Label-free Industrial Fault Detection via Adversarial Inverse Reinforcement Learning: A System for Run-to-Failure Prognostics
작성자
카테고리
Empty
저자
Dhiraj Neupane, Mohamed Reda Bouadjenek, Richard Dazeley, Sunil Aryal
💡 개요
본 논문은 산업 설비의 고장 탐지(MFD)에서 발생하는 레이블 부족 문제를 해결하기 위해 적대적 역 강화 학습(AIRL) 기반의 새로운 프레임워크를 제안합니다. 기존 연구들이 순차적 특성을 무시하고 정상 상태와 고장 상태를 구분하는 데 집중했던 것과 달리, 제안하는 방법론은 설비의 자연스러운 상태 전이를 학습하여 내재된 "건강" 보상 함수를 직접 복원합니다. 이를 통해 레이블 없이도 점진적인 설비 열화를 탐지하고 일관성 있는 고장 예측 성능을 달성할 수 있음을 보여줍니다.
🔑 시사점 및 한계
•
기존 지도 학습 기반 MFD의 레이블 부족 문제를 레이블 없이 해결할 수 있는 새로운 접근 방식을 제시합니다.
•
설비의 순차적 상태 전이를 고려한 강화 학습 방식을 통해 점진적인 열화 탐지에 효과적인 성능을 보입니다.
•
기존의 CB(Contextual Bandit)나 재구성 기반 방법론의 한계를 극복하며, 특히 점진적 열화 탐지에 강점을 가집니다.
•
본 연구에서 제시된 AIRL 모델이 실제 산업 현장의 복잡하고 다양한 설비 및 고장 시나리오에 얼마나 강건하게 적용될 수 있는지에 대한 추가적인 검증이 필요합니다.
