공정 구조 반영 및 마르코프 전이 필드 영상 기반 Tree-Distilled Chem-ViT를 이용한 TEP 고장군 진단
Tree-Distilled Chem-ViT with Topology-Aware and Markov Transition Field Images for TEP Fault-Group Diagnosis
- 주제(키워드) 고장군 진단 , 시계열 영상화 , 공정 구조 반영 표현 , 지식 증류 , Tree-Distilled Chem-ViT , Tennessee Eastman Process , fault-group diagnosis , time-series imaging , topology-aware representation , knowledge distillation
- 발행기관 서강대학교 AI.SW대학원
- 지도교수 소정민
- 발행년도 2026
- 학위수여년월 2026. 8
- 학위명 석사
- 학과 및 전공 AI.SW대학원 데이터사이언스 · 인공지능
- 세부분야 해당없음
- 실제URI http://www.dcollection.net/handler/sogang/000000082946
- UCI I804:11029-000000082946
- 본문언어 한국어
- 저작권 논문은 저작권에 의해 보호받습니다.
초록(요약문)
화학공정 시계열은 센서, 조작 변수, 장치, recycle stream, 제어 루프가 결합된 고차원 동적 데이터이다. 본 연구는 Tennessee Eastman Process（TEP） 공식 데이터에서 정상 운전 trace 와 fault onset 이전 구간을 제외하고, 고장 발생 이후 window 만을 대상으로 disturbance type 기반 6 개 고장군을 진단하는 문제를 다룬다. 입력 표현으로는 상태 전이 동역학을 강조하는 평균형 시계열 영상과, 변수축을 공정 흐름에 따라 정렬한 공정 구조 반영 변수-시간 영상을 함께 사용한다. 첫 번째 표현은 GASF, GADF, MTF 후보를 포함하는 평균형 시계열 영상이며, 최종 student 는 구간 내부의 상태 전이 동역학을 직접 표현하는 MTF 를 중심으로 구성하였다. 두 번째 표현은 변수축을 물질 흐름과 장치 맥락에 맞춰 정렬한 변수- 시간 영상으로, 공정 구조에서 비롯되는 변수의 위치성과 장치 맥락을 보존한다. 두 분기는 독립적인 ViT 인코더를 거친 뒤 임베딩 수준에서 결합한다. 데이터셋은 post- fault window 만 사용하고, train/validation 경계에는 purge 구간을 두어 중첩 window 에서 발생할 수 있는 정보 누수를 줄였다. 따라서 본문 주 실험은 정상 제외 6-class fault-group argmax 분류로 평가한다. 최종 실험은 Braatz official train/test split, window=24, stride=5, 세 개 난수 초기값（42, 123, 456）을 사용하였다. 정상 클래스를 제외한 6 개 고장군 진단에서 Chem-ViT 단독 모델（MTF+공정 구조）은 Macro-F1 0.5685 ± 0.0151, UAR 0.5608 ± 0.0213 을 기록하여 topology-only 모델보다 높았으나, raw window 기반 LightGBM/XGBoost 계열보다 낮았다. 이에 따라 본 연구는 최종 모델을 단독 ViT 가 아니라, 표현별 Tree-teacher distillation 과 validation-selected probability fusion 을 결합한 hybrid model로 정의하였다. 평균형 영상 단독, topology 단독, 평균형 영상+topology 융합 입력을 같은 teacher-student 절차로 실험하고, 추가로 단일 ViT branch 를 Optuna 유래 설정으로 튜닝한 뒤 teacher 를 붙이는 432 개 조합을 별도 검증하였다. 최종 3 seed 평균 최고 설정은 MTF+topology student 에 tuned XGBoost teacher 를 증류한 모델이며, Macro-F1 0.6953 ± 0.0059, UAR 0.6781 ± 0.0021 을 달성하였다. 단일 topology ViT+teacher 의 최고 성능은 Macro-F1 0.6876 ± 0.0093 으로 경쟁적이지만, 최종 다중표현 모델보다 낮았다. 따라서 본 연구의 주장은 Chem-ViT 단독 우위가 아니라, 공정 구조 영상 표현과 강한 tabular teacher 의 상보적 결합을 통한 균형 성능 개선이다.
