Reference & Project
BUSINESS
수치와 성과로 검증된 노리시스템의 주요 프로젝트
반도체 WSS 공정 화재 조기 감지 시스템 구축
Global 반도체 제조기업의 WSS 공정 핵심 설비에서 수집한 시계열 센서 데이터로 정상 상태 패턴을 학습하고, 그 패턴에서 벗어나는 미세한 변화를 화재 징후로 판별하는 비지도 학습 기반 화재 조기 감지 시스템을 구축했습니다. UL 268 실화재 시험과 케이블 발화 실험 등으로 탄화 · 발화 이전 단계의 조기 감지 성능을 검증하고, 과제 수행 당시 제조 라인에 적용했습니다.
Global 반도체 제조기업
WSS 공정 핵심 설비 4개소
(진공 Pump · POU Scrubber)
2024.09 ~ 2024.12
과제 수행 당시 제조 라인 적용
LSTM Autoencoder
(정상 데이터 기반 비지도 이상 탐지)
데이터 수집 · 분석 → AI 모델 설계 · 학습 → 실증 검증 → 라인 적용
이상 탐지 성능
F1 0.94
화재 · 비화재 라벨 데이터 기준 이상 탐지 F1 Score
정상 패턴 재구성 정확도
R² 0.916
테스트 데이터 기준 재구성 결과 설명력
발화 전 조기 감지
최대 6분
케이블 발화 실험에서 발화 이전 첫 이상 감지 (일반 전선 묶음)
기존 화재 감지기 대비
최대 2분 30초 선행
공개 실내 화재 데이터셋 전기화재 4개 유형 기준
화재 위험은 상존하지만, 기존 센서는 오경보가 잦고 학습에 쓸 화재 데이터는 현장에서 얻기 어려웠습니다.
다양한 화학물질과 고온 장비를 사용하는 공정 특성상 화재 위험이 상존합니다. 클린룸에서 화재가 발생하면 제품 손실과 생산 라인 중단으로 큰 경제적 손실이 이어집니다.
온도 · 연기 · 가스 감지기는 개별 측정값만으로 판단해, 일시적인 가스 농도나 온도 변화에도 경보가 울리고 불필요한 공정 중단을 유발할 수 있습니다.
실제 공장에서 화재 데이터를 수집하는 것은 현실적으로 어렵습니다. 정상 데이터만으로 학습해 이상을 찾아내는 비지도 방식이 필요했습니다.
WSS 공정 핵심 설비 4개소에 센서 · 엣지 디바이스를 연결해 TVOC, CO₂, 온도, 습도, 연기 데이터를 약 50초 주기로 62일간 수집했습니다.
센서별 변동 특성을 분석하고, 센서 오류로 판단되는 결측 행을 제거한 뒤 Min-Max 정규화로 Feature 간 스케일을 맞췄습니다.
이상 탐지 모델을 비교해 시계열 의존성을 학습하는 LSTM Autoencoder를 선정하고, 하이퍼파라미터 실험으로 최적 구조를 확정했습니다.
UL 268 실화재 시험, 케이블 발화 실험, 공개 실내 화재 데이터셋으로 조기 감지 성능을 검증하고 제조 라인에 적용했습니다.
선행 과제에서 구축한 IoT 센서 · 엣지 컴퓨팅 인프라를 활용해 설비별 정상 가동 데이터를 확보했습니다.
설비별 센서 → 엣지 디바이스 → 엣지 컴퓨터로 이어지는 구조로 데이터를 수집합니다.
같은 조건에서도 설비마다 정상 패턴이 다르다는 점을 반영해, 설비 특성에 맞게 이상 징후를 계산합니다.
TVOC, CO₂, 온도, 습도, 연기 (5개 Feature)
약 50초
62일 (약 2개월)
133,020건 수집 → 결측 처리 후 133,011건 학습 활용
학습 · 검증 · 테스트 = 8 : 1 : 1 (시간 순서 유지)
정상 데이터만으로 학습 가능한 이상 탐지 모델 4종을 시계열 처리 능력 관점에서 비교했습니다.
데이터를 무작위로 분할해 쉽게 고립되는 점을 이상치로 판별합니다. 대용량에 효율적이지만 시점 간 상관관계는 학습하지 않습니다.
