[본캠프] 데이터기반 QA/QC 부트캠프 48일차

1. 오늘의 학습 목표

오늘은 제조 시계열 데이터에서 이상(Anomaly)을 탐지하는 방법을 학습했다. 이상탐지와 불량 분류의 차이를 이해하고, 규칙 기반(Rule-based)과 모델 기반(Model-based) 이상탐지의 특징을 비교했다. 또한 Isolation Forest, LOF(Local Outlier Factor), AutoEncoder의 원리와 활용 방법을 익히고, 이상 점수를 실제 알람으로 변환하기 위한 Threshold 설정과 모델 평가 방법까지 학습할 수 있었다. 

[라이브 세션] 시계열 이상 탐지 라이브 세션 3회차 [손보미 튜터님] _ Notion.pdf

---

2. 오늘 학습한 내용

제조 시계열에서 이상(Anomaly)이란?

이상탐지는 단순히 센서 값이 크거나 작은 데이터를 찾는 것이 아니다.

제조 공정에서는 현재 운전 조건에서 예상하기 어려운 패턴인지를 판단하는 것이 더 중요하다.

예를 들어 압력이 높더라도 모터 전류와 온도 변화가 정상적인 공정 흐름이라면 이상이 아닐 수 있다. 반대로 각각의 센서 값은 모두 정상 범위 안에 있어도 여러 센서의 조합이나 시간에 따른 변화가 평소와 다르다면 이상 후보가 될 수 있다.

즉, 제조 데이터에서 이상은 값 자체보다 센서 간의 관계와 시간의 흐름을 함께 고려해야 판단할 수 있다는 점을 배웠다. 

[라이브 세션] 시계열 이상 탐지 라이브 세션 3회차 [손보미 튜터님] _ Notion.pdf

---

이상탐지와 불량 분류의 차이

처음에는 이상탐지와 불량 분류가 같은 개념이라고 생각했지만 목적부터 달랐다.

불량 분류는 제품이 정상인지 불량인지를 예측하는 문제이며, 정답(Label)이 있는 데이터를 이용해 학습하는 지도학습이 주로 사용된다.

반면 이상탐지는 평소와 다른 운전 상태를 찾는 것이 목적이다. 반드시 불량이 발생한 이후가 아니라, 불량이 발생하기 전에 이상 징후를 조기에 발견하는 것이 핵심이다.

또한 이상탐지는 라벨이 없는 데이터에서도 적용할 수 있기 때문에 실제 제조 현장에서 활용도가 매우 높다는 점도 알게 되었다. 

[라이브 세션] 시계열 이상 탐지 라이브 세션 3회차 [손보미 튜터님] _ Notion.pdf

---

규칙 기반과 모델 기반 이상탐지

이상탐지는 크게 두 가지 방식으로 나눌 수 있다.

규칙 기반(Rule-based)

규칙 기반은 사람이 직접 기준을 정하여 이상 여부를 판단하는 방식이다.

대표적으로

• 고정 Threshold
• Rolling Threshold
• SPC(관리도)
• Nelson Rules

등이 있다.

장점은 기준이 명확하고 설명하기 쉽다는 점이다. 실제 현장에서 즉시 적용하기도 쉽다.

하지만 새로운 이상 패턴이나 여러 센서의 복잡한 관계까지 반영하기는 어렵다는 한계가 있다.

---

모델 기반(Model-based)

모델 기반은 정상 데이터의 패턴을 학습한 뒤 평소와 다른 데이터를 이상으로 판단하는 방식이다.

대표적으로

• Isolation Forest
• LOF
• AutoEncoder

를 사용한다.

규칙을 사람이 직접 정의하지 않아도 새로운 이상 패턴을 탐지할 수 있다는 장점이 있지만, 모델 학습 데이터의 품질과 설정에 따라 결과가 크게 달라질 수 있다는 점도 함께 배웠다. 

[라이브 세션] 시계열 이상 탐지 라이브 세션 3회차 [손보미 튜터님] _ Notion.pdf

---

제조 시계열 데이터의 이상 유형

이상은 발생 형태에 따라 세 가지로 구분된다.

Point Anomaly

하나의 시점에서만 큰 이상이 발생하는 경우이다.

예를 들어

• 순간적인 과전류
• 압력 급락
• 온도 Spike
• 센서 통신 오류

등이 대표적인 사례이다.

---

Contextual Anomaly

값 자체는 정상 범위지만 현재 운전 상황에서는 부자연스러운 경우이다.

예를 들어 오일 온도 70℃는 장시간 운전 중이라면 정상일 수 있지만, 설비를 막 재가동한 직후라면 이상으로 판단할 수 있다.

같은 값이라도 운전 모드와 공정 단계에 따라 의미가 달라진다는 점이 인상적이었다.

---

Collective Anomaly

가장 중요한 개념은 Collective Anomaly였다.

각 시점의 센서 값은 모두 정상처럼 보이지만,

• 압력 회복이 평소보다 느리거나
• 진동이 조금씩 증가하거나
• 정상보다 긴 공정 Cycle이 반복되는 경우

처럼 시간의 흐름 전체가 평소와 다르면 이상으로 판단한다.

