초음파 기반 설비 상태 분류·이상 탐지 PoC

설비 초음파 신호를 다룬 세 단계의 작업입니다. 먼저 분석할 구간과 특징을 설계했습니다(2024.04~05). 그다음 정상 패턴을 학습해 이상 후보를 찾는 PoC(2024.04~06)와 가동·비가동 상태를 분류하는 PoC(2024.07~08)를 구현했습니다.

샘플링 조건과 공정 이벤트를 대조해 노이즈·이상치와 분석 구간을 구분했습니다. FFT·웨이블릿으로 시간·주파수 특징을 추출하고, Random Forest·XGBoost와 CNN·RNN 계열 모델을 비교했습니다. 모델 비교 전에 입력 구간과 전처리 조건을 먼저 정리했습니다.

샘플링 조건과 결측·노이즈를 확인하고, 공정 사이클에 맞춰 분석 구간을 정렬했습니다. 시간·주파수 특징, 슬라이딩 윈도, 정규화를 적용해 학습 입력을 구성했습니다.

Autoencoder·LSTM 계열 모델과 머신러닝 기준 모델을 같은 파이프라인에서 비교했습니다. 입력 신호와 모델이 복원한 신호의 차이를 계산하고, 정밀도·재현율의 변화에 따라 임계값 후보를 살폈습니다.

이상 탐지 F1은 약 95%였습니다.

초음파 스펙트로그램을 입력으로 가동·비가동 상태를 분류하고, 분류 결과와 Grad-CAM 활성 영역을 함께 표시했습니다. 상태별로 모델이 주목한 주파수 대역을 비교하는 데 사용했습니다.

초음파 데이터에서 상태별 구간을 선별해 스펙트로그램으로 변환했습니다. CNN 계열 모델을 비교하고, Grad-CAM으로 분류에 영향을 준 영역을 시각화했습니다. 다른 현장 데이터에 대한 추론 결과도 확인했습니다.

가동·비가동 분류 F1은 약 95%였습니다.