more초록(요약문)
Chemical process time series contain many sensor and manipulated variables coupled through units, recycle streams, and control loops. This thesis studies official Tennessee Eastman Process （TEP） fault-group diagnosis under a strict fault-only setting, where normal traces and pre-fault intervals are excluded and each post-fault window is assigned to one of six disturbance-type fault families. Each window is converted into two complementary image representations: an averaged time-series image emphasizing state-transition dynamics and a topology- aware variable-time image preserving process order. The averaged representation uses GASF, GADF, and MTF candidates, with the final student centered on the MTF channel because it directly encodes state-transition behavior within a segment. The topology-aware representation reorders the variable axis according to material flow and process-unit context, so that variable locality and equipment context become spatial structure in the image. The two representations are encoded by independent ViT branches and fused at the embedding level. Data leakage is reduced by using only post-onset windows and by purging boundary windows between train and validation splits; the main task is evaluated as six-class argmax fault-group classification. The final experiments use the official Braatz TEP train/test split, window length 24, stride 5, and three random seeds. In the six-class fault-group task, a standalone Chem-ViT using MTF and topology-aware images obtains 0.5685 ± 0.0151 Macro-F1 and 0.5608 ± 0.0213 UAR. This result improves over the topology-only student but remains below tuned tree ensembles trained on raw windows. To close this gap without discarding the image-based representation, this thesis introduces cross-representation tree-teacher distillation and validation- selected probability fusion. Average-image-only, topology-only, and average- image-plus-topology Chem-ViT students are trained with out-of-fold tree-teacher probabilities and then combined with the teacher at inference time. The best three-seed setting uses an MTF-plus-topology student distilled from tuned XGBoost probabilities and reaches 0.6953 ± 0.0059 Macro-F1 and 0.6781 ± 0.0021 UAR. A separate 432-run single-view ViT control shows that the strongest topology-only student with teacher reaches 0.6876 ± 0.0093 Macro-F1, which is competitive but remains below the final multi-view fusion model. The claim of this thesis is therefore not standalone ViT superiority, but the complementary value of topology-aware image representation combined with a strong tabular teacher.
more목차
제 1 장 서론 12
제 2 장 관련 연구 15
제 1 절 TEP 기반 공정 이상 탐지와 진단 15
제 2 절 시계열 영상화와 비전 모델 16
제 3 절 공정 구조 반영 표현 17
제 4 절 연구 공백 18
제 3 장 데이터셋 및 전처리 20
제 1 절 데이터 구성 20
（1） 원천 TEP 데이터와 변수 구성 21
（2） 과업별 라벨 정의와 분할 수 22
（3） 슬라이딩 윈도우 생성 및 분할 절차 25
제 2 절 평균형 시계열 영상 27
제 3 절 공정 구조 반영 변수-시간 영상 30
제 4 장 제안 방법: Tree-Distilled Chem-ViT 34
제 1 절 전체 구조 34
제 2 절 평균형 영상 분기 35
제 3 절 공정 구조 반영 분기 36
제 4 절 표현 융합과 분류부 36
제 5 절 Tree-teacher distillation 과 확률 융합 39
제 5 장 실험 설계 43
제 1 절 비교 모델 43
제 2 절 평가 지표와 반복 설정 48
제 3 절 비교 공정성과 모델 규모 48
제 6 장 실험 결과 및 분석 52
제 1 절 Official fault-only 고장군 분류 52
제 2 절 공정 구조 반영 분기 검증 59
제 3 절 고장군별 support 와 해석 60
제 4 절 구간 길이의 영향 63
제 5 절 Distillation 및 융합 설정 비교 64
제 6 절 MTF 대표 이미지와 고장군별 보완 효과 74
제 7 장 논의 78
제 1 절 절대 성능의 해석 78
제 2 절 현장 적용 관점 79
제 3 절 한계 및 향후 연구 79
제 8 장 결론 80
참고문헌 82
