범천(주)은 ESG 가치를 담아 산업용 공기압축기를 개발하는 대덕연구개발특구 소재 기업입니다.
- 산업용 공기압축기 및 회전기기에서 모터 및 심부 온도, 진동, 노이즈 등은 기기 피로도에 영향을 주는 요소이며, 피로도 증가는 장비가 고장에 이르는 원인이 됩니다.
- 피로도 증가 시 데이터 학습을 통해 산업기기 이상 전조증상을 예측하여 기기 고장을 예방하고 그로 인한 사고를 예방하는 모델을 개발하는 것이 이번 대회의 목표입니다.
본 대회의 모델링은 비지도학습 방식으로 진행됩니다.
향후 실시간 판정에 활용될 수 있도록, 개발된 모델은 다음의 조건을 충족하여야 합니다.
- 입력된 데이터를 정상(0), 이상(1)로 구분하는 이진 분류 모델이어야 합니다.
- 시간 단위로 생성되는 입력 데이터에 대하여 판정을 수행할 수 있는 모델이어야 합니다.
- 신규 데이터로 학습/개선이 가능한 모델이어야 합니다.
- 총 8개의 대상 설비를 모델링하면서, 설비별로 별도의 모델을 학습하는 것은 허용되나 모두 동일한 아키텍처를 사용해야 합니다.
Anomaly-Detection-of-Air-Compressor
├─ .gitignore
├─ data
│ ├─ processed
│ │ └─ preprocess feature
│ ├─ raw
│ │ └─ raw data
│ └─ submission
├─ models
│ └─ model file
├─ notebooks
│ └─ EDA.ipynb
├─ src
│ ├─ config # hyperparameter & path
│ │ └─ config.py
│ ├─ data
│ │ └─ make_dataset.py
│ ├─ features # Scripts to turn raw data into features for modeling
│ │ ├─ build_features.py
│ │ ├─ build_features_final.py
│ │ └─ utils.py # feature utils
│ ├─ models
│ │ ├─ loss.py # loss function
│ │ └─ predict_model.py # models
│ ├─ train
│ │ └─ train.py # train, test step
│ ├─ visualization
│ │ └─ visual.py
│ └─ __init__.py
├─ main.py
├─ main_group.py
├─ README.md
└─ validation.py
Python 3.9.13
python -m venv {project name}
{project name}\Scripts\activate
python -m pip install --upgrade pip
python -m pip install -r requirements.txt
python main.py
파생변수는 features/build_features.py 에 생성하여 적용하였습니다.
MinMaxScaler를 이용하여 스케일링을 하였습니다.
1. 데이터 구성 항목은 다음과 같습니다.
air_inflow: 공기 흡입 유량 (^3/min)
air_end_temp: 공기 말단 온도 (°C)
out_pressure: 토출 압력 (Mpa)
motor_current: 모터 전류 (A)
motor_rpm: 모터 회전수 (rpm)
motor_temp: 모터 온도 (°C)
motor_vibe: 모터 진동 (mm/s)
type: 설비 번호
2. 설비별로 다음의 특성을 갖습니다.
설비 번호 [0, 4, 5, 6, 7]: 30HP(마력)
설비 번호 1: 20HP
설비 번호 2: 10HP
설비 번호 3: 50HP
프로젝트에서는 Autoencder 기반 모델을 사용하여 이상탐지를 하였습니다.
기본적으로 모델은 다음과 같은 구조를 따릅니다.
input data는 Encoder를 통과하여 잠재공간으로 표현되고, Decoder를 통해 원본 데이터를 재생성 합니다.
MSE loss, Adam optimizer를 사용하였습니다.
class AutoEncoder(nn.Module):
def __init__(self, input_dim, hidden_dim):
super(AutoEncoder, self).__init__()
self.Encoder = nn.Sequential(
nn.Linear(input_dim, hidden_dim),
)
self.Decoder = nn.Sequential(
nn.Linear(hidden_dim, input_dim),
)
def forward(self, x):
x = self.Encoder(x)
x = self.Decoder(x)
return x추론 단계에서, threshold(cosine similarity, mse, mae)를 선택할 수 있습니다.
기본적으로 cosine similarity를 사용하였으며, 추론에 train data의 cosine similarity의 최솟값을 사용합니다.
만약 MSE, MAE를 사용할때는 tarin threshold의 최댓값을 사용해야 합니다.
train_prediction, train_cosine = evaluation(train_loader, model)
prediction, test_cosine = evaluation(test_loader, model, min(train_cosine))
## main.py EPOCHS = 1000
BATCH_SIZE = 512
SEED = 1103
GAMMA = 0.7
LEARNING_RATE = 1e-3
DEVICE = "cuda" if torch.cuda.is_available() else "cpu"
다음의 정상 / 이상치 개수가 재현되어야 합니다.
Normal: 7045
Anomaly: 344
- 주최 : 연구개발특구진흥재단
- 주관/운영 : 따뜻한메이커연구소 / AIFrenz / AIFrica / AIFactory
- 기간 : 4월 3일(월), 10:00 ~ 4월 21일(금), 18:00
https://aifactory.space/competition/detail/2226