전기로 NOx 급증, 미리 알아챌 수 있을까

합금철 전기로 공장의 환경 담당자가 가장 곤란한 때는 굴뚝의 질소산화물(nitrogen oxides, NOx) 농도가 갑자기 치솟을 때다. 국내에서는 굴뚝에 설치한 원격 측정기가 NOx를 5분 평균으로 모은다. 30분 평균이 허용 기준(예: 60 ppm)을 연속 세 번 넘거나 한 주에 여덟 번을 넘으면 위반으로 처리된다. 위반하면 큰 과태료나 조업 정지 같은 행정 처분을 받는다.

기준을 넘은 뒤에 움직이면 NOx를 낮추기가 더 어렵고, 더 강하고 비싼 조치가 필요하다. 그래서 질문은 이렇다. 공정 데이터만으로 NOx 급증 직전의 신호를 미리 알아챌 수 있을까?

이 질문에 답한 논문을 한 편 읽어 본다.

제목: Early detection of NOx spikes in ferroalloy electric arc furnace plants
학술지: Process Safety and Environmental Protection
연도: 2026
DOI: 10.1016/j.psep.2025.108253

논문은 전기로(Electric Arc Furnace, EAF)의 운전 데이터와 측정 데이터에서 NOx 급증 직전의 상태를 가려내는 방법을 제안한다. 모형은 장단기 메모리 오토인코더(Long Short-Term Memory Autoencoder, LSTM-AE)다. 이 모형은 정상 운전 데이터만 학습한다. 새 입력을 잘 되살리지 못하면 그 시점을 경보로 판정한다.

이 글에서 쓰는 용어는 다음과 같다.

급증(spike): NOx 농도가 평소 분포에서 정한 상한을 넘은 시점.
조기경보 상태(early warning): 급증이 일어나기 바로 앞의 시점.
재구성 오차(reconstruction error): 모형이 입력을 압축했다가 다시 펼친 값과 원래 입력의 차이. 이 차이가 크면 모형이 처음 보는 패턴이라는 뜻이다.

동기: 기준을 넘는 순간은 짧고 드물어서 기존 예측 모형이 놓친다

왜 NOx 급증을 미리 알아야 하는가

논문이 드는 이유는 다음과 같다.

전기로 안의 온도는 1600 ◦C를 넘을 수 있다. 이 온도에서는 공기 중 질소와 산소가 반응해 열적 NOx가 생긴다.
대기로 나간 NOx는 햇빛 아래에서 미세먼지와 오존 같은 2차 오염물질이 된다. 이 물질은 호흡기·심혈관 질환과 생태계 훼손에 영향을 준다.
유럽 산업배출지침과 국내 대기환경보전법, 대기오염물질 총량관리제도가 NOx를 엄격히 규제한다.
전기로 배가스는 반건식 반응기(Semi-Dry Reactor, SDR)에서 황산화물을 줄이고 백필터에서 먼지를 걸러 낸다. 그런데 NOx는 대부분 처리되지 않은 채 굴뚝으로 나간다.
원료 투입이 불규칙하고 연료 조성과 연소 조건이 바뀌면 NOx가 짧게 치솟는다. 이 급증은 환경 피해와 함께 경제 손실을 낳는다.

전용 NOx 저감 설비인 선택적 촉매 환원(Selective Catalytic Reduction, SCR)은 촉매 교체와 암모니아 주입 비용이 계속 든다. 논문은 조기 감지를 SCR, 선택적 비촉매 환원(Selective Non-Catalytic Reduction, SNCR)과 함께 쓰는 보완 수단으로 본다. 비용을 적게 들이면서 규제를 지키는 데 도움이 된다는 판단이다.

