A Study on the Data-Driven Approach for Anomaly Detection in Electric Power Steering System

Abstract

모델링과 지식 기반 방법론을 통해 전동식 동력 조향(EPS) 시스템의 이상 감지를 중앙 집중화 함에 따라 EPS 시스템은 더욱 복잡하고 고급화된 형태로 발전하여 높은 수준의 품질 보증과 일반 안전이 요구된다. 기존의 대다수 감지 방법이 이전에 감지된 경험적 지식에 의존하고 있다는 점을 감안할 때, 새롭거나 이전에 관찰되지 않았던 이상 현상을 정확하게 식별하는 것은 해결해야 할 과제이다. 본 연구에서는 EPS 센서에서 측정된 데이터의 이상 현상을 감지하기 위해 오토인코더와 장단기 메모리(LSTM) 네트워크로 구성된 2단계 프로세스의 딥러닝 접근법을 제시한다. 이 모델은 오토인코더를 사용하여 EPS 데이터를 학습시켜 데이터 특징을 추출하고 잠재 표현으로 압축한다. 그런 다음 압축된 특징을 LSTM 네트워크에 입력하여 특징 간의 상호 의존성을 파악하고 재구성하여 출력한다. 이상 점수는 출력의 재구성 손실을 기반으로 계산되어 이상 현상을 감지하는데 사용된다. 제안된 접근법의 효율성은 EPS테스트 장치를 사용하여 수집된 샘플 데이터의 수집과 분석을 통해 입증되었다. 비교 결과, 제안된 모델은 이상 감지에서 0.99의 정확도와 수신기 동작 특성 곡선 아래에서 더 높은 영역을 나타내어 다른 기존 방법보다 우수한 성능을 보였다. 이를 통해 제안된 방식이 EPS 이상 감지를 위한 강력한 도구임을 확인하였다. |With the centralization of anomaly detection in electrical power steering (EPS) systems through modeling and knowledge-based methodologies, the EPS systems have evolved to become intricate and advanced, necessitating heightened levels of quality assurance and general safety. Given that the majority of existing detection methods are reliant on pre-existing knowledge, accurately identifying novel or previously unobserved anomalies poses a challenge. In this study, a deep learning approach consisting of a dual-stage process involving an autoencoder and long short-term memory (LSTM) network for detecting anomalies within the data captured from the EPS sensor is presented. The model was trained on EPS data utilizing an autoencoder to extract and compress features into a latent representation. Subsequently, the compressed features are inputted into an LSTM network to capture interdependencies among the features and then reconstructed to obtain an output. An anomaly score was computed based on the reconstruction loss of the output, enabling the detection of anomalies. The efficiency of the presented approach was substantiated through the collection and analysis of sample data obtained from an experiment conducted with an EPS test jig. Comparative results reveal that the proposed model outperforms other methods in anomaly detection, exhibiting an accuracy of 0.99 and a higher region under the receiver operating characteristic curve. This establishes the proposed approach as a robust tool for EPS anomaly detection.