[논문 리뷰] Towards Differentiating Between Failures and Domain Shifts in Industrial Data Streams

Natalia Wojak-Strzelecka, Szymon Bobek외 2명|arXiv (Cornell University)|2026. 03. 09.

Time Series Analysis and Forecasting인용 수 0

한 줄 요약

본 논문은 수정된 Page-Hinkley 변화점 탐지기, 이상 탐지를 위한 온라인 도메인 적응, 그리고 인간 운영자를 돕기 위한 설명 가능한 AI(XAI) 컴포넌트를 결합하여 산업 데이터 스트림에서 실패와 건강한 도메인 시프트를 구분하는 방법을 제시한다.

ABSTRACT

Anomaly and failure detection methods are crucial in identifying deviations from normal system operational conditions, which allows for actions to be taken in advance, usually preventing more serious damages. Long-lasting deviations indicate failures, while sudden, isolated changes in the data indicate anomalies. However, in many practical applications, changes in the data do not always represent abnormal system states. Such changes may be recognized incorrectly as failures, while being a normal evolution of the system, e.g. referring to characteristics of starting the processing of a new product, i.e. realizing a domain shift. Therefore, distinguishing between failures and such ''healthy'' changes in data distribution is critical to ensure the practical robustness of the system. In this paper, we propose a method that not only detects changes in the data distribution and anomalies but also allows us to distinguish between failures and normal domain shifts inherent to a given process. The proposed method consists of a modified Page-Hinkley changepoint detector for identification of the domain shift and possible failures and supervised domain-adaptation-based algorithms for fast, online anomaly detection. These two are coupled with an explainable artificial intelligence (XAI) component that aims at helping the human operator to finally differentiate between domain shifts and failures. The method is illustrated by an experiment on a data stream from the steel factory.

연구 동기 및 목표

• 산업 데이터 스트림에서 건강한 도메인 시프트와 진짜 실패를 구분할 필요성에 동기를 부여한다.
• 분포 변화 탐지, 온라인으로 이상 탐지 모델을 적응시키고 차이를 인간 운영자에게 설명하는 방법을 개발한다.
• 강철 냉간 압연 공정에 대한 사례 연구로 실현 가능성을 시연한다.

제안 방법

• 참조 분포와 근사 분포 사이의 KL 발산으로 보강된 수정된 Page-Hinkley 변화점 탐지기를 사용하여 분포 변화를 식별한다.
• 소스 도메인에서 대상 도메인으로 작은 배치에서 이상 탐지를 적응시키는 도메인 적응 분류기(CCSA)를 사용한다.
• SHAP 설명을 적용하여 도메인 적응 전후의 특징 중요도를 비교하여 인간이 도메인 시프트와 실패를 구분하는 데 도움을 준다.

실험 결과

연구 질문

• RQ1 산업 데이터 스트림의 분포 변화가 건강한 도메인 시프트와 실패로 정확히 구분될 수 있는가?
• RQ2 온라인 도메인 적응과 설명 가능한 AI를 결합하면 표준 이상 탐지/고장 탐지보다 구분이 향상되는가?
• RQ3 SHAP 기반 설명이 도메인 적응 단계에서 어떻게 변화하여 인간 의사결정을 지원하는가?

주요 결과

• 제안된 방법은 표준 이상 탐지기가 달성하는 것 이상으로 도메인 시프트와 실패를 구분할 수 있다.
• CCSA를 활용한 도메인 적응은 작은 대상 도메인 샘플로도 효과적으로 학습을 가능하게 한다.
• SHAP 설명은 적응 중 특징 중요도의 변화를 보여주어 운영자가 도메인 시프트와 실패를 구분하는 데 도움을 준다.
• 강철 냉간 압연 공정 데이터 세트에 대한 실험은 감지 가능한 시프트와 그에 상응하는 설명을 보여준다.