설비 예지보전 이상탐지 연구
A Transformer forecasts bearing vibration one step ahead, and its prediction error drives anomaly detection, failure-onset timing, and remaining useful life — with thresholds derived from the data rather than fixed by hand.
Transformer로 베어링 진동을 한 스텝 앞서 예측하고, 그 오차로 이상탐지·고장 시점·잔여수명을 산출합니다. 임계값은 손으로 정하지 않고 데이터에서 뽑습니다
Role · Researcher & engineer — AutoInformer model, adaptive threshold pipeline, 9-way cross-domain study, interactive dashboard.
Key Metrics
Why it matters
Most PHM work reports the win and hides the misses. This one ships the honest result: 5/9 cross-domain configs detect onset — and explains why geometrically (narrow vs wide vs burst manifolds). 10–100× lower MSE than MA baseline. Diagnosing your own failure modes is the architect-level signal.
대부분의 PHM 연구는 성공만 보고합니다. 이 프로젝트는 정직한 결과를 공개합니다. 9-way 교차도메인 평가에서 5/9만 탐지, 그 이유를 기하학적으로 설명. MA 베이스라인 대비 MSE 10–100× 낮음. 자기 실패 모드를 진단해내는 것이 아키텍트 레벨의 신호입니다.
Problem
In 24/7 rotating machinery, 'normal' is not a fixed value — operating conditions drift, so static thresholds fire on benign fluctuation (false-alarm fatigue) or miss real onset. K-S test rejects normality and Levene rejects equal variance for all three IMS test runs (p≪0.001), statistically invalidating fixed thresholds. I reframed detection as tracking departure from a learned normal manifold: AutoInformer (CNN + trend/seasonality decomp + block-sparse attention) forecasts the next step; reconstruction error is the anomaly score. Auto normal-region detection (rolling-variance spike) + Gaussian fit (μ+3σ/4.5σ/6σ) removes manual tuning. 9-way cross-domain study on IMS Bearing dataset reveals the structural limit: detectability is determined by manifold geometry (narrow/wide/burst), not model capacity.
24시간 가동 회전기계에서 '정상'은 고정값이 아닙니다. K-S 검정은 정규성을, Levene 검정은 등분산성을 3개 모든 IMS 테스트에서 기각(p≪0.001). 고정 임계값의 통계적 무효성을 입증. AutoInformer(CNN + 추세/계절성 분해 + 블록희소 어텐션)로 다음 시점을 예측하고 복원오차를 이상 점수로 사용. 롤링분산 스파이크로 정상 구간 자동 탐지 + Gaussian μ+3σ/4.5σ/6σ 임계값. 9-way 교차도메인 평가: 탐지 가능성은 모델 용량이 아닌 manifold 기하학(narrow/wide/burst)이 결정.
What I built
AutoInformer model: Conv1D local feature extraction → trend/seasonality decomposition → block-sparse multi-head attention (O(N^2) to O(NB), 90%+ compute reduction for N=2048) → Gaussian forecasting head
AutoInformer 모델: Conv1D 로컬 특징 추출 → 추세/계절성 분해 → 블록희소 멀티헤드 어텐션(O(N²)→O(NB), N=2048에서 연산 90%+ 절감) → Gaussian 예측 헤드
Detection pipeline: next-step forecasting MSE as anomaly score → rolling-variance spike detects normal-region boundary → Gaussian fit (u, s) → adaptive thresholds u+3s / 4.5s / 6s
탐지 파이프라인: 다음 시점 예측 MSE를 이상 점수로 → 롤링분산 스파이크로 정상 구간 경계 탐지 → Gaussian 피팅(μ, σ) → 적응형 임계값 μ+3σ/4.5σ/6σ
Failure onset + RUL: 10 consecutive High warnings → physical-time RUL = sum of dt from onset to end (corrected for IMS sampling: files 1-43 = 5min, 44+ = 10min)
고장 시점+RUL: 10연속 High 경보 → 물리시간 RUL = onset부터 종료까지 Σ Δt(IMS 샘플링 보정: 파일 1–43=5분, 44+=10분)
9-way cross-domain evaluation (3x3): 3 IMS test runs with different noise characteristics — clean (stable/narrow manifold), noisy (high-variance/wide manifold), burst (rapid degradation/burst manifold)
