본 논문에서는 고차원 및 고잡음과 같은 복잡한 특징을 가진 고장 데이터 처리에 어려움을 겪는 기존의 고장 진단 방법의 한계를 극복하기 위해, 비지도 학습 기반의 강건한 고장 진단 방법을 제안합니다. 고차원 고장 데이터를 위한 특수 차원 축소 기법을 설계하고, 그래프 구조 학습을 통해 비선형 정보를 통합하여 추출된 특징을 향상시킵니다. 또한 잡음과 이상치로 인한 고장 진단 정확도 저하 문제를 완화하기 위해, 모델 최적화 관점에서 $l_{2,1}$-norm 및 전형성 인식 제약 조건을 도입합니다. 벤치마크 Tennessee-Eastman 공정 및 실제 열간 강판 압연 공정에 대한 실험을 통해 제안된 방법의 효과성과 강건성을 입증하며, 이상치나 잡음이 존재하는 경우에도 높은 진단 정확도를 유지함을 보여줍니다.
