▶️25분
[영상] 시계열 이상 탐지 딥러닝 기술
Day 2: 시계열 센서 데이터 처리
[영상] 시계열 이상 탐지 딥러닝 기술
예지보전 — 설비 고장 예측 시스템 > Day 2: 시계열 센서 데이터 처리
학습 목표
FFT로 진동 신호를 주파수 도메인으로 변환할 수 있다 Z-score와 IQR 기반 이상값 탐지 로직을 구현할 수 있다 LSTM이 시계열 패턴을 학습하는 원리를 설명할 수 있다 리샘플링·보간·정규화 전처리 파이프라인을 설계할 수 있다
영상 핵심 정리 — 시계열 전처리 & FFT 이상 탐지
import numpy as np
from scipy.fft import fft, fftfreq
# 10 kHz 진동 신호 (1초)
fs = 10_000
t = np.linspace(0, 1, fs)
signal = np.sin(2*np.pi*120*t) + 0.3*np.sin(2*np.pi*480*t)
yf = np.abs(fft(signal))[:fs//2]
xf = fftfreq(fs, 1/fs)[:fs//2]
peak_freq = xf[np.argmax(yf)]
print(f'주요 주파수: {peak_freq:.1f} Hz')정상 설비는 회전 기본 주파수(1×, 2×)에서만 피크. 3.5× 이상의 고조파 피크 등장하면 베어링 내륜 결함 의심.
| 전처리 기법 | 적용 시점 | 주의사항 |
|---|---|---|
| Z-score 이상값 제거 | 원시 데이터 | 계절성 있으면 STL 잔차 기준 |
| 보간 (linear) | 결측 <2% | 결측 많으면 배치 폐기 |
| Min-Max 정규화 | 모델 입력 직전 | 센서별 독립 스케일러 |
| 리샘플링 | 저장·학습 단계 | 나이퀴스트 ÷ 2 미만 |
함정 주의: 전체 데이터에 하나의 스케일러를 fit하면 멀티 설비 환경에서 설비 A의 정상 범위가 B의 이상 범위를 덮어 씀. 반드시 설비 ID별로 별도 StandardScaler를 피클로 저장.
다음 task와의 연결
다음 reading에서 FFT와 Z-score 위에 Isolation Forest와 AutoEncoder를 올려 비지도 이상 탐지 모델을 구축한다.
AI로 학습하기 — 꿀팁
🧪FFT 주파수 피크와 LSTM 이상탐지 질문AI 학습 팁
진동 센서 FFT 분석에서 주파수 피크가 고장 원인과 어떻게 연결되는지, LSTM이 기어 마모 누적 같은 장기 의존성을 포착하는 원리를 AI에게 설명받으세요.
제조 설비 예지보전에서 FFT 분석의 주파수 피크가 베어링 불량·기어 마모·불균형 같은 고장 원인을 어떻게 나타내는지 설명해줘. Z-score 이상탐지가 계절성 데이터에서 STL 잔차를 써야 하는 이유, 그리고 LSTM의 hidden state가 기어 마모 누적 같은 장기 의존성을 포착하는 메커니즘도 알려줘.
이 팁이 도움이 됐나요?
핵심 포인트
- • FFT는 '왜 진동하는가'를 알려 줌 — 주파수 피크 위치 = 고장 원인 단서
- • Z-score >3.0 → 이상, 계절성 데이터엔 STL 잔차 Z-score 사용
- • LSTM hidden state가 장기 의존성(기어 마모 누적)을 포착
- • 정규화는 센서별 독립 적용 — 압력과 온도 범위가 다름