Channel-wise Time-series Data Augmentation for Risk Detection of Industrial Process
Jaehyeon Joo, Jihwan Kong, Hyeonmin Kim, Chang-Ouk Kim · Journal of Korean institute of intelligent systems · 2022
제조 공정에서는 시계열 센서 데이터를 생성하므로, 시계열 데이터를 이미지로 변환할 수 있는 딥 러닝 기반의 모델이 위험 감지를 위해 채택되고 있다. 제조 공정 데이터는 레이블링된 데이터가 적어 준 지도 학습을 사용하거나 딥러닝 기반으로 데이터를 증강하여 지도 학습을 사용한다. 그러나 준 지도 학습은 지도 학습에 비해 예측 성능이 떨어지며, 딥러닝 기반의 데이터 증강은 모델의 수렴이 어려워 생성된 데이터의 정합성이 떨어진다. 본 논문은 소수의 레이블링 된 2차원 시계열 데이터를 원본 데이터의 변형 없이 채널로 이어 붙여, 정합성 높은 데이터를 생성하는 방법론을 제시한다. 실험 결과, 제안된 방법이 비교 모델보다 공정 위험을 약 8.1~16.7% 더 정확히 감지할 수 있음을 확인하였다.