회전 베어링은 현대 산업에서 중요한 역할을 하지만, 고속·고하중 조건과 열악한 운용 환경에서 작동하기 때문에 결함이 발생할 확률이 높다. 따라서 결함이 있는 베어링을 진단하는 과정에서 지연 시간이 발생하면 경제적 손실과 인명 피해로 이어질 수 있다. 또한 신호를 수집하는 진동 센서는 운용 환경과 주변 소음의 영향을 크게 받으므로, 소음이 존재하는 환경에서의 정확한 결함 진단 또한 중요하다. 본 논문에서는 소음 환경에서도 정확하며 실시간 고장 진단이 가능한 경량·강인성 네트워크(LSR-Net)를 제안한다. 이를 위해 먼저, 컨볼루션 기반 노이즈 제거(CD) 블록으로 구성된 감쇠 모듈(DM)을 통과한 feature-map에 여러 비선형성을 부여하여 3채널 2D 매트릭스를 생성하도록 노이즈 제거 및 특징 강화 모듈(DFEM)을 설계하였다. 아울러 소음의 전력이 강할 때 노이즈 제거 능력을 향상시키기 위해 DM에 적응적 프루닝을 적용하였다. 다음으로, 경량 모델 설계를 위해 그룹 컨볼루션(GConv), 그룹 포인트와이즈 컨볼루션(GPConv) 및 채널 분할을 사용하여 파라미터 수를 낮게 유지하면서 모델을 설계할 수 있는 컨볼루션 기반 효율 셔플(CES) 블록을 설계하였다. 또한 경량 설계로 인해 발생할 수 있는 정확도와 모델 연산 복잡도 사이의 트레이드오프는 어텐션 메커니즘과 채널 셔플을 통해 보완하였다. 제안된 모델의 결함 진단 성능을 검증하기 위해 진동 신호를 사용하여 소음 환경에서 성능 검증을 수행하였다. 그 결과, 제안된 모델이 벤치마크 모델들에 비해 가장 우수한 항노이즈 능력을 보유함과 동시에 모델의 연산 복잡도 또한 가장 낮음을 확인하였다.

선박은 해상 운송, 관광, 탐사 등 현대 사회에서 핵심적인 역할을 수행한다. 선박 운항의 핵심 구성요소인 주기관에서의 오작동 또는 결함은 정상 기능을 방해하여 상당한 재정적 손실로 이어질 수 있다. 따라서 비정상적인 엔진 상태에 대한 조기 고장 진단은 효과적인 유지보수에 있어 매우 중요하다. 본 논문에서는 배기가스 온도 데이터를 활용한 선박 주기관 고장 진단을 위한 딥 하이브리드 모델을 제안한다. 제안 모델은 시간영역 특징(TDFs)과 시계열 원시 데이터의 두 가지 유형의 데이터를 모두 사용한다. 각 유형의 데이터로부터 효율적으로 특징을 추출하기 위해, 서로 다른 두 개의 특징 추출 네트워크와 어텐션 모듈 기반 분류기를 설계하였다. 모델 성능은 대형 선박의 저속 2행정 주기관에서 수집한 실제 실린더 배기가스 온도 데이터를 사용하여 평가하였다. 실험 결과, 제안 방법은 고장 진단 정확도에서 기존 방법보다 우수한 성능을 보였다. 또한 제안 방법은 최선의 기존 방법과 비교하여 고장 진단 정확도를 6.146% 향상시켰다. 더 나아가 제안 방법은 현실적인 산업 환경에서 소음이 있는 상황에서도 우수한 성능을 유지한다. 본 연구는 단일 센서 신호인 배기가스 온도를 이용한 데이터 기반 고장 탐지의 가능성을 보여주며, 향후 다중 센서 진단 시스템을 위한 확장 가능한 기반을 제공한다.

