멀티태스크 러닝을 이용한 소리 기반 기계 이상 진단

Abstract

소리에 기반하여 기계류의 이상 탐지를 수행하는 심층 학습 기법은 기계류 작동 시에 발생할 수 있는 다양한 비정상 데이터를 사전에 획득하기 어려운 문제를 안고 있다. 때문에 정상 기계의 소리 데이터만을 가지고 사전 정의된 태스크를 수행하여 정상 데이터의 특징을 학습하는 자기지도 학습 방법이 널리 사용되고 있다. 기존에 존재하는 이상 진단 모델 중 많이 사용되는 모델로는 데이터의 압축 및 복원을 통해 학습하는 복원 모델, 데이터의 미래 값을 예측해 이상 진단을 수행하는 미래 예측 모델, 데이터의 내부 클래스를 분류함으로써 학습하는 분류 모델이 있다. 하지만 기존 모델들은 기계 소리가 아닌 잡음의 크기가 클때 학습이 어렵다는 점, 시간에 대해 일정한 데이터에 대해서는 미래 예측이 쉽다는 점, 그리고 데이터 레이블의 품질과 종류에 따른 성능 차이가 존재하는 단점이 존재한다. 본 논문은 기존 모델들이 특정한 단일 태스크로 자기 지도학습을 수행하면서 발생하는 한계를 극복하기 위하여 과거의 소리 데이터로 미래를 예측하는 미래 예측 태스크와 서로 다른 기계 종류를 분류하는 분류 태스크를 동시에 수행하는 새로운 멀티태스크모델을 제안한다. 제안하는 멀티태스크모델은 WaveNet 기반의 특징 추출부를 미래 예측부와 분류부가 공유하는 구조를 가지고 있으며, 두가지 태스크에 대해 동시에 학습을 진행한다. 또한, 이상 진단을 위해 통계 분포 간 거리인 마할라노비스 거리를 기반으로 하는 새로운 이상 점수를 제안하고, 여섯가지 기계 소리를 이용해 기존의 이상 진단 모델과의 이상 진단 성능 비교를 진행한다. 이를 통해 제안하는 멀티태스크모델이 기존의 단일태스크모델에 비해 더 높은 이상 진단 성능을 가지는 것을 입증하였다.