베어링 고장 진단은 기계 시스템의 안정성과 성능을 유지하는 데 핵심적인 요소이며, 이상 징후 탐지 및 예측을 위한 신뢰할 수 있는 방법이 필요하다. 전통적인 보수적 유지보수 접근과 달리, 실시간 상태 모니터링을 통해 선제적 예방 조치를 가능하게 하는 예측 유지보수의 중요성은 지속적으로 증가하고 있다. 본 연구에서는 정상 및 비정상 베어링 상태를 효과적으로 구분하는 동시에 잠재적 고장을 사전에 예측하는 딥러닝 방법을 제안한다. 이를 위해 지도 학습 트랜스포머 아키텍처를 기반으로 한 시계열 이상 징후 탐지 모델을 개발한다. 제안된 모델은 정상 진동 데이터로부터 네 가지 유형의 합성 이상을 생성하여 데이터 불균형 문제를 해결하며, 계산 비용을 절감하고 장기 의존성에 대한 처리 능력을 향상시키기 위해 피라미드 구조의 어텐션 모듈을 통합한다. 실제 베어링 진동 데이터셋에 대한 실험 결과, 기존 모델에 비해 F1 점수가 6%p 이상 향상되었으며, 특정 실험 환경에서 계산 비용이 유의하게 감소함을 보였다. 본 연구는 베어링 고장을 초기 단계에서 신뢰성 있게 식별하고 예측함으로써 유지보수 비용을 절감하고 시스템 안정성을 향상하는 데 기여한다. 또한 다양한 회전 기계 시스템에서의 상태 모니터링 및 이상 징후 탐지에 광범위하게 적용될 것으로 기대된다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.