현재 위치
Home
Transformer 기반 Autoencoder를 활용한 파워트레인 ECU 시계열 데이터의 이상 진단 연구
Unsupervised Anomaly Detection in Powertrain ECU Time-Series Data Using Transformer-Based Autoencoder
-
- 발행기관
- 국제차세대융합기술학회 바로가기
-
- 간행물
- 차세대융합기술학회논문지 KCI 등재 바로가기
-
- 통권
- 제10권 10호 (2026.10)바로가기
-
- 페이지
- pp.2894-2907
-
- 저자
-
- 언어
- 한국어(KOR)
-
- URL
- https://www.earticle.net/Article/A493863
※ 기관로그인 시 무료 이용이 가능합니다.
4,600원
원문정보
초록
- 영어
- This study presents a Transformer-based Autoencoder for unsupervised anomaly detection in powertrain Electronic Control Unit (ECU) sensor data, where real fault labels are scarce. To enable systematic evaluation, four domain-informed synthetic anomalies—Gaussian Noise, Point, Shapelet, and Trend—were injected into normal multivariate time-series signals from nine ECU sensors. The proposed encoder-only Transformer effectively captures long-range temporal dependencies and inter-sensor relationships, and anomalies are detected using a hybrid dynamic threshold based on reconstruction errors. Experimental results show that the Transformer Autoencoder outperforms RNN, LSTM, and GRU-based baselines, achieving an F1-Score of 0.6073 and Precision of 0.8469, with clearly separated error distributions. These findings demonstrate the practicality of Transformer-based unsupervised anomaly detection in ECU environments with limited labeled fault data.
- 한국어
- 본 연구는 파워트레인 ECU(Electronic Control Unit) 센서 데이터의 비지도 이상 탐지를 위해 Transformer 기반 AutoEncoder 모델을 제안한다. 실제 파워트레인 환경에서는 고장 데이터가 매우 제한적이므로 정상 데이터만으로 학습 가능한 모델이 요구된다. 이를 위해 9개 ECU 센서의 정상 시계열에 도메인 기반 합성 이상(Gaussian Noise, Point, Shapelet, Trend)을 주입해 평가 데이터셋을 구성하였다. 제안 모델은 Encoder-Only Transformer 구조를 통해 파워트레인 ECU 시계열 데이터의 상관관계를 효율적으로 학습하며, 재구성 오차 기반의 하이브리드 임계값으로 이상 여부를 판별한다. 실험 결과, Transformer AutoEncoder는 RNN·LSTM·GRU AutoEncoder보다 높은 성능(F1-Score 0.6073, Precision 0.8469)을 보였으며, 정상·이상 구간의 오차 분리가 뚜렷하게 나타났다. 이는 실제 고장 데이터가 부족한 ECU 환경에서 Transformer 기반 비지도 이상 탐지 모델의 실용성을 입증한다.
목차
요약
Abstract
Ⅰ. 서론
Ⅱ. 관련 연구
2.1 시계열 이상 탐지 관련 연구
2.2 오토인코더 기반 이상 탐지 연구
2.3 이상 데이터 합성 기법 연구
2.4 기존 연구와의 차별점
Ⅲ. 파워트레인 ECU 시스템의 이상 진단 프레임워크
3.1 데이터셋 및 전처리
3.2 ECU 특화 이상 주입 설계
3.3 Transformer based AutoEncoder
Ⅳ. 실험 구성 및 성능 평가
4.1 실험 설계 및 구현
4.2 평가 지표 및 임계값 설정
4.3 학습 수렴 속도 분석
4.4 이상 탐지 성능 분석
Ⅴ. 결론
REFERENCES
키워드
파워트레인 ECU 시계열 이상 탐지 Transformer AutoEncoder 합성 이상 데이터 비지도 학습 Powertrain ECU Time-Series Anomaly Detection Transformer Autoencoder Synthetic Anomalies Unsupervised Learning저자
간행물 정보
발행기관
-
- 발행기관명
- 국제차세대융합기술학회 [International Next-generation Convergence technology Association]
- 설립연도
- 2017
- 분야
- 복합학>기술정책
- 소개
- Ever since next generation convergence technology became one of the most important industries in the nation, computing professionals have encountered a growing number of challenges. Along with scholars and colleagues in related fields, they have gathered in avariety of forums and meetings over the last few decades to share their knowledge, experiences and the outcome of their research. These exchanges have led to the founding of the International Next-generation Convergence technology (INCA) on December 1, 2015. INCA was registered as an incorporated association under the Ministry of Information and Communications. The main purpose of the organization is to improve our society by achieving the highest capability possible in next generation convergence technology.
간행물
-
- 간행물명
- 차세대융합기술학회논문지 [The Journal of Next-generation Convergence Technology Association]
- 간기
- 월간
- pISSN
- 2508-8270
- 수록기간
- 2017~2026
- 등재여부
- KCI 등재
- 십진분류
- KDC 506 DDC 606
이 권호 내 다른 논문 / 차세대융합기술학회논문지 제10권 10호
피인용수 : 0건 (자료제공 : 네이버학술정보)
함께 이용한 논문 이 논문을 다운로드한 분들이 이용한 다른 논문입니다.
출처 : 네이버학술정보
0개의 논문이 장바구니에 담겼습니다.