산업용 기기 이상 탐지를 위한 센서 데이터 특성 기반 전처리 방법
Preprocessing Method Based on the Sensor Data Characteristics for Anomaly Detection of Industrial Devices
- 주제(키워드) 산업용 기기 , 센서 데이터 , 시계열 전처리 , 이상 탐지 , 예지보전
- 주제(DDC) 004.6
- 발행기관 아주대학교 일반대학원
- 지도교수 이정원
- 발행년도 2026
- 학위수여년월 2026. 8
- 학위명 박사
- 학과 및 전공 일반대학원 AI융합네트워크학과
- 실제URI http://www.dcollection.net/handler/ajou/000000036312
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
This study proposes a preprocessing method based on sensor data characteristics for anomaly detection in industrial devices. In smart manufacturing environments, equipment abnormalities can cause production shutdowns, quality degradation, and increased maintenance costs. Therefore, it is important to detect early anomaly signs from sensor data accumulated during operation. Industrial sites collect various sensor signals, such as current, vibration, temperature, pressure, flow rate, position, and velocity. However, sensor data patterns vary depending on device type, operating condition, sensor configuration, and task context. The same change in sensor values may indicate a normal load variation in one condition but an abnormal sign in another. Therefore, before training anomaly detection models, preprocessing techniques should be selected according to the characteristics of the sensor data and the way anomaly signs are expressed. Previous studies have advanced predictive maintenance for industrial devices, time-series anomaly detection models, and individual preprocessing techniques. However, many studies have been validated mainly on specific machines, sensor combinations, models, or datasets. As a result, the relationship between sensor data characteristics and preprocessing selection criteria has not been sufficiently systematized. In particular, decision criteria remain unclear for defining analysis units, determining when cross-sensor synchronization is required, and identifying when preserving anomaly-related cues is more important than removing noise. If preprocessing is applied empirically or uniformly, it may weaken the distinction between normal and abnormal states and degrade anomaly detection performance. To address these limitations, this study first defines six common characteristics of industrial sensor data: time-series characteristics, multivariate characteristics, multi-scale characteristics, periodicity, noise sensitivity, and irregularity. It then analyzes how each characteristic affects the selection of preprocessing techniques. Second, the preprocessing procedure is organized into three stages: data structuring, data value transformation, and learning data construction. Based on sensor data characteristics and anomaly types, this study proposes criteria for selecting the necessary preprocessing techniques at each stage. In particular, the learning data construction stage is defined as the process of completing the final input format that can be directly used by anomaly detection models. Third, the effect of preprocessing selection on anomaly detection performance is experimentally validated using four datasets: Niryo One, Neuromeka Indy7, Harmonic Drive, and NoBOOM. Niryo One and Indy7 represent command-dependent anomaly detection scenarios in which normal patterns vary according to task commands. Harmonic Drive represents a waveform-based anomaly detection scenario in which preserving signal components is important. NoBOOM represents a process-relation-based anomaly detection scenario using real industrial process data. For these datasets, five preprocessing configurations were compared using three learning models: 1D-CNN, LSTM-AE, and TranAD. The experimental results show that the characteristic-based recommended preprocessing configuration, V4, achieved the best performance on all four datasets. TranAD achieved an F1-score of 0.9434 on Niryo One, 1D-CNN achieved an F1-score of 0.9759 on Indy7, TranAD achieved a Macro F1-score of 0.9910 on Harmonic Drive, and TranAD achieved an F1-score of 0.9027 on NoBOOM. In contrast, V5, which added non-recommended filtering to the recommended configuration, led to performance degradation across all datasets. These results indicate that, in anomaly detection for industrial devices, selecting preprocessing techniques according to sensor data characteristics and anomaly-expression patterns is more effective than simply applying more preprocessing steps. The contributions of this study are threefold. First, it defines six common characteristics of industrial sensor data and directly connects them to preprocessing selection criteria. Second, it systematizes preprocessing into three functional stages and clarifies the role and conditional selection criteria of each technique, including the construction of the final model input. Third, it verifies the applicability of the proposed criteria across four heterogeneous datasets and empirically shows that excessive preprocessing can weaken anomaly-relevant cues. These findings provide a reproducible and extensible basis for preprocessing design in anomaly detection for industrial devices.
