실시간 프로세스 모니터링은 고차원 시계열 데이터에서 실행 가능한 정보를 추출하는 방법을 필요로 합니다. 본 연구에서는 위상 데이터 분석(TDA)과 머신러닝 도구를 결합한 프로세스 모니터링을 위한 새로운 접근법을 제시합니다. 제안된 접근법에서는 다변량 시계열 데이터를 다양체(manifolds)로 표현하고 해당 데이터의 구조를 요약하기 위해 위상 기술자(topological descriptors)를 사용하며, 시스템의 위상 구조에 대한 동적 진화를 학습하기 위해 신경망 상미분 방정식(neural ordinary differential equation)을 사용합니다. 산업 공정의 실제 데이터를 사용하여, 이 궤적 기반 이벤트 탐지 접근법이 다양한 유형의 이벤트를 탐지하는 데 효과적임을 보여줍니다. 또한 본 접근법을 주성분 분석(PCA) 및 오토인코더와 같은 재구성 기반 접근법과 Koopman 오토인코더를 사용하는 궤적 기반 접근법과 비교합니다.
대기 플라즈마 분사(APS)는 널리 사용되는 코팅 공정으로, 비행 중 입자의 온도와 속도가 코팅 품질에 강한 영향을 미칩니다. 그러나 이러한 입자 특성은 운영 중에 연속적으로 모니터링하기 어렵기 때문에, 비침습적 데이터 기반 진단 방법의 개발이 필요합니다. 본 연구에서는 APS에서 비행 중 입자 특성을 추정하기 위해 플라즈마 플룸(plume)의 고속 비디오 관측의 예측 잠재력을 조사합니다. 우리는 세 가지 다른 비디오 기반 특징(feature) 표현을 소개하고, TabPFN, 합성곱 신경망(CNN), 랜덤 포레스트, 그래디언트 부스팅, 서포트 벡터 회귀, XGBoost를 포함한 고전적 회귀 베이스라인을 사용하여 이를 평가합니다. 63번의 APS 분사 실행에서 얻은 126개의 라벨링된 분사 전후 비디오 녹화에 대해 그룹화된 Leave-One-Out 교차 검증(validation)을 사용하여 실험을 수행했습니다. 엔지니어링된 특징(feature) 실험에서 TabPFN은 온도 예측에 대해 가장 일관된 성능을 달성했으며, 결합된 특징 표현을 사용하여 R2 = 0.86에 도달했습니다. CNN 모델은 속도 예측에서 특히 더 강력한 성능을 보였으며, R2 0.81을 달성했습니다. 또한, 사전 학습된(pretrained) CNN을 사용하여 원본 비디오 프레임에서 직접 작동하는 모델을 평가했으며, 회귀 헤드가 있는 사전 학습된 CNN이 온도와 속도에 대해 각각 R2 0.90과 0.82로 최고 성능을 달성함을 발견했습니다. 결과는 비디오 기반 플룸 정보가 비침습적 APS 진단 및 실시간 공정 모니터링을 위한 유망하고 확장 가능한 기반을 제공함을 보여줍니다.