1. 서 론
기후 위기의 심화로 인해 탄소 중립은 전 세계적으로 필수적인 과제로 부상되고 있다. 국제에너지기구(International Energy Agency,
IEA)에 따르면, 건물의 운영은 전 세계 최종 에너지 소비량의 약 30%, 에너지 관련 온실가스 배출량의 약 26%를 차지한다(1). 이는 탄소 중립 실현을 위한 핵심 전략으로서 건물 부문의 에너지 절감 필요성을 시사하며 특히 건물 생애주기 중 가장 긴 기간을 차지하는 운영 단계에서의
에너지 효율화가 중요함을 강조한다. 운영 단계에서의 에너지 낭비를 효과적으로 방지하기 위해서는 건물 시스템의 일상적인 운영 과정에서 발생할 수 있는
이상 상태, 결함, 또는 오작동을 조기에 탐지하고 원인을 진단하는 이상 탐지 및 진단(Fault Detection and Diagnosis, FDD)
기술이 요구된다(2). 이러한 이상 탐지 및 진단 기술은 문제의 심화 및 추가 손상을 방지하고 궁극적으로 에너지 효율적인 건물 운영을 가능하게 하는 핵심이다(2). 고성능 이상 탐지 모델의 진단 정확도를 확보하기 위해서는 각 건물 및 센서가 운영 목적, 운영 방식, 규모, 지리적 위치 등의 다양한 요소에 따라
고유한 운영 및 작동 특성을 지닌다는 점이 고려되어야 한다(3).
그러나 기존의 이상 탐지 모델 접근 방식은 사전에 정의된 모델 파라미터를 기반으로 구축되기에 각 건물의 개별 특성을 충분히 반영하지 못하는 한계가
있다. 이로 인해 이상 에너지 사용에 대한 조기 탐지 실패 또는 오탐지 가능성이 존재하며, 이는 결과적으로 에너지 과사용으로 이어질 수 있는 잠재적
위험 요인이 된다(4). 특히 냉난방공조시스템 내에는 다수의 센서가 동시에 운용되므로 각 센서에 대해 수작업으로 최적 모델을 설계하는 것은 현실적으로 불가능하다. 이를
해결하기 위해서는 파라미터 최적화 및 모델 생성을 자동화할 수 있는 알고리즘 기반 접근이 요구된다. 현장 중심 모델링은 건물 생애주기 전반에 걸친
정보화 및 디지털화를 바탕으로 대상 건물의 운영 환경 내에서 수학적 모델을 직접 개발해 외부에서 구축된 일반 모델보다 높은 정확도를 확보하는 것을
목표로 하는 방법론이다(5). 이와 같은 현장 중심 모델링은 다음 네 가지 이론적 특성을 지닌다: (1) 설계 단계가 아닌 운영 단계 중심의 모델링, (2) 일반적인 건물이
아닌 특정 대상 건물에 기반한 모델링, (3) 실험실이나 이상적인 제어 환경이 아닌 실제 운영 현장에서의 모델링, (4) 단일 시점이 아닌 건물 생애주기
전반에 걸친 지속적인 모델링.
이러한 현장 중심 모델링 관점은 디지털 트윈 환경에서 운영데이터의 축적과 모델 갱신이 연계될 때, 이상 탐지 모델의 현장 적합성을 지속적으로 향상시킬
수 있는 기반을 제공한다. 본 연구는 선행 연구에서 제시된 현장 중심 모델링 방법론을 기반으로, 디지털 트윈 환경에서 축적되는 운영데이터를 활용하여
이상 탐지 모델의 핵심 파라미터를 현장 조건에 맞게 도출 및 갱신하는 현장 중심 이상 탐지 방법을 제안한다. 또한 실제 건물 운영데이터를 대상으로
통상적인 사전 설정 파라미터 기반 접근과 비교하여, 제안 방법의 유효성과 필요성을 정량적으로 검증한다. 제안된 방법은 운영 단계에서의 이상 탐지 신뢰성을
제고함으로써, 에너지 효율적인 건물 운영 실현에 기여할 것으로 기대된다.
3. 적 용
2022년 7월 1일부터 15일까지의 대상 건물 운영데이터에 제안된 방법이 적용되었다. 대상 건물은 Fig. 3과 같이 중국 대련에 위치한 지상 6층 규모의 실험용 건물이며, 본 연구에서는 해당 건물의 냉난방공조시스템 중 수배관에 설치된 냉수 환수 온도 센서가
이상 탐지의 대상으로 지정되었다.
