Machine Learning-based Anomaly Detection in Optical Fiber Monitoring
원문 초록
Secure and reliable data communication in optical networks is critical for high-speed Internet. However, optical fibers, serving as the data transmission medium providing connectivity to billons of users worldwide, are prone to a variety of anomalies resulting from hard failures (e.g., fiber cuts) and malicious physical attacks (e.g., optical eavesdropping (fiber tapping)) etc. Such anomalies may cause network disruption and thereby inducing huge financial and data losses, or compromise the confidentiality of optical networks by gaining unauthorized access to the carried data, or gradually degrade the network operations. Therefore, it is highly required to implement efficient anomaly detection, diagnosis, and localization schemes for enhancing the availability and reliability of optical networks. In this paper, we propose a data driven approach to accurately and quickly detect, diagnose, and localize fiber anomalies including fiber cuts, and optical eavesdropping attacks. The proposed method combines an autoencoder-based anomaly detection and an attention-based bidirectional gated recurrent unit algorithm, whereby the former is used for fault detection and the latter is adopted for fault diagnosis and localization once an anomaly is detected by the autoencoder. We verify the efficiency of our proposed approach by experiments under various anomaly scenarios using real operational data. The experimental results demonstrate that: (i) the autoencoder detects any fiber fault or anomaly with an F1 score of 96.86%; and (ii) the attention-based bidirectional gated recurrent unit algorithm identifies the the detected anomalies with an average accuracy of 98.2%, and localizes the faults with an average root mean square error of 0.19 m.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
EvEMTBench: 전력 시스템 보호를 위한 머신러닝 오픈 벤치마크
EvEMTBench: An Open Benchmark for Machine Learning in Power System Protection
머신러닝 기반 전력 시스템 보호에 관한 연구들은 과업 정의, 측정값 접근성, 데이터 분할, 평가 지표 및 일반화 조건이 서로 다른 경우가 많아 직접 비교하기 어렵습니다. EvEMTBench는 모델 설계는 자유롭게 유지하면서 이러한 평가 기준들을 고정한 공개적이고 실행 가능하며 버전 관리가 지원되는 벤치마크(benchmark)를 통해 이러한 간극을 해소합니다. 20~345 kV 범위에 걸친 4개 전력망을 대상으로, 24개의 점수 산정 과업으로 구체화된 12개의 보호 및 이벤트 분석 기능을 정의하며, 관측 가능성 조건, 사전 정의된 분포 변화(distribution shift), 제로샷(zero-shot) 및 파인튜닝(fine-tuning) 기반의 전력망 간 전이(cross-grid transfer) 전반에 걸친 구조화된 평가를 지원합니다. 확정된 데이터 분할, 데이터 누출(leakage) 제어, 재현 가능한 보고 체계는 향후 방법론들을 비교하기 위한 공통의 기준을 제공합니다. 기초적 베이스라인, 전통적 방식, 특징(feature) 기반 방식, 딥러닝 베이스라인을 아우르는 기준 평가 결과는 관측 가능성이 넓어진다고 해서 항상 유리한 것은 아니며, 분포가 변화된 조건에서는 내부 분포(in-distribution)에서 드러나지 않던 오류가 나타날 수 있고, 전력망 간 전이 성능은 고장 위치 추정보다 고장 감지에서 실질적으로 훨씬 더 강건하다는 점을 보여줍니다. 또한 보호 시스템 관점의 진단을 통해 주요 평가 지표만으로는 드러나지 않는 실패 모드를 식별합니다. 따라서 EvEMTBench는 머신러닝 기반 보호 분야의 일반화를 명시적이고 재현 가능한 평가 문제로 정립합니다.