베어링은 산업 현장에서 널리 사용되는 전기 모터의 핵심 구성요소로서 중요한 역할을 한다. 이러한 베어링에 결함이 발생하면 심각한 모터 고장을 유발하여 전체 시스템의 가동 중단 시간이 크게 발생할 수 있다. 따라서 시스템 가동 중단 시간을 최소화하고 생산 효율을 향상시키기 위해서는 베어링 결함의 신속한 탐지가 필수적이다. 기존 연구는 주로 컨볼루션 신경망(convolutional neural network, CNN) 기반 및 순환 신경망(recurrent neural network, RNN) 기반 모델을 활용한 베어링 고장 진단에 초점을 두어 왔다. 그러나 이러한 모델들은 학습에 높은 계산 복잡도를 요구하는 경우가 많으며, 센서에서 수집한 시계열 데이터나 시계열 데이터를 기반으로 생성된 이미지 데이터와 같은 고차원 데이터를 필요로 한다. 이러한 모델을 적용하면 고장 진단 과정에서 상당한 지연이 발생할 수 있어, 실제 산업 환경에 덜 적합할 수 있다. 본 연구에서는 시계열 전류 데이터를 변환하여 얻은 시간 영역 특징(time domain features, TDF)을 활용함으로써 학습 및 추론 시간을 모두 줄이기 위한 혁신적인 접근 방식을 제안한다. TDF는 모델의 학습과 추론을 용이하게 하기 위해 사용할 수 있는 저차원 데이터 표현을 제공한다. 또한 제안된 모델은 잔차 구조(residual structure)와 조밀 연결 구조(dense connectivity structure)를 기반으로 한 선형 레이어를 사용하여 성능을 향상시키고 모델 복잡도를 줄인다. 제안 방법의 효과를 평가하기 위해 학습과 추론에는 Paderborn University 베어링 데이터셋을 사용한 시뮬레이션을 수행하였다. 실험 결과에서, 제안 방법은 모델 복잡도와 고장 진단 정확도 측면에서 기존 방법보다 우수함을 보였다.

우리는 대량의 센서 데이터가 무선 IoT 기기들로부터 중앙 서버로 전송되어 시스템 거동을 분류하는 인터넷 사물인터넷(IoT) 네트워크를 고려한다. IoT 기기와 그 센서의 수가 매우 클 때, 데이터 간 상관관계가 높기 때문에 서버에서 수집된 데이터의 중복성도 매우 높을 수 있다. IoT 기기에서 센서 데이터를 압축하여 이러한 중복성을 줄이면 전송 전력을 크게 감소시킬 수 있으나, 분류 정확도는 또한 감소할 수 있다. 우리의 목적은 총 전송 전력 제약 하에서 각 기기에서의 압축 비율을 결정하여 분류 정확도를 최대화하는 것이다. 다중사용자 무선 네트워크에서의 전통적인 자원 할당에서는 분류 정확도를 직접적으로 고려할 수 없는데, 이는 통상 데이터와 무관(data-agnostic)하게 수행되기 때문이다. 반면에 딥러닝에서는 데이터셋을 사용하여 신경망 아키텍처를 학습함으로써 분류 정확도를 최대화할 수 있다. 그러나 딥러닝은 자원 할당에 필수적인 무선 채널 정보를 보통 고려하지 않는다. 본 논문에서는 무선 채널 상태 정보와 데이터 기반 접근을 모두 활용하여, 총 전송 전력 제약을 만족하면서 서버에서의 분류 정확도를 최대화하기 위한 이진화된 신경망(binarized neural network) 기반 자원 할당 방식을 제안한다. 실험 결과, MNIST 및 CIFAR-10 데이터셋을 사용한 본 제안 방식은 분류 정확도를 크게 향상시킬 수 있음을 보인다.

회전 베어링은 현대 산업에서 중요한 역할을 하지만, 고속·고하중 조건과 열악한 운용 환경에서 작동하기 때문에 결함이 발생할 확률이 높다. 따라서 결함이 있는 베어링을 진단하는 과정에서 지연 시간이 발생하면 경제적 손실과 인명 피해로 이어질 수 있다. 또한 신호를 수집하는 진동 센서는 운용 환경과 주변 소음의 영향을 크게 받으므로, 소음이 존재하는 환경에서의 정확한 결함 진단 또한 중요하다. 본 논문에서는 소음 환경에서도 정확하며 실시간 고장 진단이 가능한 경량·강인성 네트워크(LSR-Net)를 제안한다. 이를 위해 먼저, 컨볼루션 기반 노이즈 제거(CD) 블록으로 구성된 감쇠 모듈(DM)을 통과한 feature-map에 여러 비선형성을 부여하여 3채널 2D 매트릭스를 생성하도록 노이즈 제거 및 특징 강화 모듈(DFEM)을 설계하였다. 아울러 소음의 전력이 강할 때 노이즈 제거 능력을 향상시키기 위해 DM에 적응적 프루닝을 적용하였다. 다음으로, 경량 모델 설계를 위해 그룹 컨볼루션(GConv), 그룹 포인트와이즈 컨볼루션(GPConv) 및 채널 분할을 사용하여 파라미터 수를 낮게 유지하면서 모델을 설계할 수 있는 컨볼루션 기반 효율 셔플(CES) 블록을 설계하였다. 또한 경량 설계로 인해 발생할 수 있는 정확도와 모델 연산 복잡도 사이의 트레이드오프는 어텐션 메커니즘과 채널 셔플을 통해 보완하였다. 제안된 모델의 결함 진단 성능을 검증하기 위해 진동 신호를 사용하여 소음 환경에서 성능 검증을 수행하였다. 그 결과, 제안된 모델이 벤치마크 모델들에 비해 가장 우수한 항노이즈 능력을 보유함과 동시에 모델의 연산 복잡도 또한 가장 낮음을 확인하였다.

