Distribution-Based Residual Monitoring for Fault Detection in Chemical and Wastewater Systems

기술 요약: 화학 및 폐수 시스템의 결함 탐지를 위한 분포 기반 잔차 모니터링

문제 정의
신뢰할 수 있는 결함 탐지는 현대의 화학 반응기 및 폐수 처리 플랜트와 같은 산업 및 환경 공정의 안전, 효율성 및 지속 가능성을 위해 매우 중요하다. 탐지되지 않은 결함은 제품 품질 저하, 운영 비용 증가 및 안전 리스크를 초래할 수 있다. 주성분 분석(PCA) 및 부분 최소 제곱(PLS)과 같은 다변량 통계적 공정 모니터링(MSPM) 기법이 널리 사용되고 있으나, 이들은 종종 2차 통계량과 가우시안(Gaussian) 가정에 의존한다. 이러한 한계는 특히 결함이 여러 변수에 걸쳐 미세하고 점진적인 변화로 나타나거나, 단순히 분산을 변화시키는 것이 아니라 상관 구조를 변화시킬 때, 미세하거나 점진적인 결함 또는 비가우시안 결함에 대한 민감도를 저하시킨다. 또한, 기존의 많은 방법은 학습을 위해 레이블이 지정된 결함 데이터를 필요로 하는데, 이는 실제 산업 현장에서는 흔히 구하기 어려운 데이터이다.

방법론
본 논문은 다변량 공정의 결함을 탐지하기 위해 정준 상관 분석(Canonical Correlation Analysis, CCA)과 통계적 거리 측도(statistical distance measures)를 결합한 분포 기반 잔차 모니터링 프레임워크를 제안한다. 이 방법론은 두 단계로 작동한다:

1. CCA 모델링: 공정 변수를 두 개의 블록($X$와 $Y$)으로 나눈다. CCA는 이 블록들 사이의 선형 관계를 식별하기 위해, 상관관계를 최대화하는 잠재 공간(latent spaces)으로 이들을 투영한다. 정상 운전 조건 하에서 정준 점수(canonical scores, $T_x$ 및 $T_y$)는 높은 상관관계를 가진다.
2. 잔차 생성: 잔차 벡터는 정준 점수의 차이($r = T_x - T_y$)로 정의된다. 전통적인 방식은 제곱 예측 오차(Squared Prediction Error, SPE)를 사용하여 이 잔차의 크기를 모니터링하지만, 본 접근 방식은 잔차의 확률 분포를 모니터링한다.
3. 분포 기반 모니터링: 본 프레임워크는 슬라이딩 윈도우 전략을 채택하여 새로운 데이터로부터 잔차의 분포를 지속적으로 추정하고, 이를 정상 운전 중에 설정된 참조 분포와 비교한다. 분포 간의 발산을 정량화하기 위해 세 가지 통계적 거리 측도가 활용된다:
   • 헬링거 거리 (Hellinger Distance, HD): 확률 밀도 함수 간의 유사성을 측정한다.
   • 쿨백-라이블러 거리 (Kullback–Leibler Distance, KLD): 분포 간의 정보 손실을 정량화한다.
   • 칸토로비치 거리 (Kantorovich Distance, KD): 와서스테인(Wasserstein) 거리로도 알려져 있으며, 분포 간의 위치, 분산 및 형태의 변화를 포착하는 최적 운송 비용(optimal transport cost)을 측정한다.
4. 임계값 결정: 가우시안 가정을 강제하지 않기 위해, 결함이 없는 학습 데이터에 대한 **커널 밀도 추정(Kernel Density Estimation, KDE)**을 사용하여 이 거리 측도들의 탐지 임계값을 비모수적으로 결정한다.
5. 학습 제약 조건: 본 방법론의 핵심 특징은 학습을 위해 결함이 없는 데이터만을 필요로 한다는 것이며, 이는 레이블이 지정된 결함 데이터를 구하기 어려운 시나리오에 적합하다.