해당 시스템은 변풍량(Variable Air Volume, VAV) 방식으로 제어되며, 수열 히트펌프에서 냉각된 공급수는 분배기를 통해 공조기, 외조기,
팬코일 유닛의 냉각 코일로 분배된다. 각 장치에서 열교환을 마친 후 냉수는 집수기로 모여 히트펌프로 환수되고, 냉각수는 냉각탑을 통해 재냉각된다.
이러한 열순환 구조에서 냉수 환수 온도는 시스템 이상 여부를 판단하는 주요 지표로 활용된다.
Fig. 3 Exterior view and HVAC system schematic of the target building.
3.1 대상 건물 운영데이터의 분할 기준
제공된 대상 건물의 운영데이터는 벤치마크 모델 생성을 위한 용도와 이상 탐지 모델의 성능 평가 용도로 구분되었다. 본 실험에서는 다음과 같은 절차를
통해 데이터가 분할되었다. 먼저 성능 평가를 진행할 날짜를 선정하기 위해 목표 변수에 해당하는 실물 센서의 날짜별 표준편차가 산출되었다. 이후 산출된
표준편차 값들 중 최댓값, 최솟값, 중앙값에 대응되는 세 날짜가 선정되었다. 제공된 운영데이터의 날짜 수가 짝수인 경우에는 중앙값 후보 중 전체 표준편차의
평균값에 가장 가까운 값이 중앙값으로 정의되었다. 이와 같은 절차를 통해 선정된 총 3일치 운영데이터는 이상 탐지 모델의 성능 평가에 활용되었으며,
이를 제외한 나머지 데이터는 벤치마크 모델 생성에 사용되었다. 본 실험에서는 Fig. 4에 나타낸 바와 같이, 2022년 7월 1일부터 15일까지의 대상 건물 운영데이터 중 냉수 환수 온도의 표준편차가 최댓값, 최솟값, 중앙값을 나타낸
7월 5일, 9일, 11일의 데이터가 이상 탐지 모델의 성능 평가 용도로 활용되었다. 이는 운영데이터로부터 도출되는 파라미터 후보군을 기반으로 현장
운영 목적의 단일 파라미터 그룹(임계값, 지속시간)을 도출하기 위한 대표 구간 선정의 한 방식이다. 대표 구간 선정은 운영 패턴에 따라 군집화 기반
샘플링 등 다른 통계적 기법으로도 수행될 수 있다. 이외의 날짜에 해당하는 데이터는 벤치마크 모델 생성을 위한 학습 데이터로 사용되었다.
Fig. 4 Standard deviation of physical sensor’s return water temperature during the
target period.
3.2 벤치마크 모델의 기본 구성
Table 1에 제시된 기본 설정을 바탕으로 이상 탐지 모델에 활용될 다중 퍼셉트론(Multi-Layer Perceptron, MLP) 기반 가상 센서가 개발되었다.
이때 대상 건물의 냉난방공조시스템에서 수집된 냉각수 공급 온도, 냉각수 환수 온도, 공급 공기 온도 및 공급 공기 습도 데이터가 입력 변수로 선정되었다.
본 연구에서는 디지털 트윈 환경 기반의 현장 중심 이상 탐지 모델뿐만 아니라 통상적인 모델에서도 동일한 조건을 바탕으로 벤치마크 모델이 생성되었다.
생성된 가상 센서의 예측 성능은 Fig. 5에 제시되었다. 해당 그래프의 x축은 가상 센서의 냉수 환수 온도 예측값, y축은 실물 센서의 냉수 환수 온도 측정값이다. 또한 해당 가상 센서의
결정계수($R^2$)는 0.928로 나타났다.
Table 1 Basic settings for benchmark model
|
Model type
|
MLP
|
|
Layers (Input-hidden-output)
|
4–128–64-1
|
|
Epoch
|
20
|
|
Batch size
|
32
|
|
Loss function
|
Mean squared error
|
|
Optimizer
|
Adam
|
Fig. 5 Prediction performance of the MLP-based virtual sensor.
3.3 이상 탐지 모델의 가중 정확도 계산 조건 설정
이상 탐지 모델의 가중 정확도 계산 시에는 각각의 알람에 $\alpha_1$, $\alpha_2$, $\alpha_3$, $\alpha_4$ 값으로
표시되는 가중치를 부여할 수 있다. 본 실험에서는 모든 가중치 값이 1로 설정되었고, 이는 건물 사용자 측에서 요구한 성능 목표가 가장 일반적인 경우를
의미한다.