more초록/요약
본 연구는 산업용 기기 이상（Anomaly） 탐지에서 센서 데이터의 특성을 고 려한 전처리 판단 기준을 체계화하는 것을 목적으로 한다. 스마트 제조 환경에 서는 설비 이상이 생산 중단, 품질 저하, 유지보수 비용 증가로 이어질 수 있으 므로, 운용 중 축적되는 센서 데이터를 바탕으로 이상 징후를 조기에 파악하는 일이 중요하다. 산업 현장에서는 전류, 진동, 온도, 압력, 유량, 위치, 속도 등 다양한 센서 데이터를 활용하지만, 센서 데이터의 패턴은 설비 종류, 작업 조 건, 센서 구성에 따라 달라진다. 같은 값의 변화도 어떤 상황에서는 정상적인 부하 변화일 수 있고, 다른 상황에서는 이상 징후일 수 있다. 따라서 이상 탐지 성능을 높이기 위해서는 모델을 학습하기에 앞서, 센서 데이터가 어떤 특성을 가지며 그 특성에 따라 어떤 전처리 절차가 필요한지를 판단할 필요가 있다. 기존 연구는 산업용 기기의 예지보전, 시계열 이상 탐지, 개별 전처리 기법의 성능 개선을 중심으로 발전해 왔다. 산업용 기기 분야에서는 특정 설비의 고장 예측이나 결함 진단 성능을 높이는 연구가 수행되었고, 시계열 이상 탐지 분야 에서는 재구성 기반, 그래프 기반, 변환기 기반 학습 모델 등 탐지 구조의 고도 화가 이루어졌다. 또한 전처리 연구에서는 결측값 처리, 구간 분할, 정규화, 특 징 생성, 필터링과 같은 다양한 기법이 제안되었다. 그러나 많은 연구가 특정 기기, 특정 센서 조합, 특정 모델 또는 특정 데이터셋을 중심으로 검증되어, 산 업용 기기 센서 데이터의 특성과 전처리 기법 선택 기준 사이의 관계를 체계적 으로 설명하는 데에는 한계가 있었다. 특히 분석 단위를 어떻게 정할 것인지, 센서 간 정렬이 언제 필요한지, 잡음 제거보다 이상 단서의 보존이 더 중요한 경우는 언제인지에 대한 판단 기준이 충분히 정리되지 않았다. 이로 인해 전처 리가 경험적 또는 일괄적으로 적용될 경우, 정상과 이상의 차이를 약화시키거 나 탐지 성능을 저하시킬 수 있다. 따라서 본 논문은 산업용 기기 센서 데이터 전처리에서 경험적으로 수행되어 온 판단 과정을 데이터 특성과 이상 징후 유형의 관점에서 일반화하고, 이를 실제 데이터 분석자가 초기 전처리 구성을 설계할 때 참고할 수 있는 1차적인 가이드라인으로 제시하고자 한다. 본 연구가 제안하는 방법은 모든 산업용 기 기와 이상 상황에 동일하게 적용되는 보편적 최적 절차가 아니라, 데이터 구조 와 분석 목적에 따라 필요한 전처리 기법을 선택하기 위한 판단 기준이다. 첫째, 산업용 기기 센서 데이터의 공통 특성을 총 6가지, 즉 시계열성, 다변 량성, 다중 범위 특성, 주기성, 잡음 민감성, 불규칙성으로 정의하고, 각 특성이 센서 데이터 전처리 기법을 선택하는 데에 미치는 영향을 분석한다. 둘째, 전처리 절차를 데이터 구조화, 데이터 값 변환, 학습 데이터 구성의 3 단계로 구분하고, 데이터 특성과 이상 징후 유형에 따라 필요한 기법을 선택하 는 기준을 제안한다. 이때 학습 데이터 구성 단계는 앞선 전처리 결과를 이상 탐지 모델이 직접 사용할 수 있는 최종 입력 형태로 완성하는 단계로 정의한 다. 셋째, 전처리 방법의 선택이 학습 모델의 이상 탐지 성능에 미치는 영향을 확인한다. 먼저, 소형 협동 로봇 Niryo One 이상 탐지, 산업용 로봇 Indy7 이 상 탐지, 감속기 부품인 Harmonic Drive의 이상 탐지, 오픈 데이터셋 NoBOOM 산업 공정 이상 탐지 데이터셋을 대상으로 5가지의 전처리 방법을 적용하여 총 3가지 학습 모델을 구축한다. 작업 명령（Command）에 따라 정상 패턴이 달라지는 Niryo One과 Indy7, 파형 성분 보존이 중요한 Harmonic Drive, 실제 산업 공정 데이터를 포함하는 NoBOOM 데이터셋에 제안 기준을 적용한 전처리 방법이 1D-CNN, LSTM-AE, TranAD와 같은 학습 모델의 Accuracy, F1-score 등 성능 지표에 미치는 영향을 실험적으로 검증한다. 4 가지 데이터셋은 각각 작업 종류 기반 데이터, 파형 기반 데이터, 공정 관계 기 반 데이터를 대표하므로, 서로 다른 전처리 방법 적용과 모델 성능 변화 양상 을 비교하기 위한 실험 대상으로 선정하였다. 