 비스틱션 7개)를 대상으로 테스트되었습니다.

• 성능: 제안된 방법은 90.00%의 정확도, 86.67%의 정밀도, 100%의 재현율(recall), 그리고 92.86%의 F1-score를 달절했습니다.
• 비교: 이와 대조적으로, 베이스라인인 수작업 특징 방법은 65.00%의 정확도와 72.00%의 F1-score를 기록했습니다.
• 구체적 결과: 제안된 방법은 13개의 스틱션 케이스를 모두 정확하게 진단(미탐지 제로)한 반면, 베이스라인은 4개의 스틱션 케이스를 놓쳤습니다. 제안된 방법은 펄프 및 제지 공정의 비스틱션 루프 2개를 스틱션으로 오분류하였는데, 이는 비스틱션 진동이 스틱션 패턴과 유사하게 나타났기 때문인 것으로 보입니다.
• 개선 사항: 제안된 접근 방식은 베이스라인 대비 정확도를 25 퍼센트 포인트, F1-score를 약 20.86 퍼센트 포인트 향상시켰습니다.

의의 및 주장
본 논문은 OT 이미징과 Deep CORAL의 통합이 실제 산업 환경에서 제어 밸브 스틱션을 탐지하기 위한 강력하고 신뢰할 수 있는 도구를 제공한다고 주장합니다. 도메인 불변 표현을 학습함으로써, 본 프레임워크는 침습적인 테스트 없이도 시뮬레이션 환경으로부터 라벨이 없는 산업 데이터로 지식을 성공적으로 전이합니다. 저자들은 특히 100%의 재현율(미탐지 없음)을 달성한 능력이 산업 안전 및 성능 모니터링에 있어 매우 중요하다는 점을 강조합니다. 이 방법이 높은 신뢰성을 보여주지만, 저자들은 스틱션과 유사한 동적 패턴을 공유하는 특정 비스틱션 진동(예: 펄프 및 제지 공정에서 발견되는 것)을 더 잘 구별하기 위해서는 향후 연구가 필요하다고 겸허히 언급하였습니다.