이러한 이상은 한 시점만 분석해서는 찾을 수 없으며, 여러 시점을 하나의 구간(Sequence)으로 분석해야 탐지할 수 있다는 점을 이해할 수 있었다. 

[라이브 세션] 시계열 이상 탐지 라이브 세션 3회차 [손보미 튜터님] _ Notion.pdf

---

Isolation Forest와 LOF

오늘은 대표적인 Feature 기반 이상탐지 모델도 학습했다.

Isolation Forest

Isolation Forest는 다른 데이터보다 얼마나 쉽게 고립되는지를 기준으로 이상을 판단한다.

여러 개의 무작위 트리를 생성한 뒤, 특정 데이터가 적은 단계만에 분리된다면 이상일 가능성이 높다고 판단한다.

대용량 데이터에서도 비교적 빠르게 사용할 수 있으며, 이상 라벨 없이도 학습할 수 있다는 장점이 있다.

---

LOF(Local Outlier Factor)

LOF는 주변 이웃과의 밀도를 비교하여 이상을 찾는다.

전체 데이터에서 멀리 떨어져 있지 않아도 주변 이웃과 비교했을 때 밀도가 낮다면 이상으로 판단한다.

운전 모드가 여러 개 존재하는 제조 데이터에서는 각 정상 군집 내부에서 이상을 찾을 수 있기 때문에 Isolation Forest보다 유리한 경우도 있다는 점을 배웠다.

두 모델 중 어느 것이 항상 더 좋은 것은 아니며, 데이터의 특성과 공정 환경에 따라 적절한 모델을 선택하는 것이 중요하다. 

[라이브 세션] 시계열 이상 탐지 라이브 세션 3회차 [손보미 튜터님] _ Notion.pdf

---

Sequence Window와 AutoEncoder

오늘 가장 중요하게 학습한 내용은 Sequence 기반 이상탐지였다.

기존의 Feature 기반 모델은 한 시점의 데이터를 입력으로 사용하지만, AutoEncoder는 일정 시간 동안의 데이터를 하나의 Sequence로 입력받는다.

예를 들어 10분 Window를 사용한다면

• 1~10분
• 2~11분
• 3~12분

처럼 Window를 한 칸씩 이동하며 여러 개의 Sequence를 생성한다.

이렇게 만들어진 Sequence에는 여러 센서의 시간 흐름이 함께 포함된다.

AutoEncoder는 입력 데이터를 압축한 뒤 다시 복원하는 신경망이다.

정상 패턴을 충분히 학습하면 정상 데이터는 잘 복원하지만, 처음 보는 이상 패턴은 제대로 복원하지 못한다.

이때 실제 데이터와 복원 결과의 차이를 Reconstruction Error라고 하며, 이 값이 클수록 이상 후보일 가능성이 높다.

다만 Reconstruction Error는 고장 확률이 아니라 정상 데이터와 얼마나 다른지를 나타내는 이상 점수라는 점도 함께 이해했다. 

[라이브 세션] 시계열 이상 탐지 라이브 세션 3회차 [손보미 튜터님] _ Notion.pdf

---

Threshold 설정과 모델 평가

이상탐지 모델은 대부분 이상 점수를 출력한다.

하지만 실제 현장에서는 어느 점수부터 알람을 발생시킬 것인지 기준을 정해야 한다.

Threshold는

• Percentile 방식
• 평균 + 표준편차
• 라벨 기반 최적화

등 다양한 방법으로 설정할 수 있다.

Threshold를 너무 낮게 설정하면 이상을 많이 찾지만 오탐(False Alarm)이 증가하고, 너무 높게 설정하면 불필요한 알람은 줄어들지만 실제 이상을 놓칠 가능성이 커진다.

따라서 Precision과 Recall뿐 아니라

• False Alarm
• Missed Detection
• Detection Delay
• Alarm Duration

과 같은 운영 지표도 함께 고려해야 실제 제조 현장에서 활용할 수 있는 이상탐지 시스템을 만들 수 있다는 점을 배웠다. 

[라이브 세션] 시계열 이상 탐지 라이브 세션 3회차 [손보미 튜터님] _ Notion.pdf

---

3. 나의 간단 소감

오늘은 시계열 이상탐지의 전체 흐름을 이해할 수 있었던 시간이었다. 이전에는 이상탐지가 단순히 기준값을 벗어난 데이터를 찾는 것이라고 생각했지만, 실제 제조 현장에서는 시간의 흐름과 센서 간의 관계를 함께 분석하는 것이 훨씬 중요하다는 점을 알게 되었다. 특히 Feature 기반 모델과 Sequence 기반 모델의 차이를 비교하면서 왜 AutoEncoder가 여러 시점의 데이터를 하나의 Sequence로 학습하는지 이해할 수 있었고, Reconstruction Error 역시 고장 여부가 아닌 정상 패턴과의 차이를 나타내는 지표라는 점이 인상 깊었다. 앞으로 실습에서는 모델의 성능만 비교하기보다 Threshold 설정과 오탐·미탐까지 함께 고려하면서 실제 현장에서 활용 가능한 이상탐지 모델을 구현해 보고 싶다.