차량 센서 데이터 조합을 통한 딥러닝 기반 차량 이상탐지

국문 초록 (Abstract)

4차산업혁명 시대에는 대량의 데이터를 학습하여 예측과 분류의 정확성을 향상시킬 수 있는 인공지능의 활용이 핵심적이다. 그러나, 기존 이상탐지를 위한 방법은 제한된 데이터를 다루는 전통적인 통계 방법에 의존하고 있어, 정확한 이상탐지가 어렵다. 그러므로, 본 연구는 인공지능 기반 이상탐지 방법을 제시하여 예측 정확도를 높이고, 새로운 데이터 패턴을 정의하는 것을 목적으로 한다. 특히, 자동차의 경우 공회전 기간의 센서 데이터가 이상 탐지에 활용될 수 있다는 관점에서 데이터를 수집하고 분석하였다. 이를 위해, 예측 모델에 입력되는 데이터의 적정 시간 길이를 결정하고, 공회전 기간 데이터와 전체 운행 데이터의 분석 결과를 비교하며, 다양한 센서 데이터 조합에 의한 최적 예측 방법을 도출하였다. 또한, 인공지능 방법으로 선택된 CNN의 예측 정확성을 검증하기 위해 LSTM 결과와 비교하였다. 분석 결과, 공회전 데이터를 이용하고, 공회전 기간보다 1.5배 많은 기간의 데이터를 이용하며 LSTM보다는 CNN을 활용하는 것이 더 좋은 예측결과를 보였다.

다국어 초록 (Multilingual Abstract)

In the Industry 4.0 era, artificial intelligence has attracted considerable interest for learning mass data to improve the accuracy of forecasting and classification. On the other hand, the current method of detecting anomalies relies on traditional statistical methods for a limited amount of data, making it difficult to detect accurate anomalies. Therefore, this paper proposes an artificial intelligence-based anomaly detection methodology to improve the prediction accuracy and identify new data patterns. In particular, data were collected and analyzed from the point of view that sensor data collected at vehicle idle could be used to detect abnormalities. To this end, a sensor was designed to determine the appropriate time length of the data entered into the forecast model, compare the results of idling data with the overall driving data utilization, and make optimal predictions through a combination of various sensor data. In addition, the predictive accuracy of artificial intelligence techniques was presented by comparing Convolutional Neural Networks (CNN) and Long Short Term Memory (LSTM) as the predictive methodologies. According to the analysis, using idle data, using 1.5 times of the data for the idling periods, and using CNN over LSTM showed better prediction results.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. 배경이론
• 3. 연구 프레임워크
• 4. 분석 결과
• 5. 결과 해석 및 시사점
• 6. 결론
• References

참고문헌 (Reference)

1 M., Heinrich, "Rule-based Anomaly Detection for Railway Signalling Networks"

2 F. A. Gers, "Recurrent nets that time and count" 3 : 189-194, 2000

3 P. Malhotra, "Long short term memory networks for anomaly detection in time series" 89 : 89-94, 2015

4 P. Malhotra, "Long short term memory networks for anomaly detection in time series" 89-, 2015

5 김삼근, "IoT 스트리밍 센서 데이터에 기반한 실시간 PM10 농도 예측 LSTM 모델" 한국산학기술학회 19 (19): 310-318, 2018

6 M. Xia, "Fault Diagnosis for Rotating Machinery Using Multiple Sensors and Convolutional Neural Networks" 23 (23): 101-110, 2018

7 S. Lawrence, "Face recognition : A convolutional neural-network approach" 8 (8): 98-113, 1997

8 N. Y. Choi, "Detecting user behavior anomalies using Generative Adversarial Networks" 25 (25): 43-62, 2019

9 C. Baur, "Deep autoencoding models for unsupervised anomaly segmentation in brain MR images" 161-169, 2018

10 B. Zong, "Deep autoencoding gaussian mixture model for unsupervised anomaly detection" 2018

11 S. H. Lee, "CNN-Based Noise System for Motorized Driving Unit Fault Causes Classification System" 26 (26): 7-8, 2018

12 M. Hasan, "Attack and anomaly detection in IoT sensors in IoT sites using machine learning approaches" 7 : 100059-, 2019

13 D. Li, "Anomaly detection with generative adversarial networks for multivariate time series"

14 M.R. Moore, "Anomaly detection of cyber physical network data using 2D images" 1-5, 2019

15 Q. Wei, "Anomaly detection for medical images based on a one-class classification" 2018

16 H. Sarmadi, "A novel anomaly detection method based on adaptive Mahalanobis-squared distance and one-c lass kNN rule for structural health monitoring under environmental effects" 140 : 106495-, 2020