Recurrent Neural Networks (RNN)을 이용한 항공 데이터의 이상 탐지

항공기의 비행 데이터 기록기(Flight Data Recorder, FDR) 또는 비행 운영 품질 보증(Flight Operational Quality Assurance, FOQA) 데이터에서 수집된 다변량 시간 시계열 데이터의 이상 탐지는 안전 여유를 감소시키는 사건 및 추세를 식별하는 강력한 수단을 제공합니다. 산업 표준 '초과 탐지(Exceedance Detection)' 알고리즘은 지정된 매개변수 목록과 그 임계값을 사용하여 알려진 편차를 식별합니다. 반면, 기계 학습 알고리즘은 반지도학습(semi-supervised) 또는 비지도학습(unsupervised learning)을 통해 데이터 내의 알려지지 않은 비정상 패턴을 탐지합니다. One-class SVM에 기반한 다중 커널 이상 탐지(Multiple Kernel Anomaly Detection, MKAD) 알고리즘은 대규모 데이터 세트에서 11개의 전형적인 이상 중 6개를 식별했지만, 차원 축소의 필요성, 단기 이상에 대한 민감도 부족, 잠재적 특성에서의 이상 탐지 불능으로 제한됩니다. 이 논문은 위에서 설명한 한계를 극복할 수 있는 장기 단기 기억(Long Term Short Term Memory, LTSM) 및 게이트 순환 유닛(Gated Recurrent Units, GRU) 아키텍처를 갖춘 순환 신경망(Recurrent Neural Networks, RNN)의 적용에 대해 설명합니다. RNN 알고리즘은 테스트 데이터 세트에서 11개의 이상 중 9개를 탐지했으며, 정밀도(Precision) = 1, 재현율(Recall) = 0.818, F1 점수 = 0.89를 기록했습니다. 시간 시계열 데이터에 맞춰 설계된 RNN 아키텍처는 비행 데크에서 실시간 이상 탐지를 제공하기 위해 구현하기에 적합합니다. 이러한 결과의 의미에 대해 논의합니다.