본 논문은 사물 인터넷 기반 지능형 제조 분야에서 중요한 역할을 하는 변형률 게이지(Strain Gauge, SGS) 상태 인식을 위한 새로운 접근 방식을 제시한다. 특히 CNN과 같은 딥러닝 모델이 시간 순서 분류(Time Series Classification, TSC)에서 성공을 거두었지만, SGS 데이터의 특징을 완전하게 파악하기에는 지역적 특징 추출에 한계가 있음을 지적한다. 이를 해결하기 위해, 본 논문은 특징 엔지니어링을 통한 전역 특징 구성과 지역 특징 간의 고차 관계 학습을 통해 전역 특징을 획득하는 하이퍼그래프 기반의 전역 특징 학습 및 융합 프레임워크를 제안한다. 이 프레임워크는 SGS 시계열 데이터의 표현력을 향상시켜 인식 정확도를 높이는 것을 목표로 한다. 제안된 방법은 산업 SGS 데이터와 공개 UCR 데이터 세트에서 검증되었으며, 보이지 않는 데이터에 대한 일반화 성능 향상을 입증했다.