3.4 이상 탐지 모델의 성능 평가 방법 및 최적화
본 실험에서는 이상 탐지 모델의 성능을 평가하기 위해 세 가지의 오류 유형이 설계되었다. 이는 각각 편향 오류, 랜덤 오류(정밀도 저하), 드리프트
오류로 구분되며, 각 오류 유형은 실제 운전에서 관찰될 수 있는 오류 특성(편향, 정밀도 저하, 누적 편차)을 고려한 실험 조건으로 구성되었다(14,
15). 편향 오류는 식(3)과 같이 사전에 설정된 값만큼 일정한 편차를 지속적으로 부여하는 오류 유형으로 시스템에 일정 수준의 오차가 지속적으로 존재하는 상황이다.
반면 랜덤 오류는 식(4)-(6)과 같이 정규분포 기반의 난수를 활용한 불확실성 오류 유형으로 정의되며, 정규분포의 특성상 약 95%의 오차 값은 [-R, R] 구간 내에 포함된다.
드리프트 오류는 시간이 지남에 따라 누적적으로 오차가 증가하는 특성을 가지며, 본 실험에서는 식(7), (8)과 같이 지수 함수 형태로 설정되었다. 이때 설정된 드리프트 계수 D에 따라, 3시간 후 드리프트 오류의 크기는 D−1에 도달하도록 형성되었다. 이러한
세 가지 오류 유형을 냉수 환수 온도 측정값에 주입하여 생성한 시계열 예시는 Fig. 6과 같다. Fig. 6은 2022년 7월 5일 데이터를 대상으로 하며, 편향 오류 값 1.1℃, 랜덤 오류 값 0.2℃, 드리프트 계수 1.6의 조건으로 생성되었다.
Fig. 6 Illustration of injected fault types (bias, random, and drift) based on the
ground-truth sensor measurement.
성능 평가에 사용된 오류 상황은 동일한 조건하에서 모델의 성능을 비교하기 위해 편향 오류 값 0.8℃, 랜덤 오류 값 0.2℃, 드리프트 계수 0의
오류 유형 조합으로 고정되었다. 오류 상황은 앞서 3.1절에서 선정된 성능 평가용 3일치 운영데이터에 대해 각 날짜별 오전 10시 36분에 주입되었다.
주입 시점은 시스템 기동에 따른 초기 과도 상태가 종료되고 정상 운전 상태가 확보된 이후로 설정되었다. 또한 이상 탐지 모델의 탐지 속도와 정확도를
분석하기 위하여 다양한 임계값과 지속시간이 실험에 포함되었다. 임계값은 0.0℃부터 1.6℃까지 0.1℃ 간격으로, 지속시간은 1분부터 30분까지
1분 간격으로 설정되었으며, 각각의 조합에 대해 격자 검색(Grid search) 기법을 적용하여 이상 탐지 모델이 최대 정확도를 나타내는 조건을
도출하였다. 이와 같은 실험 과정을 통해 각 날짜별 오류 상황에서 최적의 탐지 성능을 나타낸 임계값과 지속시간의 조합, 즉 세 개의 파라미터 그룹이
확보되었다. 이후 현장 적용 관점의 단일 파라미터 그룹 운영을 목적으로 개별 파라미터들의 산술평균을 통해 임계값과 지속시간의 대푯값이 도출되었다.
결과적으로 도출된 최종 임계값과 지속시간을 바탕으로 이상 탐지 모델이 구축되었다.
각 날짜별 이상 탐지 모델의 성능은 선정된 성능 평가용 데이터와 제시한 절차를 바탕으로 평가되었다. Figs. 7-9는 임계값과 지속시간을 일정 범위 내에서 변화시키며, 격자 검색 기법을 통해 모델의 정확도가 최대가 되는 최적 파라미터 조합을 탐색한 결과를 시각화한
것이다. 각 그래프에서 x축은 임계값(0.0℃-1.6℃), y축은 지속시간(0-30분), z축은 정확도(0-1)를 나타낸다. 또한 색상은 정확도의
크기를 의미하고, 청색에서 적색으로 갈수록 높은 정확도를 나타낸다.