정상 범위의 결정 경계를 학습합니다. 비선형 구조에 강하지만 시계열의 순차적 특성은 직접 반영하지 못합니다.
입력을 압축 · 복원해 재구성 오류로 이상을 판별합니다. 비선형 패턴에 강하지만 기본 구조는 시간 의존성을 고려하지 않습니다.
LSTM 인코더 · 디코더로 시계열을 압축 · 복원해, 장기 의존성과 시간 패턴을 반영한 재구성 오류로 이상을 탐지합니다.
정상 패턴과의 차이(재구성 오류)를 기준으로 화재와 비화재 상황을 구분합니다.
설비별 엣지 디바이스로 5개 환경 지표를 주기적으로 수집합니다.
센서 오류로 발생한 0값 행을 제거하고 Min-Max 정규화를 적용합니다.
정상 데이터만으로 시계열을 압축 · 복원하도록 학습하고, MSE 기반 재구성 손실을 최소화합니다.
학습 데이터를 다시 입력해 얻은 재구성 오류의 최대값을 임계값으로 정합니다. 정상 범위에서 나올 수 있는 최대 오류를 기준으로 삼는 방식입니다.
새 데이터의 재구성 오류가 임계값을 넘으면 학습되지 않은 패턴, 즉 화재 징후로 판정합니다.
개별 센서값이 기준을 넘었는지가 아니라, 5개 지표의 시간 흐름이 학습된 정상 패턴과 얼마나 다른지로 판단합니다. 일시적 변동은 정상 범위 안에서 흡수하고, 센서 농도가 낮더라도 비정상적인 변화 패턴은 감지할 수 있습니다.
빠르게 번지는 화재, 서서히 진행되는 화재, 일반 실내 화재까지 3가지 조건에서 모델의 탐지 시점을 확인했습니다.
급속 확산 화재 조건. 거리별로 센서를 배치하고 전선 · 종이를 토치로 2분간 가열한 뒤 15분간 측정, 40분 환기를 거쳐 3~4회 반복했습니다.
완만 진행 화재 조건. 알코올 램프로 일반 전선(단선 · 묶음)과 난연 전선(단선 · 묶음)을 가열해 가열 · 탄화 · 발화 시점과 탐지 시점을 비교했습니다. 총 20회 중 유효 데이터 14회를 분석했습니다.
일반 실내 환경 적용성 확인. 공개 실내 화재 데이터셋의 전기화재 4개 유형에서 TVOC 변화를 입력해 기존 화재 감지기와 탐지 시점을 비교했습니다.
케이블 발화 실험 4종 모두에서 탄화 또는 발화 이전에 첫 이상을 감지했고, 공개 데이터셋에서는 기존 화재 감지기보다 먼저 화재를 탐지했습니다.
일반 전선 단선
발화 4분 전
가열 1분 30초에 첫 감지 (탄화 3분 전)
일반 전선 묶음
발화 6분 전
가열 1분 6초에 첫 감지 (탄화 40초 전)
난연 전선 단선
탄화 이전 탐지
센서값 변화가 미미한 상태에서도 학습되지 않은 화재 패턴을 감지 (가열 5분 48초)
난연 전선 묶음
탄화 약 2분 40초 전
가열 7분 18초에 첫 감지
Electrical 1
40초 선행
약 1.83% 빠른 탐지
Electrical 2
1분 50초 선행
약 5.69% 빠른 탐지
Electrical 3
30초 선행
약 8.75% 빠른 탐지
Electrical 4
2분 30초 선행
약 6.3% 빠른 탐지
공개 데이터셋 출처: Nazir et al., Early Fire Detection: A New Indoor Laboratory Dataset and Data Distribution Analysis, Fire, 2022
화재 발생 30초 만에 첫 이상 감지
화재 발생 2분 30초 만에 첫 이상 감지 (화재 종료 후 잔류 연기도 이상으로 지속 감지)
단일 센서 기준으로 놓치기 쉬운 미세한 시계열 변화를 포착해, 화재가 본격화되기 전에 대응 시간을 확보할 수 있습니다.
일시적인 가스 · 온도 변동은 정상 패턴 범위에서 걸러내, 불필요한 경보와 공정 중단을 줄일 수 있습니다.
설비마다 다른 정상 패턴을 학습해, 같은 측정 조건에서도 설비 특성에 맞는 이상 징후를 판단할 수 있습니다.