기존 연구가 다루지 않은 부분

NOx 연구는 대부분 배출 농도 자체를 예측하는 회귀 모형을 만들었다. 전기로에서는 칼만 필터로 잡음을 줄인 뒤 LSTM으로 NOx를 예측하고 SHAP(Shapley Additive Explanations)으로 주요 변수를 찾은 연구가 있다. 화력발전과 소각로에서도 변수 선택, 이상치 제거, 평활화를 거친 예측 모형이 여럿 나왔다.

이 모형은 NOx와 운전 변수의 관계를 밝히는 데 쓸모가 있다. 하지만 논문은 다음 빈틈을 짚는다.

급증은 데이터에서 아주 작은 비중이라 모형 학습에 거의 기여하지 못한다.
이상치 제거와 평활화 같은 전처리가 급증 자체를 지워 버린다.
회귀 모형은 평균제곱근오차(RMSE)나 결정계수(R2)처럼 연속값 예측 지표로 평가한다. 이 지표는 전체 예측 능력을 나타낼 뿐, 드문 사건을 미리 잡는 능력을 따로 평가하지 않는다.
제지 설비 고장, 증기 터빈, 모래 먼지, 도시가스 배관 누출에서는 조기경보 연구가 있었다. 그러나 전기로 NOx 급증을 직접 다룬 연구는 드물다.
전기로는 환경이 거칠어 센서를 달고 관리하기 어렵다. 급증 직전의 미세한 변화를 잡을 고성능 센서를 갖추기도 어렵다.

방법: 정상 상태만 학습한 모형이 낯선 패턴을 경보로 알린다

논문은 방법을 네 단계로 설명한다. 1단계에서는 NOx와 상관이 높은 변수를 정한다. 2단계에서는 사분위범위(Interquartile Range, IQR)로 급증을 정의하고, 급증 직전 시점에 조기경보 라벨을 붙인 뒤 데이터를 나눈다. 3단계에서는 정상 데이터로만 LSTM-AE를 학습하고 정밀도-재현율 곡선으로 경보 임계값을 정한다. 4단계에서는 시험 데이터의 재구성 오차가 임계값을 넘으면 조기경보로 분류하고 여러 지표로 성능을 평가한다.

그림 1. NOx 급증 조기 감지는 변수 선정, 급증 정의와 라벨링, 정상 데이터 학습, 재구성 오차 판정의 네 단계로 이루어진다.

사례와 자료

분석 대상은 국내 합금철 생산 현장이다. 기간은 2023년 3월 10일부터 12월 31일까지 297일이다. 데이터는 세 곳에서 5분 평균으로 모았다.

전기로: 전극 깊이, 전력 사용량, 냉각수 유량, 집진 덕트 온도 등 8개 변수.
배가스 정화 설비: SDR 입구·출구 온도, 백필터 압력, 유인 송풍기 전력 등 6개 변수.
원격감시체계(Tele-Monitoring System, TMS): 배가스의 NOx, SOx, 산소, 먼지, 온도, 유량 6개 변수.

변수는 모두 8+6+6=20개다. 원자료는 58,965건이다.

연구진은 정비와 일시 정지 때문에 7월 15일부터 10월 1일까지의 데이터를 뺐다. NOx가 6회 넘게 연속으로 비어 있거나 0인 구간도 비정상으로 보고 뺐다. 남은 빈값은 앞뒤 값을 잇는 선형 보간으로 채웠다. 그 결과 53,250건이 남았고, 원자료의 약 10 %가 빠졌다.

1단계: NOx와 함께 움직이는 변수 정하기

입력: 20개 운전·측정 변수의 5분 평균 시계열
처리: 피어슨 상관계수 계산, 전문가 검토
산출: 모형에 넣을 7개 변수

변수마다 NOx와의 피어슨 상관계수를 계산한다.
절댓값이 0.30보다 큰 변수를 후보로 뽑는다.
현장 엔지니어, 공정 관리자, 연구자가 후보의 물리적 타당성을 검토한다.