Fig. 7에 따르면 냉수 환수 온도의 표준편차가 가장 컸던 7월 5일에는, 임계값 0.4℃와 지속시간 15분 조건에서 최대 정확도 0.980을 기록하였다.
Fig. 8에서는 표준편차가 가장 작았던 7월 9일의 경우, 임계값 0.3℃와 지속시간 9분 조건에서 최대 정확도 0.986을 달성하였다. Fig. 9에서 표준편차가 중앙값을 나타낸 7월 11일에는 임계값 0.2℃와 지속시간 7분 조건에서 최대 정확도 0.995가 나타났다.
이와 같이 도출된 각 날짜별 최적 파라미터 조합을 산술평균한 결과, 임계값 0.3℃와 지속시간 10분의 조합이 최종 파라미터로 결정되었다. 지속시간의
경우 산술평균한 값(10.33분)을 반올림하여 설정되었다.
Fig. 7 FDD model performance evaluation result on day with maximum standard deviation
of return water temperature.
Fig. 8 FDD model performance evaluation result on day with minimum standard deviation
of return water temperature.
Fig. 9 FDD model performance evaluation result on day with median standard deviation
of return water temperature.
3.5 통상적인 이상 탐지 모델과의 비교를 위한 실험 환경
본 실험에서는 제안한 방법의 성능을 검증하기 위하여 실험군(Case 1)과 비교군(Case 2)이 설계되었다. Case 1은 본 연구에서 제안한 현장
중심 이상 탐지 모델이며, Case 2는 사전 설정된 파라미터를 적용한 통상적인 모델이다. Case 1과 Case 2는 파라미터(임계값, 지속시간)의
설정 방식을 기준으로 설계되었다. Case 2는 현장 운영데이터 기반의 최적 파라미터 탐색 과정을 거치지 않고, 센서 규격 및 운영 경험을 근거로
사전에 정의한 고정 임계값과 지속시간을 적용하는 통상적인 이상 탐지 모델로 정의하였다. 수배관에 설치된 냉수 환수 온도 센서는 IEC 60751:2022를
따르는 Pt100 Class B 센서이다. 대상 시스템에서 냉수 환수 온도가 일반적으로 10℃ 전후임을 고려할 때, 해당 구간에서의 센서 공차(Tolerance)는
±0.35℃로 정의된다. 본 실험에서 Case 2의 임계값은 센서 공차뿐 아니라 현장 계측 과정 및 단기 운전 변동으로 인해 발생할 수 있는 추가
불확실도를 함께 고려하여 0.5℃로 설정하였다. 이는 센서 공차 수준의 변동을 이상 상태로 과도하게 판정하는 것을 방지하기 위해, 임계값에 여유 구간(Guard
band)을 반영한 설정에 해당한다(16). 또한 순간 변동에 의한 오경보 억제를 목적으로, 이상 상태가 일정 시간 이상 연속적으로 유지될 때만 이상으로 판단하는 알람 지연(Alarm Delay)
기반 건물 자동제어 시스템(Building Automation System, BAS) 운용 원리를 반영하여 Case 2의 지속시간을 15분으로 설정하였다(17).
두 모델의 성능 비교는 2022년 7월 20일의 운영데이터를 기반으로 진행되었으며, 해당 데이터에는 총 16개의 오류 상황이 주입되었다. 구체적으로는
편향 및 랜덤 조합의 오류 7가지와 드리프트 및 랜덤 조합의 오류 9가지로 구성되었으며, 모든 오류는 오전 10시 36분에 주입되었다. 전자의 오류
조합에서의 편향 오류 값은 0.8℃부터 1.4℃까지 0.1℃ 간격으로 설정되었고, 랜덤 오류 값은 0.2℃로 고정되었다. 후자의 오류 조합에서의 드리프트
계수는 1.2부터 2.0까지 0.1 간격으로 설정되었으며, 랜덤 오류 값은 0.2℃로 고정되었다.
2022년 7월 20일은 7월 16일부터 31일까지의 운영데이터 중 냉수 환수 온도의 정상 및 과도 상태 분포가 전형적인 양상을 보이는 날짜를 기준으로
선정되었다. 해당 분포는 식(9)을 통해 냉수 환수 온도의 분당 온도 변화율이 계산된 후, 식(10)부터 식(12)에 따라 두 개의 클러스터를 기준으로 K-means 클러스터링이 수행되어 정상 및 과도 상태로 분류되었다.
