공정의 실시간 이상 탐지를 위한 GNN 기반의 동적 패턴 생성 방법론

DC Field Value Language
dc.contributor.advisor왕지남-
dc.contributor.author한승우-
dc.date.accessioned2022-11-29T03:01:26Z-
dc.date.available2022-11-29T03:01:26Z-
dc.date.issued2022-02-
dc.identifier.other31703-
dc.identifier.urihttps://dspace.ajou.ac.kr/handle/2018.oak/21172-
dc.description학위논문(석사)--아주대학교 일반대학원 :산업공학과,2022. 2-
dc.description.abstract본 연구는 PLC로 운용되는 자동화 공정의 아날로그 신호에 대한 GNN을 활용한 제어구간 기반 이상감지 모델을 제시하는 것을 목표로 설정하였고, 그에 따라 본 논문에서는 PLC 입출력 제어신호와 논리적 제어 관계를 활용한 자동화 공정에 대한 그래프 모델링 방법과 GNN 기반 아날로그 패턴 학습 및 이상감지 방법에 대해 기술한다. 종래의 자동화 공정 아날로그 데이터 이상감지는 자기학습 기반 이상감지 기법(AANN, Autoencoder, GAN 등) 혹은 시계열 기반 이상감지 기법(RNN, LSTM, GRU 등)이 활용되어 왔다. 하지만 공정 아날로그 데이터는 PLC의 입출력 제어신호에 수반되어 나타나는 데이터로서, 제어신호를 고려하지 않은 기존의 이상감지 기법들에는 분석의 한계가 존재한다. 이러한 종래의 기법들에 대한 한계점을 보완하여 제어신호 단위 이상감지 모델에 대한 연구가 이루어졌지만 과도한 학습 모델들로 인한 메모리 폭발 및 학습 오버헤드 문제, 큰 모델 복잡도 문제 등 약간의 한계점들이 여전히 존재하며, 그로인해 실제 필드에 적용하기엔 어려움이 존재한다. 본 연구에서는 기존의 이상감지 기법들에 대한 한계점들을 보완한 새로운 이상감지 접근법을 제안한다. 본 연구에서는 첫 번째로, 자동화 공정에 대한 구역화 및 그래프 모델링 방법을 통해 자동화 공정을 그래프 계로 모델링한다. 두 번째, 앞서 정의한 그래프 계로 모델링된 자동화 공정에 대한 패턴 학습 및 이상 감지 방법에 대해 제안한다.-
dc.description.tableofcontents제 1장 서론 1 제 2장 이론적 배경 4 제 1절 기존 연구 4 1. 이상감지 4 2. 자기학습 기반 이상감지 5 3. 시계열 기반 이상감지 7 4. 제어구간 기반 이상감지 10 제 2절 그래프와 GNN 개요 18 1. 그래프 개요 18 2. GNN 개요 19 제 3장 자동화 공정의 그래프 모델링 25 제 1절 그래프 모델링 개요 25 제 2절 Node 모델링 28 제 3절 Edge 모델링 34 제 4절 Graph 모델링 37 제 4장 이상 감지 방법 39 제 1절 학습과정 39 제 2절 이상감지 기준 40 1. 모수적 접근법 40 2. 비모수적 접근법 44 제 5장 실험 방법 46 제 1절 Test Case 1 46 1. PLC 데이터 47 2. 아날로그 데이터 47 3. 그래프 구성 51 4. 최종 데이터 구성 52 제 2절 Test Case 2 53 제 3절 Test Case 3 54 제6장 실험 결과 56 제 1절 Test Case 1 56 제 2절 Test Case 2 66 제 3절 Test Case 3 72 제7장 결론 74 제8장 참고 문헌 78-
dc.language.isokor-
dc.publisherThe Graduate School, Ajou University-
dc.rights아주대학교 논문은 저작권에 의해 보호받습니다.-
dc.title공정의 실시간 이상 탐지를 위한 GNN 기반의 동적 패턴 생성 방법론-
dc.title.alternativeGNN-based Dynamic Pattern Generation Methods for Real-time Abnormality Detection of Process-
dc.typeThesis-
dc.contributor.affiliation아주대학교 일반대학원-
dc.contributor.alternativeNameHan, Seung Woo-
dc.contributor.department일반대학원 산업공학과-
dc.date.awarded2022. 2-
dc.description.degreeMaster-
dc.identifier.localId1245141-
dc.identifier.uciI804:41038-000000031703-
dc.identifier.urlhttps://dcoll.ajou.ac.kr/dcollection/common/orgView/000000031703-
dc.subject.keywordGNN-
dc.subject.keywordPLC 모니터링-
dc.subject.keyword이상 탐지-
dc.subject.keyword자동화 공정-
dc.description.alternativeAbstractThis study aims to present a control segment-based anomaly detection model using GNN for analog signals of an automation process operated by PLC. The graph modeling method for the process, GNN-based analog pattern learning and anomaly detection methods are described. Conventionally, For the automated process analog data anomaly detection, self-learning-based anomaly detection techniques (AANN, Autoencoder, GAN, etc.) or time series-based anomaly detection techniques (RNN, LSTM, GRU, etc.) have been utilized. However, process analog data is data that appears accompanying the input/output control signals of PLC. Therefore, like the conventional anomaly detection method mentioned above, the anomaly detection method that does not consider a control I/O signal has a limit. Although studies on control signal-based anomaly detection models have been made by supplementing the limitations of these conventional techniques, due to problems such as memory explosion, learning overhead problems, and large model complexity due to too many learning models, There are still limitations to its application. In this study, we propose a new anomaly detection approach that supplements the limitations of existing anomaly detection techniques. In this study, first, the automated process is modeled as a graph system through the segmentation and graph modeling methods for the automated process. Second, we discuss the pattern learning and anomaly detection methods for the automated process modeled in graph system that we defined in previous stage.-
Appears in Collections:
Special Graduate Schools > Graduate School of Science and Technology > Department of Industrial Engineering > 3. Theses(Master)
Files in This Item:
There are no files associated with this item.

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

Browse