기계학습 문제에서 모델의 성능은 원 데이터의 내부 표현이 반영된 특징 및 퍼포먼스에 직접적인 영향을 미치는 하이퍼파라미터에 좌우된다. 이러한 점에서 비지도 학습은 데이터의 구성을 파악하고 차원 축소 과정을 통해 효과적인 특징 추출을 이룰 수 있다. 본 연구에서는 대표적인 비지도학습 모델인 오토인코더의 구조를 기본으로 한다. 오토인코더는 인코더와 디코더의 구조를 통해 데이터의 특징을 압축해서 표현하며 표현된 특징은 지도학습 과정을 통해 분류 정확도가 산출된다. 본 연구에서는 기계의 건전성 진단을 위해서 오토인코더를 사용하며, 특히 다층 퍼셉트론 구조를 기본으로 하는 오토인코더의 수용 범위를 시계열 데이터에 효과적으로 적용하기 위해서 합성곱 오토인코더를 본 분석 모델로 삼는다. 따라서 합성곱 오토인코더를 통해 시계열 데이터가 갖고있는 시변적 동적 특징이 잠재 표현에 투영될 수 있도록 한다. 비지도 학습 모델에서 모델의 성능이 좋을수록 잠재 표현에는 원 데이터의 주요 특징만 담겨 있다고 할 수 있다. 그렇기 때문에 모델의 성능에 전체적인 영향을 끼치는 하이퍼파라미터 연구는 필수적이다. 이를 위해 휴리스틱방법 외에도 자동으로 하이퍼파라미터를 탐색하는 방법으로는 전통적으로 그리드서치, 랜덤서치가 사용되었다. 그러나 기존에는 기계의 건전성 진단을 위한 특징 추출 성능 향상 연구에서 기존 관측 지점보다 더 높은 성능을 만드는 하이퍼파라미터 탐색 연구가 진행되지 않았다. 따라서 하이퍼파라미터 자동 조정시 베이즈이론을 기반으로한 베이지안 최적화를 적용하여 합성곱 오토인코더에 적용한 연구의 필요성이 존재한다. 본 연구를 통해 시계열 데이터의 특징추출시 기본 오토인코더에 비해 합성곱 오토인코더가 시변적 동적 특징을 더 잘 담아냄을 보인다. 또한 베이지안 최적화가 적용된 하이퍼파라미터 자동 조정 방식을 사용함으로서 전통적으로 사용하던 휴리스틱, 그리드, 랜덤서치에 비해 더 빠르고 낮은 손실함수 값에 도달가능하도록 하였다.
In machine learning, the performance of the model depends on the hyper-parameters that directly affect the characteristics and performance of the internal representation of the raw data. In this sense, unsupervised learning can identify the structure of data and achieve effective feature extraction through dimension reduction process. This study is based on the structure of the Autoencoder, a representative unsupervised learning model. The Autoencoder compresses and expresses the features of the data through the structure of encoder and decoder, and the classification accuracy is calculated through the supervised learning process.In this study, the autoencoder is used to diagnose the health of the machine. In particular, One-Dimensional Convolutional Autoencoder is used as the analytical model in order to effectively apply the range of the Autoencoder based on the multi-layer perceptron structure to the time series data. Thus, the Convolutional autoencoder allows the time-varying dynamics of time series data to be projected onto potential representations.In the unsupervised learning model, the better the model is, the more latent expressions contain the main features of the original data. For this reason, it is essential to study hyperparameters that affect the performance of the model as a whole. For this purpose, grid search and random search have been traditionally used as a method of automatically searching for hyperparameters in addition to the heuristic method. However, there have been no previous researches on the hyperparameter exploration that make the performance higher than the existing observation point in the feature extraction performance improvement for the health diagnosis of the machine. Therefore, there is a need to apply the Bayesian-based Bayesian optimization to hyper-automatic auto-adjustment to One-Dimensional Convolutional Autoencoder. This study shows that the Convolutional Autoencoder has better time-varying dynamic characteristics than the basic Autoencoder for feature extraction of time series data. It also uses hyperparameter auto-adjustment with Bayesian optimization to achieve faster and lower loss function values than traditional heuristics, grid, and random searches.