상관계수는 −1부터 +1 사이의 값이다. ±1에 가까울수록 두 변수가 직선 관계로 함께 움직이고, 0에 가까우면 관계가 약하다. 0.30은 0.30~0.70을 보통 수준의 상관으로 보는 관례를 따른 값이다. 연구진은 비선형 관계를 다 잡는 것보다 전문가가 빨리 검토할 후보를 직관적으로 추리는 쪽을 택했다.

기준을 넘은 변수는 6개였다.

배가스 산소: |r| ≈ 0.86
배가스 온도: |r| ≈ 0.57
배가스 SOx: |r| ≈ 0.49
전력 사용량: |r| ≈ 0.37
배가스 먼지: |r| ≈ 0.34
전극 깊이: |r| ≈ 0.32

전문가 검토에서는 다음 의견이 나왔다. 배가스 온도가 높으면 연소 반응이 빨라져 NOx가 늘어난다. 전력 입력이 흔들리면 아크 세기와 온도가 흔들려 NOx에 영향을 준다. 전극 깊이는 노 내부의 운전 조건을 반영한다. 최종 입력은 NOx 자신을 더한 7개 변수다.

2단계: 급증을 정의하고 직전 시점에 경보 라벨 붙이기

입력: 53,250건의 NOx 시계열
처리: IQR 상한 계산, 시간 이동 라벨링, 구간 단위 분할
산출: 정상·조기경보 라벨과 학습·검증·시험 데이터

NOx 전체 분포에서 1사분위수(Q1)와 3사분위수(Q3)를 구한다.
상한(UB)을 Q3 + 1.5 × (Q3 − Q1)로 계산하고, 상한을 넘은 시점을 급증으로 표시한다.
급증 바로 앞 시점에 조기경보 라벨을 붙이고, 급증 시점 자체는 데이터에서 뺀다.
데이터를 20개 구간으로 나눠 학습·검증·시험에 무작위로 배정한다.

IQR 방법은 데이터가 정규분포를 따른다고 가정하지 않는다. 그래서 한쪽으로 치우친 배출 데이터에 알맞다. 이 데이터의 NOx는 평균 28.32 ppm, 표준편차 17.60 ppm이었고 0~458.95 ppm 범위였다. Q1은 16.36 ppm, Q3은 38.66 ppm이다. IQR은 38.66 − 16.36 = 22.30이고, 상한은 38.66 + 1.5 × 22.30으로 계산해 논문은 72.10 ppm을 보고했다.

이 상한을 넘은 데이터는 전체의 0.25 %였다. 정상 데이터와의 비율은 약 400:1이다. 급증은 105건이었다. 평균 지속 시간은 약 6분, 중앙값은 5분, 가장 긴 것은 25분이었다.

연구진은 평균에 표준편차 세 배를 더하는 3시그마 방식과도 비교했다. 이 방식의 기준은 약 81.12 ppm으로, 국내 규제 기준 60 ppm보다 크게 높다. IQR 상한이 규제 기준에 더 가까워 현장 기준으로 쓰기에 알맞다는 판단이다.

라벨은 시간 이동(time-shifting) 방식으로 붙였다. 예를 들어 시점 t에 급증이 일어나고 이동 길이가 2단계이면, t−2와 t−1이 조기경보가 된다. 1단계는 5분이다. 연구진은 1~~4단계(5~~20분)를 모두 시험했다.

이동 길이에 따라 조기경보 데이터의 양이 달라진다. 1단계(5분)로 잡으면 정상 53,116건, 조기경보 106건(0.20 %)이다. 4단계(20분)로 늘리면 조기경보는 378건(0.71 %)이 된다. 어느 길이로 잡아도 조기경보는 1 %가 안 된다.