베어링 결함 진단을 위한 물리적으로 검증 가능한 증거와 LLM 기반 보고
Physically Verifiable Evidence and LLM-Based Reporting for Bearing Fault Diagnosis
안전이 중요한 기계 시스템에서 AI 기반 진단의 신뢰할 수 있는 배포는 검증에 달려 있다. 예측이 조치에 들어가기 전에 물리적 현실과 대조하여 확인할 수 있는지 여부가 그것이다. 현재의 지능형 결함 진단기는 이 기준을 두 가지 방식으로 충족하지 못한다. 표준 출력인 소프트맥스 신뢰도 점수를 동반한 클래스 레이블은 분류기의 내부 통계에 불과하여, 독립적인 물리적 지식과 대조해 확인할 수 있는 것을 제공하지 않는다. 또한 유지보수 보고에 생성형 언어 모델의 사용이 늘면서, 환각된 내용이 의사결정의 근거가 되는 보고서에 유입된다는 두 번째 위험이 추가된다. 본 연구는 베어링 결함 진단을 테스트베드로 삼아, 출력 측면에서 두 문제를 모두 해결한다. 제안하는 Diagnostic Evidence Network(DENet)는 인코더에 구애받지 않는 다중 과제 프레임워크로, 출력을 구조화된 증거 기록으로 확장한다. 여기에는 분류, 베어링 기하와 샤프트 속도로 결정되는 이론값과 비교 가능한 예측 특성 주파수, 그리고 원시 파형에서 검사 가능한 과도적 충격의 시간적 위치 추정이 포함된다. 네 개의 인코더와 세 개의 공개 데이터셋에 걸쳐, 이 증거는 통계적으로 유의미한 정확도 비용을 발생시키지 않으며, 스펙트럼 추정이 구조적으로 적용 불가능한 1,024-포인트 세그먼트에서 약 6 Hz의 주파수 오차를 보인다. 핵심적으로, 예측 주파수와 이론 주파수 간의 편차는 라벨 없는 추론 시점 검증 신호를 구성한다. 이는 AUROC 0.970 및 0.871로 오분류를 검출하며, 신뢰도 기반 검출기가 무력해지는 고신뢰 구간에서도 판별력을 유지한다. 마지막으로, QLoRA로 적응된 언어 모델은 진단 내용을 생성하지 않고 번역만 하도록 제한하여, 근거 없는 주장 비율을 10–12%에서 2%로 낮추고 허구의 수치를 제거한다.
적대적 역강화학습을 통한 레이블 없는 산업 고장 탐지: 고장까지 운전 예후 진단 시스템
Label-free Industrial Fault Detection via Adversarial Inverse Reinforcement Learning: A System for Run-to-Failure Prognostics
기계 고장 탐지(MFD)는 여전히 지도학습에 크게 의존하며, 실제 환경에서는 고장 레이블이 부족해 어려움을 겪는다. 강화학습(RL)은 열화의 순차적 특성을 모델링할 수 있는 프레임워크를 제공하지만, 현재의 ``RL 기반'' MFD 방법들은 문제를 정적 문맥적 밴딧(CB) 공식화로 축소한다. 상태 전이를 무시하고 시간적 할인 인자를 버림으로써, 이들은 표준 지도 분류로 퇴화한다. 우리는 MFD를 오프라인 역강화학습(IRL) 문제로 다루는 적대적 역강화학습(AIRL) 프레임워크를 제안한다. 정적 오차 여백에 의존하는 재구성 기반 접근법이나 역학을 무시하는 CB와 달리, 우리 방법은 관측 상태 전이로부터 본질적인 "건강" 보상을 직접 복원하며, 수동 보상 설계나 고장 레이블이 모두 필요하지 않다. 세 가지 고장까지 운전(run-to-failure) 벤치마크(HUMS2023, IMS, XJTU-SY)에서 AIRL은 모든 데이터셋에서 포화되지 않은 탐지 후 일관성을 달성한 유일한 방법이며, CB 베이스라인은 점진적 열화를 탐지하지 못하고 재구성 모델은 항상 이상 상태로 붕괴한다. 코드 및 데이터: https://github.com/dhirajneupane/AIRL-MFD-DN.
Deep4ge: 결함 탐지 및 진단을 위한 DNN 학습 궤적
Deep4ge: DNN Training Trajectories for Fault Detection and Diagnosis
심층 학습 시스템은 학습 동작을 바꾸는 미묘한 구현 결함으로 인해 종종 실패한다. 최근 연구에서는 학습 에포크 전반에 걸쳐 관측되는 변화로부터 이러한 실패를 탐지하고 진단하는 방법을 연구해 왔다. 그러나 소프트웨어 공학 커뮤니티에는 결함 탐지 및 진단 작업을 위한 문서화된 결함 이력, 특징 추출 세부 사항, 그리고 명확한 재사용 지원을 갖춘 에포크 단위 학습 실행의 공개 데이터셋이 여전히 부족하다. 우리는 Stack Overflow에서 수집한 59개의 적응된 TensorFlow/Keras 심층 신경망(DNN) 프로그램으로부터 생성된 14,227개의 학습 실행으로 구성된 통제된 벤치마크 Deep4ge를 제시한다. 우리는 7개 범주에 걸쳐 알려진 결함을 도입하는 27가지 소스 코드 변환을 사용하여 결함이 있는 변종을 생성했다. 데이터셋에는 9,845개의 결함이 있는 실행과 4,382개의 올바른 기준선 실행이 포함된다. 각 실행에 대해 우리는 매 에포크의 학습 동작을 측정하는 4개의 평가 지표와 26개의 특징을 기록한다. 이러한 특징은 가중치, 그래디언트, 활성화, 정확도 및 손실 추세, 학습률, 하드웨어 사용을 포착한다. Deep4ge는 이진 결함 탐지, 다중 클래스 결함 진단, 부분 학습 실행으로부터의 조기 결함 예측을 지원한다. 우리는 https://doi.org/10.5281/zenodo.20337241 에서 데이터셋과 결함 주입 프레임워크를 공개한다.
