협동 로봇의 프로그래머블 동작 결함 데이터 증강을 위한 디퓨전 모델 기반 시계열 데이터 생성기법 = Diffusion Model based Time-Series Data Generation Method for Augmenting Programmable Motion Fault Data of Collaborative Robots

국문 초록 (Abstract)

협동 로봇은 프로그래머블 특성에 의해 가동 중 다양한 동작을 수행하며, 동작 조건에 따른 센서 데이터의 다양한 패턴으로 인해 결함 진단을위한 충분한 데이터 확보가 어렵다. 따라서, 본 논문은 협동 로봇의 시계열 센서 데이터 특성을 고려한 디퓨전 모델(Diffusion Model) 기반 결함데이터 생성기법을 제안한다. 제안 기법은 정상 데이터에 동일 간격으로 결측치를 주입하는 단계와 결함 특징을 학습한 디퓨전 모델을 통해 결측치를대치하는 단계 그리고 대치된 결측치를 병합하여 가상의 결함 데이터를 생성하는 단계로 구성된다. 기법의 효용성 검증을 위해 결함 액추에이터로부터 추출된 토크 데이터를 가지고 다양한 동작 조건의 결함 데이터를 생성하였다. 생성된 결함 데이터의 실제 동작 패턴 반영 평가를 위한 코사인유사도 분석 결과, 가상 결함 데이터와 실제 데이터의 평균 유사도는 0.985로 실제 동작 패턴을 반영한 가상 결함 데이터 생성이 가능함을 확인하였다.
또한, 결함 진단 데이터로서의 효용성 평가를 위한 TCN(Temporal CNN) 기반 결함 분류 성능 평가 결과, 다양한 동작 조건의 결함 진단 정확도는91% 이상으로 도출됨에 따라 생성된 가상 결함 데이터가 실제 결함 특성을 충분히 반영하며, 결함 데이터로서의 효용성을 지님을 확인하였다.

다국어 초록 (Multilingual Abstract)

Collaborative robots, with their programmable features, can perform various tasks based on operator commands. However, due todiverse patterns of sensor data depending on operating conditions, it is difficult to acquire sufficient data for fault diagnosis. This paperproposes a Diffusion Model-based fault data generation method considering time-series sensor data characteristics of collaborative robots.
The method involves injecting missing values into normal data at equal intervals, imputing the missing values using a Diffusion Modeltrained on fault features, and merging the imputed values to generate synthetic fault data. To validate the method, torque data froma faulty actuator was used to generate fault data under various conditions. Cosine similarity analysis showed an average similarity of0.985 between the synthetic and actual fault data, confirming the synthetic data reflects real patterns. Additionally, fault classificationusing a TCN(Temporal CNN) showed over 91% accuracy across conditions, proving the generated data captures actual fault characteristicsand is useful for fault diagnosis.