Air Diapragm Pump Fault Diagnosis with Transformer Model

인산염 피막 공정은 부품의 내구성, 부식 저항성 및 접착력을 향상하여 자동차용 고무 부품의 수명과 성능을 개선하는 중요한 공정이다. 이 공정에 사용되는 에어 다이아프램 펌프는 순환 과정에서 슬러지화 또는 판막 손상으로 인해 내부 고장이 발생하며, 이러한 고장이 발생할 경우 순환이 정상화되지 않아 용액 농도 유지에 어려움을 겪는다. 본 연구에서는 에어 다이아프램 펌프의 고장 진단 시스템에 Transformer-AutoEncoder 모델을 적용하고, 기존의 Convolutional Neural Network (CNN) AutoEncoder 모델과의 이상치 탐지 성능을 비교 분석하였다. 연구 결과, Transformer-AE는 Test Data 1에서 2.76%, Test Data 2에서 2.95%의 이상치를 탐지하여 작업 일지의 라벨링 데이터와 높은 일치율을 보였으며, CNN-AE는 각각 0.44%와 0%의 이상치만을 탐지하여 상대적으로 낮은 탐지율을 나타냈다. 또한, 혼동행렬을 통해 성능을 평가한 결과, Transformer-AE 모델은 CNN-AE에 비해 정밀도, 재현율, F1-score, 정확도 모두에서 우수한 성능을 기록하였다. 이를 통해 Transformer-AE 모델이 시계열 데이터에서 복잡한 패턴과 장기 의존성을 효과적으로 학습하여 이상치를 더욱 정확하게 탐지할 수 있으며 다양한 산업 분야에서 시계열 데이터를 활용한 이상 탐지 시스템에 유용하게 응용할 수 있음을 입증하였다.