주요 기여
본 논문은 네 가지 주요 기여를 설명한다:

• CCA와 분포 분석의 통합: CCA 모델링과 통계적 거리 측도(HD, KLD, KD)를 결합하여 잔차 분포의 변화를 통해 결함을 탐지하는 프레임워크를 제공하며, 이는 SPE와 같은 전통적인 분산 기반 지표에 비해 미세하고 점진적이며 비가우시안적인 결함에 대해 개선된 민감도를 제공한다.
• 온라인 슬라이딩 윈도우 전략: 테스트 잔차 분포를 참조 분포와 지속적으로 비교함으로써 실시간 분포 변화 탐지를 가능하게 하는 구현 방식이다.
• 비모수적 임계값 설정: KDE를 사용하여 결정 한계(decision limits)를 결정함으로써, 파라미터 가정을 피하고 비선형 및 비가우시안 공정에서의 견고성을 높인다.
• 포괄적인 비교 연구: 두 가지 벤치마크 공정(Williams–Otto 반응기 및 폐수 처리 플랜트)에 대해 표준 지표(결함 탐지율, 허위 알람율, 정밀도, 정확도, F1-score)를 사용하여 여러 지표(SPE, HD, KLD, KD)를 엄격하게 평가하였다.

실험 결과
제안된 프레임워크는 두 가지 벤치마크 시스템을 통해 검증되었다:

1. Williams–Otto 반응기: 비선형 화학 공정.
2. BSM1 폐수 처리 플랜트: 복잡한 생물학적 공정.

네 가지 결함 시나리오(바이어스(bias), 간헐적(intermittent), 드리프트(drift), 프리징(freezing) 결함)가 테스트되었다. 결과는 다음과 같다:

• 분포 기반 지표는 기존의 SPE 모니터링보다 성능이 유의미하게 우수했다, 특히 작은 크기의 간헐적 및 점진적 결함에서 그러했다.
• 칸토로비치 거리(KD)가 일관되게 가장 우수한 성능을 보였다. Williams–Otto 반응기에서 KD 기반 탐지율은 모든 결함 유형에 대해 허위 알람이 거의 없이 95%를 초과했다. 예를 들어, 작은 규모(3%)의 바이어스 결함을 탐지하는 데 있어 KD는 98.58%의 F1-score를 달성한 반면, SPE는 74.05%로 떨어졌다.
• 폐수 처리 플랜트에서도 KD는 프리징 및 간헐적 결함에 대해 높은 정확도(최대 99.85%)와 F1-score(최대 99.84%)를 유지했으나, SPE 기반 방식은 이러한 결함을 탐지하지 못하거나 높은 허위 알람율을 보이는 경우가 많았다.
• 윈도우 크기 민감도: 윈도우 크기(30, 40, 50)에 대한 분석 결과, 작은 윈도우는 HD 및 KLD에서 허위 알람을 유발할 수 있는 반면, KD 기반 지표는 테스트된 모든 구성에서 견고함을 유지했다. 윈도우 크기 50이 민감도와 안정성 사이의 최적의 절충안으로 확인되었다.

의의 및 주장
본 논문은 CCA 모델링과 분포 기반 잔차 분석의 통합이 복잡한 산업 및 환경 공정의 조기 결함 탐지를 위한 효과적이고 신뢰할 수 있으며 실용적인 프레임워크를 제공한다고 주장한다. 본 연구의 의의는 다음과 같다:

• 분산 기반 방식에서 놓치기 쉬운 초기 및 미세 결함을 탐지할 수 있다.
• 제한적인 분포 가정을 요구하지 않고 비가우시안 및 비선형 환경에서 효과적으로 작동한다.
• 학습 시 결함이 없는 데이터에만 의존함으로써 데이터가 부족한 환경에서도 기능하며, 이는 산업 현장 배포의 주요 실무적 한계를 해결한다.
• 테스트된 시나리오에서 칸토로비치 거리가 헬링거 및 쿨백-라이블러 거리보다 분포 변화를 탐지하는 데 더 우수한 지표임을 입증하여 강력한 솔루션을 제공한다.

저자들은 KD 기반 접근 방식이 SPE보다 약간 더 높은 계산 복잡성을 수반하지만, 일반적인 샘플링 간격을 가진 공정의 실시간 구현에 여전히 실용적이며, 탐지 신뢰성 측면에서 상당한 개선을 제공한다고 결론지었다. 향후 연구로는 비선형 CCA 확장 및 적응형 임계값 설정 전략에 대한 탐색을 제안한다.