본 논문은 다중 모드 공정의 결함 진단을 위한 새로운 딥러닝 모델인 자기 적응 시간-공간 어텐션 네트워크(TSA-SAN)를 제안합니다. 기존 연구들이 다양한 작동 모드에서 수집된 건강 상태 범주가 동일하다고 가정하는 것과 달리, 본 논문은 실제 산업 환경에서 이러한 범주들이 부분적으로만 중복된다는 점을 고려합니다. 데이터의 불완전성과 작동 모드 간의 큰 분포 차이를 해결하기 위해, TSA-SAN은 건강 범주 데이터를 사용하여 다중 모드 샘플을 생성하고, 건강 및 결함 샘플 간의 보간을 통해 결함 데이터의 다양성을 풍부하게 합니다. 또한, 자기 적응 인스턴스 정규화를 통해 무관한 정보를 억제하고 진단에 필수적인 통계적 특징을 유지하며, 시간-공간 어텐션 메커니즘을 통해 주요 특징에 집중하여 모델의 일반화 능력을 향상시킵니다. 실험 결과, 제안된 모델이 최첨단 방법보다 성능이 뛰어남을 보여줍니다. 소스 코드는 Github에서 공개될 예정입니다.
