효율적인 One-Class 이상치 탐지: 화학공정 데이터를 활용한 시각화

Team

1	2	3
가상민	신동혁	김도연

4	5	6	7
김다운	서상혁	장호준	이소영

0. Overview

Environment

• AMD Ryzen Threadripper 3960X 24-Core Processor
• NVIDIA GeForce RTX 3090
• CUDA Version 12.2

Requirements

astunparse==1.6.3
attrs==23.1.0
brotlipy==0.7.0
dnspython==2.4.2
expecttest==0.1.6
fsspec==2023.9.2
hypothesis==6.87.1
joblib==1.3.2
jsonpointer==2.1
matplotlib==3.8.2
mkl-service==2.4.0
nbformat==5.9.2
pandas==2.1.4
pathlib==1.0.1
plotly==5.18.0
pyarrow==14.0.2
python-dateutil==2.8.2
python-etcd==0.4.5
scikit-learn==1.3.2
scipy==1.11.4
sortedcontainers==2.4.0
threadpoolctl==3.2.0
triton==2.1.0
types-dataclasses==0.6.6
tzdata==2023.4

1. Competiton Info

Overview

24시간 내내 운영되는 화학 공정은 이상이 발생하면 막대한 금전적 피해를 입을 수 있습니다. 공정 상태를 예측하고 대비책을 마련하는 것이 중요한 과제인데, 이를 위해서는 공정 데이터를 이해하고 이상 징후를 파악하는 것이 필수적입니다.

본 대회는 화학 공정 데이터를 이용한 이상 탐지(anomaly detection)를 수행하여, 공정 데이터에서 비정상적인 동작을 탐지하는 것을 목표로 합니다. 이를 통해 공정에서 발생할 수 있는 문제를 예측하고 대비할 수 있습니다.

본 대회에서 사용되는 입력 데이터와 출력 데이터는 모두 CSV 파일 형태로 제공됩니다. 입력 데이터로는 약 25만 개의 화학 공정 데이터가 제공되며, 이에 대응하는 약 7만 2천 개의 출력 데이터가 제공됩니다.

이상 탐지를 위한 알고리즘 개발은 화학 공정 분야에서 매우 중요한 과제이며, 이를 통해 공정의 안정성을 높이고 예기치 않은 문제를 예방할 수 있다는 점에서 큰 의미가 있습니다.

Evaluation Metric

본 대회에서는 정상과 이상에 대한 F1-Score 를 계산하여 모델의 성능을 평가합니다.

이상인 경우 : 1

정상인 경우 : 0

사용되는 정답 Label 은 위와 같으며, 실제 정답의 정상/이상과 모델의 정상/이상을 계산하여 F1 Score 를 산출합니다.

Accuracy Score 또한 리더보드에 참고용으로 제공되나, 등수 산정은 F1 Score 만을 기준으로 합니다.

2. Components

Directory

EDA

3. Dimension Reduction

차원 축소

4. Modeling

모델링

5. Result

사후분석

활용방안

• Python Dash를 활용해 InterActive Dashboard를 구성하였습니다. 임시로 전체적인 사진만 업로드 했습니다.

Presentation

• Google Project

etc

Meeting Log

• 전체적인 내용은 진행 Notion, 간트차트에서 확인하실 수 있습니다.
• Apr 8 ~ May 2 : Online & Offline Meeting

Reference

1. 화학 공정 데이터 칼럼 정보