This dissertation address anomaly detection in logistic systems. A logistic system is a system that
manages the flow from the origin to the destination of the logistics. Logistics are carried out by logistics
robots, such as Overhead Hoist Transport system, Autonomous Mobile Robot(AMR), and Automated
Guided Vehicle(AGV). This dissertation covered the following three topics. (1) Calculation of driving
stability when switching control in an autonomous vehicle. (2) Anomaly detection of the OHT system,
which is the backbone of semiconductor logistics. (3) Operational states aware anomaly detection of the
logistics robot.
The first topic, calculation of driving stability, suggests a method to learn driving stability, which is
difficult to define and collect. Calculated driving stability of the proposed model shows similar changes
to driver readiness from actual data. In addition, it was confirmed that the characteristics of stable
driving were learned for data channels not considered for training data. Proposed model calculate the
driving stability based on various driver, vehicle, and environmental data.
In the second topic, the anomaly detection of the OHT system, the study was conducted based on
data collected through the IoT board from the test bed same as the actual semiconductor fab. In previous
anomaly detection studies, little attention has been paid on large facilities such as logistics robots. IoT
board used in the study can collect data and detect anomalies without interruption of factory operation.
Based on the actual data collected from the test bed, we confirm that the proposed model has sufficient
anomaly detection performance.
In the third topic, an anomaly detection considering the characteristics of logistics robots that are
constantly moving and exposed to changing environments. Logistics robots conduct various tasks and
represent different data patterns at each task. By considering these characteristics, we tried to achieve
more robust and better anomaly detection performance. Experiments have confirmed that the proposed
model has a better understanding of the operational states of the logistics robot and more reliable
anomaly detection.
본 학위 연구는 로지스틱 시스템에서의 이상감지 연구를 다룬다. 로지스틱 시스템이란 물류의 출발지부터
목적지까지의 흐름을 관리하는 일련의 계를 말한다. 이때 물류의 운반은 물류 로봇에 의해 이뤄지며 이에는
차량, OHT, AGV 등 다양한 종류가 존재한다. 본 연구에서는 이 물류 로봇에서 발생하는 이상을 감지하는
문제를 다뤘다. 본 학위 논문에서는 다음 세가지 주제를 다루었다. (1) 자율 주행 차량에서 제어권 전환시
운전자의 주행 안정 판단 (2) 반도체 물류의 중추인 Overhead Hoist Transport (OHT) system 의 이상감지
(3) 물류 로봇의 작업 상태에 기반한 이상감지.
첫번째 주제인 운전자 주행 안정 판단은 정의하기 어렵고 수집이 까다로운 주행 안정을 학습할 수 있는
방법을 제시하였고, 이를 바탕으로 실제 데이터에서 운전 준비도와 유사한 주행안정도 변화를 관찰 할 수 있
었다. 또한 안정 주행 데이터에 고려하지 않은 데이터 채널들에 대해서도 안정 주행의 특성을 학습하였음을
실험을 통해 확인할 수 있었다. 심전도 같은 부정확한 Ground Truth에 의존하거나, 정성적인 비교를 주로
하던 기존 연구들의 한계점을 극복하고 다양한 운전자, 차량, 환경 데이터에 기반해 주행 안전을 판단하는
모델을 제시하였다.
두번째 주제인 OHT system의 이상감지 연구에서는 실제 반도체 공장의 물류 설비와 동일한 테스트
베드에서 IoT 보드를 통해 수집한 데이터를 바탕으로 연구가 진행되었다. 기존의 이상감지 연구들에서 물류
로봇과 같이 큰 설비에 대한 연구를 드물었다. OHT 와 관련된 연구도 트랙 전선 이상 감지와 관련된 연구가
유일했다. 연구에 활용된 IoT 설비는 실제 OHT의 중단없이 공장을 그대로 운영하며 데이터를 수집하고 이
상을 진단할 수 있다. 테스트 베드에서 수집된 실제 데이터를 바탕으로 제안 알고리즘이 현장에서 발생하는
여러 종류의 이상에 대해 충분한 이상 감지 성능을 가지고 있음을 확인하였다.
세번째 주제에서는 끊임없이 이동하고, 변하는 환경에 노출되는 물류 로봇의 특성을 반영한 이상감지
연구를 하였다. 물류 로봇들은 계속해서 새로운 작업상태를 부여받고 이때마다 다른 데이터 양상을 띈다.
이러한 특성을 반영하여 더 강건하고 우수한 이상감지를 하고자 하였다. 여러 실험을 통해 제안 모델이
물류로봇의 작업 상태를 더 잘 이해하고 더 신뢰할만한 이상감지를 하고 있음을 확인하였다.
