산업 환경에서의
지능형 이상 탐지
비전·시계열·언어 모델의 지식 통합 관점에서 본
최첨단(SOTA) 기술 동향 보고서
Reviewed by Sungsoo Kim @ ETRI
Ph.D., Principal Researcher
지능형 이상 탐지 (IAD)
IAD는 단순 분류를 넘어 비전·시계열·언어 모델의 지식을 통합·전이·정렬하는 표현 학습으로 정의됩니다. 산업 시스템의 이질적 데이터 스트림에서 사전에 정의되지 않은 비정상 패턴을 자동으로 식별하고 잔존수명(RUL)을 예측하는 전방위적 안전 체계입니다.
패러다임의 전환
2024년 Wu & Keogh의 비판 이후, 학계는 '복잡한 모델' 경쟁에서 '견고하고 통합된 표현'으로 이동했습니다. 본 보고서는 TimeRep, LogSAD, UniVAD 등 2025-2026년 SOTA 연구를 통해 산업 현장에 즉시 적용 가능한 지식 융합 전략을 탐구합니다.
이질적 모달리티
SEM 이미지, 챔버 센서, 작업자 텍스트가 공존하는 복합 환경에서의 근본 원인 분석 필요성
불완전한 레이블
이상 구간 정의의 모호성과 주기적 이벤트와의 혼동을 극복하는 자가 지도 학습의 중요성
오류의 비대칭성
RUL 예측에서의 과대추정은 치명적 고장으로 직결되므로 정확도보다 안전 제약이 우선됨
Core Concepts
범용 지식 표현 (UniFormaly)
자기지도학습 기반 ViT의 일반화된 표현을 통해 결함 탐지와 군집화를 단일 프레임워크로 통합
언어-비전 통합 (LogicQA)
자연어 기술을 통한 요약으로 시각 패턴 매칭이 놓치기 쉬운 고차원 논리 제약 조건을 해결
불확실성 제약 (SafeBound)
KKT 제약 최적화를 통해 RUL 예측의 비대칭적 위험을 관리하고 안전성을 구조적으로 보장
V 비전: 파운데이션 모델 기반 통합 탐지
LogSAD (CVPR 2025): GPT-4V를 활용하여 패치·관심집합·구성의 다중 입도 매칭을 수행하는 Training-free 구조 제안.
LogicQA (ACL 2025): LLM 기반 main question 및 sub-question 생성으로 고차원 논리 결함을 통계적으로 완화.
T 시계열: 진단 가능한 다변량 이상 탐지
PGRF-Net (ICLR 2026): 이상 탐지를 '진단적 추론'으로 재정의. 예측, 구조, 문맥, 스파이크의 4가지 증거 점수(\(S_{pred}, S_{struct}, S_{ctx}, S_{spike}\))를 동적으로 결합.
DHG-AD (2025): directed hypergraph를 활용하여 센서 간의 복잡한 비선형 관계를 모델링.
R RUL: SafeBound (Constraint-Aware Optimization)
RUL 예측값을 보수적 하한(\(\hat{y}_t^{LB}\))과 적응적 슬랙(\(s_t\))으로 분해하여 물리적 안전성을 확보합니다.
"안전성과 정확성을
동시 만족해야 할 제약으로 정의"
Key Applications
반도체 제조 (SEM)
노광 조건 변화에 따른 도메인 시프트 해결. 탐지율 20% 향상 실증.
항공우주 (N-CMAPSS)
SafeBound 적용으로 위반 구간(Vio%)을 4.6%로 획기적 감축.
리튬이온 배터리
NASA 데이터셋 기반, 용량 재생 현상을 보수적 하한 제약으로 안전하게 예측.
Open Problems
-
!
VLM의 픽셀 정밀 공간 추론 및 저수준 정보 디코딩 한계
-
!
시계열 벤치마크의 다중 이상 구간 평가 기준 부재
-
!
대형 파운데이션 모델의 산업 배포 격차 (비용/보안/지연)
-
!
VLM의 환각(Hallucination) 현상으로 인한 추론 신뢰성 저하
Future Directions
멀티모달 지식 허브
텍스트, 이미지, 센서 시계열을 단일 임베딩 스페이스로 정렬
LLM 에이전트 자율 파이프라인
에이전트가 진단 모델 출력을 운영자와 교차 검증 및 재학습 트리거
온라인 적응 학습 (TTA)
실시간 분포-자유 보장 체계와 SafeBound 식의 제약 결합
Expert Recommendations
산업 인공지능 연구는 지식 통합형 표현 학습, 진단 가능성 우선 평가, 안전 제약의 First-class Citizen화라는 패러다임 전환에 집중해야 합니다. 본 연구진의 결과물들은 산업 환경을 완성하는 실증적 청사진이 될 것입니다.
Selected References
Vision Language Models are Blind
Zhang et al. (2025)Training-free AD with VLM (LogSAD)
Sharma et al. (2025)Uncertainty-Aware RUL for Turbofan Engines
TimeRep (2025)Time Series Foundation Models for AD
Curated ListAwesome Anomaly Detection Foundation Models
Resource RepositoryAwesome Industrial Anomaly Detection