이러한 과정을 통해 7월 한 달간의 데이터에서 날짜별 상태 분포를 분석한 결과, 약 79%의 날짜에서 유사한 분포가 관찰되었다. 이에 따라 대표성을
갖는 날짜로서 7월 20일이 선정되었다.
2022년 7월 20일의 냉수 환수 온도에 대한 정상 및 과도 상태 분포와 분당 온도 변화율을 시각화한 결과는 Fig. 10에 제시되어 있다. Fig. 10(a)는 해당일 냉수 환수 온도의 시계열 데이터를 바탕으로 클러스터링 기법을 통해 정상 상태(청색 점)와 과도 상태(적색 점)를 분류한 결과를 나타낸다.
이때 x축은 시간(08:00~20:00), y축은 냉수 환수 온도(℃)를 의미하며, 점의 색상은 상태를 구분한다. Fig. 10(b)는 냉수 환수 온도의 분당 온도 변화율을 시계열 그래프로 나타낸 것이며, x축은 시간, y축은 변화율(℃/min)을 의미한다. 이 그래프는 Fig. 10(a)의 상태 분류 기준으로 활용된 온도 변화율 수치를 정량적으로 보여주고 상태 판별의 논리적 근거를 보완한다.
Fig. 10 Time-series analysis of return water temperature on July 20, 2022.
Table 2 Weight configuration conditions
|
|
$\alpha_2$
|
$\alpha_4$
|
|
Model 1-1
|
1.5
|
0.5
|
|
Model 1-2
|
1.8
|
0.2
|
|
Model 2-1
|
0.5
|
1.5
|
|
Model 2-2
|
0.2
|
1.8
|
3.6 가중치에 따른 성능 곡면 비교 실험 환경
본 실험에서는 이상 탐지 모델의 정확도 계산 가중치 설정에 따른 모델의 성능 곡면을 비교하고자 Model 1-1, 1-2, 2-1, 2-2가 설계되었다.
또한 각 모델은 Table 2에 따라 $\alpha_2$ 및 $\alpha_4$ 가중치가 설정되었다. Model 1-1과 Model 1-2는 오탐 최소화를 지향하는 모델이며,
반면 Model 2-1과 Model 2-2는 미탐 최소화를 지향하는 모델이다. 각 모델의 성능 곡면 비교는 냉수 환수 온도가 중앙값을 나타냈던 2022년
7월 11일의 냉수 환수 온도 데이터로 진행되었다. 이때 편향 오류 값 0.8℃, 랜덤 오류 값 0.2℃, 드리프트 계수 0의 조합으로 구성된 오류
상황이 오전 10시 36분에 주입되었다.
4. 결과 및 고찰
본 장에서는 제안한 현장 중심 이상 탐지 방법을 다양한 관점에서 검증하고 분석한 결과를 제시한다. 먼저 제안한 방법으로 설계한 이상 탐지 모델과 통상적인
모델 간의 정확도(Accuracy)가 비교되었다. 이어서 가중 정확도 계산의 가중치 설정 변화에 따른 성능 곡면이 고찰되었다.
4.1 현장 중심 이상 탐지 모델과 통상적인 이상 탐지 모델의 정확도 비교
3.5절에서 설정한 환경을 바탕으로, 2022년 7월 20일의 운영데이터에 오류 상황을 주입하여 현장 중심 이상 탐지 모델(Case 1)과 통상적인
모델(Case 2)의 정확도가 비교되었다. 각 오류 조건에서 이상 탐지 모델의 정확도를 계산한 결과는 Table 3과 Table 4에 제시되었다. 각 표의 첫 번째 행은 오류 유형(편향, 랜덤, 드리프트)의 조합을 의미한다. 또한 두 번째 행과 세 번째 행은 각각 Case 1과
Case 2가 각 오류 조건에서 기록한 정확도를 나타낸다.
비교 결과, 디지털 트윈 환경에서 운영데이터를 기반으로 자율적으로 생성된 Case 1은 부여한 모든 오류 상황에서 고정된 파라미터를 적용한 Case
2 대비 일관되게 우수한 정확도를 나타냈다. 이는 Case 1에서 임계값과 지속시간을 현장 운영데이터에 기반하여 탐색․선정함으로써, 건물 및 센서
단위의 운전 특성이 파라미터에 반영된 결과로 해석된다. 반면 Case 2는 센서 규격 및 운영 경험을 근거로 사전 설정된 파라미터를 적용하므로, 개별
건물 및 센서 단위의 운영 특성을 반영한 이상 탐지에는 한계가 있다. 따라서 본 실험의 결과는 효율적인 건물 운영을 위해 실험실 기반의 정적 모델이
아닌 각 건물 및 센서 단위의 운영 특성에 최적화된 현장 중심 이상 탐지 모델의 필요성을 입증한다.