실험 결과, 4가지 데이터셋 모두에서 특성 기반 추천 전처리 구성인 V4가 가장 우수한 성능을 보였다. Niryo One에서는 TranAD가 F1-score 0.9434, Indy7에서는 1D-CNN이 F1-score 0.9759를 기록하였다. Harmonic Drive 에서는 TranAD가 Macro F1-score 0.9910, NoBOOM에서는 TranAD가 F1-score 0.9027을 보였다. 반면 추천 구성과 대비되는 비추천 필터링 조건 인 V5에서는 4가지 데이터셋 모두에서 성능 저하가 나타났다. 이는 본 연구의 실험 범위에서, 전처리 기법을 단순히 많이 적용하는 것보다 센서 데이터의 특 성과 이상 징후의 표현 방식을 고려하여 필요한 기법을 선택하는 것이 더 적절 했음을 시사한다. 결론적으로 본 연구의 기여점은 다음과 같다. 첫째, 산업용 기기 센서 데이터의 공통 특성을 6가지로 정리하고, 이를 전처 리 선택의 직접적 판단 기준으로 연결하였다. 이를 통해 전처리를 단순한 데이 터 정제가 아니라, 이상 징후를 보존하고 해석 가능하게 만드는 설계 문제로 구체화하였다. 둘째, 전처리 과정을 데이터 구조화, 데이터 값 변환, 학습 데이터 구성의 3 단계로 체계화함으로써 각 기법의 역할을 명확히 하였다. 특히 학습 데이터 구 성 단계를 별도로 제시하여, 전처리의 최종 목적이 모델 입력 형식의 완성과 직접 연결됨을 분명히 하였다. 셋째, 서로 다른 해석 요구를 갖는 4가지 데이터셋에서 제안 기준의 적용 가 능성을 확인하고, 추천 구성과 대비되는 비추천 전처리 조건이 성능 저하와 연 결될 수 있음을 실험 결과로 확인하였다. 이를 통해 본 연구는 산업용 기기 이 상 탐지에서 보다 재현성 있고 확장 가능한 전처리 설계 기준을 제시한다. 주제어: 산업용 기기, 센서 데이터, 시계열 전처리, 이상 탐지, 예지보전
more목차
1. 서론 1
1.1. 연구 배경 1
1.2. 문제 분석 4
1.3. 연구 목적 및 방법 7
2. 관련 연구 9
2.1. 산업용 기기의 예지보전 10
2.2. 시계열 데이터 기반 이상 탐지 12
2.3. 시계열 데이터의 전처리 방법 14
3. 산업 센서 데이터 특성 정의 17
3.1. 수집 데이터의 구성 정보와 기록 형태 20
3.1.1. 수집 데이터의 구성 정보 20
3.1.2. 수집 데이터의 기록 형태 22
3.2. 센서 데이터 유형별 이상 징후 형태 분석 25
3.3. 이상 탐지를 위한 데이터 특성 정의 33
4. 특성 기반 전처리 방법 설계 43
4.1. 전처리 요구사항 도출 45
4.1.1. 데이터 특성 기반 요구사항 47
4.1.2. 이상 징후 형태 기반 요구사항 51
4.2. 전처리 단계 구성 53
4.2.1. 데이터 구조화 단계 55
4.2.2. 데이터 값 변환 단계 57
4.2.3. 학습 데이터 구성 단계 59
4.2.4. 이상 징후 유형에 따른 전처리 단계 적용 방식 60
4.3. 전처리 선택 규칙 65
5. 이상 탐지를 위한 전처리 적용 방법 및 실험 설계 74
5.1. 데이터셋 구성 75
5.1.1. Niryo One 데이터셋 76
5.1.2. Indy7 데이터셋 80
5.1.3. Harmonic Drive 데이터셋 82
5.1.4. NoBOOM 데이터셋 84
5.2. 데이터셋별 전처리 적용 방법 선택 86
5.3. 비교 전처리 구성 94
5.4. 이상 탐지 모델 및 성능 평가 지표 103
6. 실험 결과 및 논의 109
6.1. 전처리 구성별 성능 비교 109
6.1.1. Niryo One 데이터셋 결과 109
6.1.2. Indy7 데이터셋 결과 115
6.1.3. Harmonic Drive 데이터셋 결과 117
6.1.4. NoBOOM 데이터셋 결과 119
6.1.5. 데이터셋 간 비교 해석 121
6.2. 과도한 전처리 부작용 분석 122
6.2.1. Niryo One 데이터셋에서의 과도한 필터링 부작용 122
6.2.2. Indy7 데이터셋에서의 과도한 필터링 부작용 123
6.2.3. Harmonic Drive 데이터셋에서의 과도한 필터링 부작용 124
6.2.4. NoBOOM 데이터셋에서의 과도한 필터링 부작용 124
6.2.5. 산업용 기기 이상 탐지 전처리에 대한 시사점 125
7. 결론 127
참고문헌 131
Abstract 137
