제조공정 이상탐지를 위한 연합학습 패널티 기반 선택적 집계 방식 연구
A Study on Penalty-Based Selective Aggregation Method for Federated Learning in Manufacturing Process Anomaly Detection
- 주제(키워드) 연합학습 , 이상탐지 , 제조데이터 , 데이터불균형 , Federated Learning , Anomaly Detection , Manufacturing Data , Data Imbalance
- 발행기관 서강대학교 AI.SW대학원
- 지도교수 문의현
- 발행년도 2026
- 학위수여년월 2026. 2
- 학위명 석사
- 학과 및 전공 AI.SW대학원 데이터사이언스 · 인공지능
- 실제URI http://www.dcollection.net/handler/sogang/000000082411
- UCI I804:11029-000000082411
- 본문언어 한국어
- 저작권 논문은 저작권에 의해 보호받습니다.
초록(요약문)
제조 현장에서 이상탐지를 통한 예지보전은 생산성 향상, 품질 확보, 나아가 제조 경쟁력 강화를 위한 핵심 기술로 자리 잡고 있다. 그러나 기존의 중앙집중식 학습 방식은 적용에 한계가 있다. 제조 데이터는 산업단지의 분산된 구조에서 다양한 설비와 공정에서 지속적으로 생성되기 때문에 중앙집중식 학습이 어렵다. 또한 IoT 연결기기들의 발전에 따라 데이터의 보안 및 개인정보 전송에 대한 민감성이 높아지고 있다. 이러한 환경에서 로컬 데이터를 공유하지 않고 개별적으로 학습해 결과만 집계하여 전역 모델의 성능을 향상시킬 수 있는 연합학습은 효과적인 대안으로 주목받고 있다. 그러나 실제 제조 환경에서는 이기종 시스템 간 데이터 이질성이 존재하여 연합학습 시 집계 방식에 따라 전역 모델의 성능이 좌우된다. 이에 본 연구에서는 제조 데이터의 특성으로 인한 연합학습 성능 저하 문제 해결을 위해 연합학습의 패널티 기반 선택적 집계 방식 (FedPenaltySelect)을 제안한다. 제안된 FedPenaltySelect는 각 클라이언트의 데이터 크기와 학습 손실을 동시에 고려하여 패널티를 부여함으로써, 전역 모델 업데이트 시 각 클라이언트의 기여 가중치를 조정한다. 이를 통해 데이터 양과 품질을 균형 있게 반영하여 전역 모델의 수렴 안정성과 일반화 성능을 동시에 향상시킨다. 펌프 센서 데이터셋을 이용한 실험 결과, 제안된 FedPenaltySelect 알고리즘은 테스트 세트에서 F1-score가 기존 FedAvg의 72.0%에서 84.7%로 약 12.7% 향상되는 성능 개선을 보였다. 이는 제안된 전략이 데이터 불균형이 존재하는 제조 환경에서도 우수한 일반화 성능을 갖춘 연합학습 모델 구축이 가능함을 실험적으로 입증한다.
more초록(요약문)
Anomaly detection-based predictive maintenance has become a key technology for improving productivity, ensuring product quality, and enhancing manufacturing competitiveness. However, the centralized learning approach has limited applicability in this domain. Since manufacturing data are continuously generated across geographically distributed manufacturing sites and various types of industrial equipment, it is difficult to adopt the centralized approach. Furthermore, data security and privacy are becoming increasingly important as the development of IoT-connected devices. Federated learning (FL) has emerged as an effective alternative, as it enables local models to be trained on individual devices without data sharing and aggregates the results to improve the performance of the global model. In real-world manufacturing environments, data heterogeneity exists across heterogeneous systems. Therefore, the performance of the global model varies depending on the aggregation method used in federated learning. Accordingly, this study proposes a penalty-based selective aggregation method (FedPenaltySelect) to address the performance degradation of federated learning caused by the heterogeneous nature of manufacturing data. The FedPenaltySelect algorithm calculates a penalty by considering both the data volume and training loss of each client, thereby adaptively adjusting each client’s contribution weight during the global model update. This approach enhances both the convergence stability and generalization performance of the global model by reflecting data quantity and quality in a balanced manner. Experimental results on a pump sensor dataset show that the proposed FedPenaltySelect method achieved a 12.7% improvement in F1-score, increasing from 72.0% to 84.7% compared to the conventional FedAvg algorithm. These results demonstrate the effectiveness of the proposed approach in constructing a federated learning model with superior generalization capability, even under highly imbalanced and heterogeneous manufacturing data environments.
more목차
제 1 장 서 론 1
제 2 장 연구 배경 3
제 1 절 예지보전(Predictive Maintenance) 3
제 2 절 이상치 탐지(Anomaly Detection) 5
제 3 절 연합학습(Federated Learning) 7
제 3 장 기존 연구 9
제 1 절 연합평균(FederatedAveraging) 9
제 2 절 제조 데이터 기반 이상탐지 분야에서 연합학습 연구 10
제 3 절 기존 연구들의 한계점 13
제 4 장 제안 방법론 14
제 1 절 제안 배경 및 동기 14
제 2 절 알고리즘 개요 및 구조 16
제 3 절 클라이언트 업데이트 17
제 4 절 서버 집계 단계 18
제 5 절 가중치 기반 선택적 집계의 효과 20
제 5 장 실험 21
제 1 절 실험 환경 21
제 2 절 데이터 셋 22
제 3 절 평가지표 26
제 4 절 실험 결과 29
제 6 장 결론 36
제 1 절 결론 36
제 2 절 한계점 및 향후 연구 계획 37
참고문헌 38