Table 3 Accuracy of fault detection model under bias and random errors (B=bias, R=random)
|
|
B=0.8, R=0.2
|
B=0.9, R=0.2
|
B=1.0, R=0.2
|
B=1.1, R=0.2
|
B=1.2, R=0.2
|
B=1.3, R=0.2
|
B=1.4, R=0.2
|
|
Case 1
|
0.727
|
0.839
|
0.956
|
0.957
|
0.967
|
0.985
|
0.997
|
|
Case 2
|
0.710
|
0.709
|
0.875
|
0.937
|
0.923
|
0.959
|
0.984
|
Table 4 Accuracy of fault detection model under drift and random errors (D=drift,
R=random)
|
|
D=1.2, R=0.2
|
D=1.3, R=0.2
|
D=1.4, R=0.2
|
D=1.5, R=0.2
|
D=1.6, R=0.2
|
D=1.7, R=0.2
|
D=1.8, R=0.2
|
D=1.9, R=0.2
|
D=2.0, R=0.2
|
|
Case 1
|
0.595
|
0.618
|
0.710
|
0.749
|
0.864
|
0.891
|
0.898
|
0.901
|
0.915
|
|
Case 2
|
0.334
|
0.541
|
0.596
|
0.652
|
0.662
|
0.718
|
0.791
|
0.821
|
0.828
|
4.2 이상 탐지 모델 정확도 가중치에 따른 성능 곡면 비교
3.6절에서 설정한 조건을 바탕으로 이상 탐지 모델의 성능 곡면이 비교되었다. Model 1-1은 임계값 0.2℃와 지속시간 13분 조건에서, Model
1-2는 임계값 0.2℃와 지속시간 5분 조건에서 각각 최대 가중 정확도 0.994, 0.999를 기록하였다. Model 2-1은 임계값 0.1℃와
지속시간 11분 조건에서, Model 2-2는 임계값 0.1℃와 지속시간 7분 조건에서 각각 최대 가중 정확도 0.996, 0.995가 나타났다.
또한 Fig. 11과 같이 성능 곡면의 전체 형상은 가중치 설정 조건에 따라 뚜렷한 차이를 보였다. 구체적으로 오탐 최소화를 지향하는 Model 1-1과 1-2의 경우
Fig. 11(a), 11(b)와 같이 특정 임계값 경계에서 가중 정확도가 급격히 하락하는 양상을 나타냈다. 반면 미탐 최소화를 지향하는 Model 2-1과 2-2의 경우 Fig. 11(c), 11(d)와 같이 가중 정확도가 보다 점진적으로 감소하는 양상을 보였다. 성능 곡면을 임계값-정확도 평면으로 절단한 결과, 특정 임계값 구간에서의 가중 정확도
낙폭이 오탐 최소화를 지향하는 모델에서 더 크게 나타났으며, 이는 앞선 분석을 뒷받침한다. 이러한 결과는 이상 탐지 모델의 성능 목표가 최적 파라미터의
조합뿐만 아니라 파라미터 변화에 따른 성능 곡면의 개형에도 영향을 미친다는 것을 시사한다.
특히 Fig. 11의 각 모델 성능 곡면은 동일한 오류 상황 조건에서도 모델 파라미터 설정에 따라 탐지 성능이 현저히 달라질 수 있음을 보여준다. 이는 사람이 직관적으로
설정한 임의의 파라미터로는 실제 운영 과정에서 최적의 모델 성능을 달성하기 어렵다는 점을 시사한다. 따라서 운영 중 지속적으로 축적 및 갱신되는 현장
운영데이터를 기반으로 이상 탐지 파라미터를 재탐색하고 최신 운전 조건에 맞게 갱신하는 절차가 요구된다. 또한 디지털 트윈 환경은 현장 운영데이터의
동기화와 가상 센서 생성을 통해 이러한 파라미터 갱신을 반복적으로 수행할 수 있는 기반을 제공함으로써, 이상 탐지 기능의 자동화 및 고도화를 가능하게
한다.
Fig. 11 Performance surface of the fault detection model with weight configurations.