분할 방식에도 이유가 있다. 합금철 공정은 날마다, 달마다 생산량과 원료가 달라 조기경보가 특정 기간에 몰린다. 시간 순서대로 자르면 시험 구간에 경보가 거의 없을 수 있다. 그래서 20개 구간 가운데 12개를 학습, 4개를 검증, 4개를 시험에 무작위로 배정했다. 대표 결과(난수 시드 50)에서 학습 31,866건, 검증 10,620건, 시험 10,622건이 나왔다. 라벨을 붙인 뒤에는 최소-최대 정규화로 변수 범위를 맞췄다.

3단계: 정상 데이터로 LSTM-AE 학습하고 임계값 정하기

입력: 학습·검증 구간의 정상 데이터(7개 변수)
처리: LSTM-AE 학습, 격자 탐색, 정밀도-재현율 곡선 작성
산출: 학습된 모형과 경보 임계값

인코더가 짧은 시계열을 작은 벡터로 압축한다.
디코더가 그 벡터에서 원래 시계열을 되살린다.
평균제곱오차가 작아지도록 가중치를 고친다.
검증 데이터로 정밀도-재현율 곡선을 그려 임계값을 정한다.

평균제곱오차는 원래 값과 되살린 값의 차이를 제곱해 평균한 값이다. 정상 패턴만 배운 모형은 정상 입력을 잘 되살려 오차가 작다. 처음 보는 패턴이 들어오면 오차가 커진다.

모형 구조는 다음과 같다.

인코더: LSTM 32개 유닛, 이어서 16개 유닛 층이 고정 길이 벡터를 만든다.
반복 층: 이 벡터를 입력 길이만큼 복제한다.
디코더: LSTM 16개 유닛, 이어서 32개 유닛 층을 둔다.
출력 층: 시점마다 7개 변수를 되돌려 입력과 모양을 맞춘다.

격자 탐색 범위는 다음과 같다. 입력 길이 1~~8, 학습률 0.001~~0.01, 반복 횟수 30·60·100·200, 배치 크기 32·64·128·256, 조기 종료 인내값 5·6·8이다. 최적화 알고리즘은 Adam으로 정했다.

정답 라벨을 직접 학습하는 분류 모형을 쓰지 않은 이유는 불균형이다. 이런 모형은 다수 집단 쪽으로 치우쳐 드문 사건을 놓치기 쉽다. 트랜스포머나 생성적 적대 신경망(Generative Adversarial Network, GAN)도 검토했다. 그러나 53,250건은 이런 모형을 학습하기에 적고, 급증 감지에는 짧은 입력이 더 효과적이라 제외했다.

임계값은 검증 데이터의 정밀도 곡선과 재현율 곡선이 만나는 지점으로 정했다. 입력 길이 2, 이동 길이 1단계 모형에서 이 값은 0.00595였다. 재구성 오차가 0.00595를 넘으면 조기경보, 넘지 않으면 정상이다.

4단계: 시험 데이터 분류와 성능 평가

입력: 시험 데이터와 3단계의 임계값
처리: 재구성 오차 계산, 혼동행렬 작성, 지표 계산
산출: 정밀도, 재현율, F1 점수, AUC, MCC

시험 데이터를 모형에 넣어 재구성 오차를 구한다.
임계값과 비교해 정상과 조기경보로 분류한다.
실제 라벨과 맞춰 참양성·거짓양성·참음성·거짓음성을 집계한다.
다섯 가지 지표를 계산한다.

지표의 뜻은 다음과 같다.

정밀도: 경보를 낸 것 가운데 실제 조기경보인 비율.
재현율: 실제 조기경보 가운데 모형이 찾아낸 비율.
F1 점수: 정밀도와 재현율의 조화평균. 2 × 정밀도 × 재현율 ÷ (정밀도 + 재현율)로 계산한다.
AUC(Area Under the ROC Curve): 임계값을 바꿔 가며 그린 수신자 조작 특성 곡선의 아래 넓이. 1에 가까울수록 두 집단을 잘 나눈다.
MCC(Matthews Correlation Coefficient): 혼동행렬의 네 값을 모두 쓰는 지표로, −1부터 +1 사이다. 불균형 데이터에서 자주 쓴다.