Onnes: 양자 컴퓨팅 인프라의 극저온 고장 진단을 위한 물리 기반 다중 에이전트 LLM 시뮬레이터
Onnes: A Physics-Grounded Multi-Agent LLM Simulator for Cryogenic Fault Diagnosis in Quantum Computing Infrastructure
희석 냉동기는 초전도 양자 컴퓨터의 핵심 인프라이지만, 그 고장 진단은 여전히 무언가 잘못되었다는 사실만 알릴 뿐 원인은 파악할 수 없는 임계값 경보에 의존하고 있다. 우리는 실시간 다중 에이전트 LLM 운영 층을 구동하는 희석 냉동기의 물리 기반 디지털 트윈 시뮬레이터 Onnes(실제 냉동기 노이즈 지문을 학습한 순방향 물리 모델)를 제안하고, 이를 활용하여 극저온 고장 진단에서 제로샷 LLM 에이전트 패널과 지도 ML 분류기 간의 통제된 직접 비교를 수행한다. 디지털 트윈은 실제 희석 냉각 플로어, 실제 BlueFors 로그에서 학습된 노이즈 및 상관 지문, 그리고 여섯 가지 물리 기반 고장 클래스를 결합하며, 그중 세 가지는 온도에서는 겹치지만 유량과 압력에서는 분리되도록 설계되었다. 1,000회 평가에 걸쳐 제로샷 패널은 검출에서는 분류기와 유의미한 차이를 보이지 않지만 분류에서는 뒤처지며, 오류는 혼동하기 쉬운 고장에 집중된다. 선별된 대조적 퓨샷 데모와 자기일관성 투표를 적용하면 분류 정확도가 0.685에서 0.990으로 향상되어, 매개변수 업데이트 없이 레이블된 데모 6개만으로 지도 분류기(0.985)에 필적하며, 에블레이션 분석은 이 향상이 거의 전적으로 데모에 기인함을 보인다. 시드별 고장을 9회 반복하는 스윕에서 연속 모니터로 실행하면 에이전트는 한 번의 폴링 간격 내에 모든 발생 중인 고장을 포착하며, 신뢰도 게이트는 백엔드에 따라 달라지는 발생 전 오경보를 억제한다. 첫 번째 시뮬레이션-실제 검증으로, 실제 BlueFors 텔레메트리만으로 학습된 검출기는 실제 하드웨어에서 오경보율 6.4%와 실제 보류 윈도우에 주입된 물리 고장에 대해 100% 재현율을 기록한다. 모든 수치는 공개된 실행 로그에서 그대로 인용하였다.
고장 진단에서 오픈셋 도메인 일반화를 위한 불확실성 인식 물리 정보 기반 그래프 학습
Physics-Informed Graph Learning with Uncertainty Awareness for Open-Set Domain Generalization in Fault Diagnosis
지능형 산업 유지보수는 회전 기계의 신뢰할 수 있는 고장 진단에 크게 의존한다. 그러나 다양한 운전 조건에 의해 유발되는 미지의 고장 유형과 도메인 시프트로 인해 심각한 도전에 직면하며, 이는 오픈셋 도메인 일반화(OSDG) 문제로 공식 정의된다. 기존 방법들은 주로 데이터 기반(data-driven)이어서 특징 추출, 위상 학습, 의사결정 단계에 걸친 불확실성의 연쇄적 전파를 간과한다. 이 문제를 해결하기 위해, 우리는 오픈셋 도메인 일반화를 위한 불확실성 인식 물리 정보 기반 그래프 학습 프레임워크인 PGU-OD를 제안한다. 먼저, 조건 강건(condition-robust) 고장 특징을 추출하기 위한 물리 정보 기반 스펙트럴 어텐션 모듈을 설계하여 주파수 시프트로 인한 지각적 불확실성을 억제한다. 또한, 클래스 스케일 가우시안 분포 파라미터에 의해 안내되는 샘플 그래프의 엣지 가중치를 동적으로 조정하는 불확실성 인식 적응형 그래프 학습 메커니즘을 구성하여 불확실성의 구조적 전파를 완화한다. 마지막으로, 가우시안 분포 기반 적응형 경계 손실 함수와 이중 기준 오픈셋 추론 전략을 개발하여 결정 경계를 최적화하고 미지의 고장을 신뢰성 있게 기각한다. 공개적으로 널리 사용되는 두 개의 회전 기계 고장 데이터셋에 대한 광범위한 실험적 평가를 통해, 제안된 PGU-OD가 도메인 시프트 하에서 기지 고장 분류와 미지 고장 기각 모두에서 최신 베이스라인을 능가함을 입증한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.