9-way 교차도메인 평가(3×3): 서로 다른 노이즈 특성의 3개 IMS 테스트. clean(안정/narrow manifold), noisy(고분산/wide manifold), burst(급격 열화/burst manifold)
Statistical justification: K-S + Levene tests on all 3 test sets, p much less than 0.001 — proves non-stationarity and heteroscedasticity, invalidating fixed thresholds
통계적 정당화: 3개 테스트셋 K-S+Levene 검정, p≪0.001. 비정상성+이분산성 입증, 고정 임계값 무효화
Interactive dashboard: static HTML + Chart.js, bundled data.js (800pts/config, max-pool downsampling), GitHub Pages deployed
인터랙티브 대시보드: 정적 HTML+Chart.js, 번들 data.js(설정당 800pt, max-pool 다운샘플링), GitHub Pages 배포
Key Decisions (trade-offs)
Forecasting over a plain autoencoder — 10–100× lower MSE
Reconstruction-error AEs spike inside normal regions on minor drift, drowning real signal in false alarms. Next-step forecasting reacts to the breakdown of predictability instead — 10–100× lower MSE than a Moving-Average baseline on IMS data. The cost: a heavier AutoInformer that needs learnable normal dynamics.
복원오차 AE는 사소한 드리프트에도 정상 구간에서 튀어 오경보를 냅니다. 다음 시점 예측은 '예측 가능성의 붕괴'에 반응. MA 베이스라인 대비 MSE 10–100× 낮음.
Data-driven adaptive thresholds — no manual tuning
Rolling-variance spike auto-detects the normal region. Gaussian fit on that region sets μ+3σ/4.5σ/6σ bands — no manual tuning per machine, auto-compensates for each domain's noise level. K-S + Levene tests confirm non-stationarity justifies adaptive over fixed.
롤링분산 스파이크로 정상 구간 자동 탐지. Gaussian 피팅으로 μ+3σ/4.5σ/6σ 경고대를 기계마다 자동 설정. K-S + Levene 검정으로 비정상성이 적응형 임계값을 정당화함을 입증.
Ship the decision layer to the browser, not the model
A research repo that requires a GPU, the IMS dataset and a training run to inspect is effectively unreviewable. Serving live Transformer inference would need a backend and a model host. I shipped the layer that actually carries the judgement instead: the dashboard reads pre-computed artifacts, and the "try your own signal" demo replays the warning logic and RUL calculation entirely client-side using a chosen run's learned μ/σ. No server, no upload, and the reviewer can test the thresholds on their own error curve. The limitation is stated on the page — this is the threshold/RUL decision layer, not the forecasting model.
GPU 와 IMS 데이터셋과 학습 실행이 있어야 확인 가능한 연구 저장소는 사실상 검토가 불가능합니다. 실시간 Transformer 추론을 제공하려면 백엔드와 모델 호스팅이 필요합니다. 그래서 판단이 실제로 일어나는 계층만 브라우저로 옮겼습니다. 대시보드는 미리 계산된 산출물을 읽고, "자기 신호로 시험하기" 데모는 선택한 실행의 학습된 μ/σ 로 경고 로직과 RUL 계산을 전부 클라이언트에서 재생합니다. 서버도 업로드도 없이 검토자가 자기 오차 곡선으로 임계값을 시험할 수 있습니다. 한계는 페이지에 명시했습니다. 이것은 임계값·RUL 결정 계층이지 예측 모델 자체가 아닙니다.
5/9 honest result — manifold geometry, not model capacity
Across 9 cross-domain configs, onset is detected in only 5/9. Failures explained geometrically: narrow manifold (Test 1, clean) separates cleanly; wide manifold (Test 2, noisy) absorbs precursors; burst manifold (Test 3) over-reacts to broadband noise. Naming the structural limit is the real contribution.
9개 교차도메인 설정 중 5/9만 탐지. 실패를 기하학적으로 설명: narrow manifold(테스트1, clean)는 깔끔히 분리; wide manifold(테스트2, noisy)는 전조를 흡수; burst manifold(테스트3)는 광대역 노이즈에 과잉 반응. 구조적 한계를 규명한 것이 진짜 기여입니다.