계산 예를 하나 들어 본다. 최종 모형의 정밀도는 0.350, 재현율은 0.212다. F1 점수는 2 × 0.350 × 0.212 ÷ (0.350 + 0.212) = 0.1484 ÷ 0.562 = 0.264다. 연구진은 불균형 데이터에서 정밀도나 재현율 하나만 보면 판단이 틀어질 수 있어 F1 점수를 우선 기준으로 삼았다.

변형과 시나리오

결과를 바꾸는 설정은 세 가지다.

이동 길이: 길게 잡을수록 조기경보 데이터가 는다(1단계 106건, 4단계 378건). 격자 탐색 상위 다섯 모형 가운데 넷이 1단계(5분)였다.
임계값 선택: 위험 예방이 우선인 현장은 재현율에, 공정 안정이 우선인 현장은 정밀도에 무게를 둘 수 있다. 규제 기준에 맞춘 고정값도 쓸 수 있다.
급증 기준의 기간: 연구진은 전체 분포로 단일 기준을 정했다. 일별·월별로 기준을 따로 두는 방식은 후속 과제로 남겼다.

결과: 7개 변수와 LSTM-AE 조합이 F1 0.264로 가장 높았다

그림 2. LSTM-AE의 F1 점수가 0.264로 가장 높았지만, 기준 모형 및 단순 임계값 방식과의 차이는 크지 않았다.

이동 길이와 입력 길이 조합 비교

연구진은 격자 탐색으로 만든 모형을 F1 점수 순으로 비교했다. 1위는 이동 길이 1단계, 입력 길이 2단계 조합이었다. F1 점수 0.264, AUC 0.768, MCC 0.271이다. 2위(입력 3단계)는 F1 0.259, 3위(입력 1단계)는 0.250이었다. 이동 길이 2단계 조합은 F1 0.217로 5위였다.

이 데이터에서는 이동 1단계, 입력 2단계 조합의 F1이 가장 높았다. 급증 5분 전의 신호가 10분 전보다 더 뚜렷했기 때문일 수 있다. 다만 이것은 필자의 추정이며, 논문이 입증한 내용은 아니다.

입력 변수를 어떻게 정할지 비교

다음은 입력 변수 구성을 바꿔 본 비교다. NOx만 넣은 모형은 F1 0.217, AUC 0.622였다. 전체 변수를 넣은 모형은 F1 0.235, AUC 0.770이었다. 7개 변수 모형은 F1 0.264, MCC 0.271로 F1과 MCC가 가장 높았다.

F1과 MCC 기준으로는 7개 변수 모형이 앞섰다. AUC는 전체 변수 모형(0.770)과 7개 변수 모형(0.768)이 비슷했다. 전체 변수 모형은 NOx만 넣은 모형보다 F1이 높았지만, 7개 변수 모형보다는 낮았다. 이 비교는 이 데이터의 한 가지 분할에서 나온 결과다.

다른 모형과 비교

LSTM-AE를 다섯 가지 기준 모형과 비교했다. 기준 모형은 LSTM, AE(Autoencoder), VAE(Variational Autoencoder), DNN(Deep Neural Network), XGBoost다. LSTM-AE와 LSTM은 여러 시점을 입력으로 받고, 나머지는 한 시점의 7개 변수만 받는다.

핵심 수치는 다음과 같다.

LSTM-AE: 정밀도 0.350, 재현율 0.212, F1 0.264.
LSTM: 정밀도 0.161, 재현율 0.476, F1 0.241.
DNN: 정밀도 0.144, 재현율 0.485.
VAE: AUC 0.782, F1 0.208.

