앙상블 학습과 데이터 전처리 기법 최적화를 통한 산업용 압축 공기 누출 감지 시스템 구축

Development of an Industrial Compressed Air Leak Detection System through Optimization of Ensemble Learning and Data Preprocessing

본 연구는 압축 공기 누출 문제의 효과적인 해결을위해 AI 기반의 감지 모델을 개발하였다. 먼저 데이터전처리 단계에서 선형 회귀법과 다중 대체법을 적용한예측 모델의 성능을 비교 분석하였다. 이를 바탕으로XGBoost와 LightGBM 알고리즘을 활용하여 공기 누출감지 모델을 구축하였으며, 실제 데이터를 통한 검증으로 모델의 실효성을 입증하였다. 정확도, 정밀도, 재현율, F1 스코어, AUROC 등 다양한 평가 지표를 통해모델의 성능을 검증한 결과, 다중 대체법과 LightGBM 을 결합한 모델이 가장 우수한 성능을 보였다. 본 연구에서 개발한 AI 기반 감지 모델은 압축 공기를 사용하는 산업 현장에서 공기 누출을 사전에 예측함으로써, 현장의 안전성 향상과 검침 작업의 효율성 제고에 기여할 것으로 기대된다.

This study developed an AI-based detection model for effectively addressing compressed air leakage issues. Initially, we compared and analyzed the performance of prediction models applying linear regression and multiple imputation by chained equations(MICE) in the data preprocessing stage. Based on these findings, we constructed air leakage detection models using XGBoost and LightGBM algorithms, and validated their effectiveness through real-world data verification. Through various performance metrics including accuracy, precision, recall, F1-score, and AUROC, our evaluation demonstrated that the model combining MICE with LightGBM achieved the best performance. The AI-based detection model developed in this study is expected to contribute to improving workplace safety and enhancing inspection efficiency by predicting air leakage in advance in industrial settings where compressed air is utilized.