LSTM-AE는 F1 점수와 MCC(0.271)에서 가장 높았다. LSTM과 DNN은 재현율이 높지만 정밀도가 낮아 오경보가 많다. AUC는 VAE가 가장 높았지만 정해진 임계값에서의 F1은 가장 낮았다. F1 기준으로 LSTM-AE가 가장 높았지만 모형 간 차이는 크지 않았다. 한 시점만 입력받는 AE의 F1(0.235)도 LSTM(0.241)과 거의 같았다.

규제 기준을 그대로 쓰는 방식과 비교

현장에서 가장 쉽게 떠올릴 대안은 NOx가 일정 값을 넘으면 경보를 내는 방식이다. 연구진은 기준을 40~70 ppm으로 바꿔 가며 이 방식을 평가했다.

기준을 낮추면 재현율은 오르지만 정밀도가 떨어진다. 이동 1단계에서 기준을 40 ppm으로 두면 재현율은 0.788이지만 정밀도는 0.011이고, F1은 0.021에 그친다. 60 ppm에서는 정밀도 0.057, 재현율 0.364, F1 0.098이다. 표에서 F1이 가장 높은 조합은 4단계·60 ppm으로 0.206이었다.

이 방식의 F1 점수는 가장 높아도 0.21이다. 규제 기준을 넘었다고 해서 곧 급증이 온다는 뜻은 아니어서 오경보가 많이 생긴다.

논문은 LSTM-AE의 F1 점수가 이 방식보다 6~9 % 높다고 적었다. 논문은 이 값이 %p 차이인지 상대 비율인지 명시하지 않았다. 수치상으로는 F1 값의 %p 차이와 맞는다. 시험 데이터 기준으로는 0.264 − 0.206 = 0.058, 곧 약 6 %p 차이다. 추가 데이터의 F1 0.30을 단순 임계값 방식에서 가장 높게 나온 F1 0.21과 비교하면 0.30 − 0.21 = 0.09, 곧 9 %p 차이다.

안정성, 추가 데이터, 계산 부담

난수 시드를 10, 42, 44, 50으로 바꿔 데이터를 다시 나눠도 F1과 MCC의 변동은 ±1.5 % 안이었다. 학습에 쓰지 않은 2024년 1월 1~24일 데이터에서는 정밀도, 재현율, F1 점수가 모두 0.30이었다. 연구진은 이 결과를 근거로 모형이 과적합되지 않았다고 판단했다. 다만 같은 현장의 24일 데이터라 일반화하려면 더 많은 검증이 필요하다.

모형의 파라미터는 약 16,871개다. 일반 워크스테이션에서 한 건 추론에 평균 20.6 ms가 걸렸고, 초당 약 48건을 처리했다. TMS가 5분마다 값을 저장하므로 실시간 운영에 충분한 속도다.

F1 0.26~~0.30은 낮아 보인다. 연구진은 급증 직전 시점이 정상과 매우 비슷하고, 조기경보 비율이 0.20~~0.71 %에 그치기 때문이라고 설명한다. 시간 이동 라벨로 고장을 미리 감지한 선행(先行) 연구도 F1 0.10을 보고했다.

의의와 한계

무엇이 달라지는가

NOx 연구의 질문을 “농도가 얼마일까”에서 “곧 급증이 올까”로 바꿨다.
이상치로 지우던 급증을 오히려 분석 대상으로 삼고, 직전 시점에 라벨을 붙였다.
급증 기준을 IQR로 정하고 3시그마 방식, 국내 규제 기준과 비교해 타당성을 확인했다.
정상 데이터만 학습하는 재구성 방식으로 약 400:1의 불균형을 다뤘다.
다섯 가지 기준 모형과 단순 임계값 방식에 대해 성능을 비교해 보였다.

실무자에게 주는 쓸모

이 모형은 5분 평균으로 모은 기존 운전·측정 데이터로 돌아간다. 논문은 경보를 전력 입력, 전극 깊이, 냉각수 유량 조정에 활용해 노 상태를 안정시킬 수 있다고 제안한다. 이 조정의 효과를 검증하지는 않았다. SCR이나 SNCR이 있는 현장은 경보에 맞춰 암모니아 주입량을 실시간으로 조정할 수 있다. 모형이 가벼워 기존 제어 시스템에 붙이기도 쉽다.

연구자에게 주는 쓸모

시간 이동 라벨과 재구성 오차를 결합한 설계는 시멘트 소성로, 소각로, 화력발전처럼 배출이 가끔 치솟는 다른 고온 공정에도 옮겨 쓸 수 있다. 정밀도-재현율 곡선에서 임계값을 정하는 절차, 분포 기준과 규제 기준을 비교하는 절차는 다른 오염물질 연구에서도 그대로 쓸 수 있다. 불균형이 극단적인 문제에서 F1 0.26~0.30이 어떤 수준인지 판단할 비교 자료도 이 논문에서 얻을 수 있다.

논문이 밝힌 한계

논문이 스스로 밝힌 한계는 여섯 가지다.

데이터 기간과 범위: 합금철 전기로 데이터만 썼다. 계절 변화와 공정 변화를 반영하려면 더 긴 기간의 데이터가 필요하고, 합금 종류·노 운전·원료 조건이 다른 공정에서도 검증해야 한다.
변수의 지연 효과: 공정 변수가 NOx에 바로 영향을 주지 않을 수 있는데, 지연 시간을 정교하게 맞추지 못했다.
모형 구조: LSTM-AE 하나에 기대었다. 데이터가 쌓이면 트랜스포머나 GAN을 시험해야 한다.
측정 간격: 5분 평균은 빠른 연소 반응의 중간 변화를 다 담지 못한다. 1초, 30초, 1분 간격도 시험해야 한다.
변수 선정: 피어슨 상관은 선형 관계만 본다. 비선형 관계를 잡는 기법이 필요하다.
고정 임계값: 급증 기준과 경보 임계값을 하나로 고정했다. 기간별 기준이나 동적 임계값은 앞으로 다룰 과제다.

필자가 보는 적용 조건

아래는 논문에 적힌 내용이 아니라 필자가 실무 적용을 염두에 두고 덧붙이는 조건이다.

오경보를 감당할 운영 절차가 있어야 한다. 정밀도 0.350은 경보 100건 가운데 약 35건만 실제 조기경보라는 뜻이다(100 × 0.350 = 35). 나머지 65건(100 − 35)에 운전원이 어떻게 반응할지 미리 정해 두어야 한다.
급증 사례가 검증 구간에 충분히 있어야 한다. 임계값을 정밀도-재현율 곡선으로 정하므로 검증 데이터에 조기경보가 적으면 임계값이 불안정해진다.
실제 운영은 과거 데이터로 미래를 판단한다. 무작위 구간 분할로 얻은 성능을 그대로 기대하기보다, 시간 순서로 나눈 시험을 한 번 더 해 보는 편이 안전하다.
원료나 설비가 바뀌면 IQR 상한과 임계값을 다시 계산해야 한다.

바로 해 볼 일

자기 공장의 TMS 데이터로 논문 절차의 첫 단계를 따라 해 볼 수 있다.

5분 평균 NOx 데이터에서 Q1과 Q3을 구하고, Q3 + 1.5 × (Q3 − Q1)로 상한을 계산한다. 이 상한을 자기 사업장의 규제 기준과 나란히 놓고 비교한다.
상한을 넘은 급증의 건수, 평균 지속 시간, 최장 지속 시간을 집계한다. 급증 직전 1단계(5분)에 조기경보 라벨을 붙였을 때 그 비율이 전체의 몇 %인지 확인한다.
운전 변수마다 NOx와의 피어슨 상관계수를 구해 절댓값 0.30이 넘는 변수를 추린다. 이 목록을 현장 엔지니어와 함께 검토해 물리적으로 설명되는 변수만 남긴다.