선박은 해상 운송, 관광, 탐사 등 현대 사회에서 핵심적인 역할을 수행한다. 선박 운항의 핵심 구성요소인 주기관에서의 오작동 또는 결함은 정상 기능을 방해하여 상당한 재정적 손실로 이어질 수 있다. 따라서 비정상적인 엔진 상태에 대한 조기 고장 진단은 효과적인 유지보수에 있어 매우 중요하다. 본 논문에서는 배기가스 온도 데이터를 활용한 선박 주기관 고장 진단을 위한 딥 하이브리드 모델을 제안한다. 제안 모델은 시간영역 특징(TDFs)과 시계열 원시 데이터의 두 가지 유형의 데이터를 모두 사용한다. 각 유형의 데이터로부터 효율적으로 특징을 추출하기 위해, 서로 다른 두 개의 특징 추출 네트워크와 어텐션 모듈 기반 분류기를 설계하였다. 모델 성능은 대형 선박의 저속 2행정 주기관에서 수집한 실제 실린더 배기가스 온도 데이터를 사용하여 평가하였다. 실험 결과, 제안 방법은 고장 진단 정확도에서 기존 방법보다 우수한 성능을 보였다. 또한 제안 방법은 최선의 기존 방법과 비교하여 고장 진단 정확도를 6.146% 향상시켰다. 더 나아가 제안 방법은 현실적인 산업 환경에서 소음이 있는 상황에서도 우수한 성능을 유지한다. 본 연구는 단일 센서 신호인 배기가스 온도를 이용한 데이터 기반 고장 탐지의 가능성을 보여주며, 향후 다중 센서 진단 시스템을 위한 확장 가능한 기반을 제공한다.

베어링은 산업 현장에서 널리 사용되는 전기 모터의 핵심 구성요소로서 중요한 역할을 한다. 이러한 베어링에 결함이 발생하면 심각한 모터 고장을 유발하여 전체 시스템의 가동 중단 시간이 크게 발생할 수 있다. 따라서 시스템 가동 중단 시간을 최소화하고 생산 효율을 향상시키기 위해서는 베어링 결함의 신속한 탐지가 필수적이다. 기존 연구는 주로 컨볼루션 신경망(convolutional neural network, CNN) 기반 및 순환 신경망(recurrent neural network, RNN) 기반 모델을 활용한 베어링 고장 진단에 초점을 두어 왔다. 그러나 이러한 모델들은 학습에 높은 계산 복잡도를 요구하는 경우가 많으며, 센서에서 수집한 시계열 데이터나 시계열 데이터를 기반으로 생성된 이미지 데이터와 같은 고차원 데이터를 필요로 한다. 이러한 모델을 적용하면 고장 진단 과정에서 상당한 지연이 발생할 수 있어, 실제 산업 환경에 덜 적합할 수 있다. 본 연구에서는 시계열 전류 데이터를 변환하여 얻은 시간 영역 특징(time domain features, TDF)을 활용함으로써 학습 및 추론 시간을 모두 줄이기 위한 혁신적인 접근 방식을 제안한다. TDF는 모델의 학습과 추론을 용이하게 하기 위해 사용할 수 있는 저차원 데이터 표현을 제공한다. 또한 제안된 모델은 잔차 구조(residual structure)와 조밀 연결 구조(dense connectivity structure)를 기반으로 한 선형 레이어를 사용하여 성능을 향상시키고 모델 복잡도를 줄인다. 제안 방법의 효과를 평가하기 위해 학습과 추론에는 Paderborn University 베어링 데이터셋을 사용한 시뮬레이션을 수행하였다. 실험 결과에서, 제안 방법은 모델 복잡도와 고장 진단 정확도 측면에서 기존 방법보다 우수함을 보였다.

우리는 대량의 센서 데이터가 무선 IoT 기기들로부터 중앙 서버로 전송되어 시스템 거동을 분류하는 인터넷 사물인터넷(IoT) 네트워크를 고려한다. IoT 기기와 그 센서의 수가 매우 클 때, 데이터 간 상관관계가 높기 때문에 서버에서 수집된 데이터의 중복성도 매우 높을 수 있다. IoT 기기에서 센서 데이터를 압축하여 이러한 중복성을 줄이면 전송 전력을 크게 감소시킬 수 있으나, 분류 정확도는 또한 감소할 수 있다. 우리의 목적은 총 전송 전력 제약 하에서 각 기기에서의 압축 비율을 결정하여 분류 정확도를 최대화하는 것이다. 다중사용자 무선 네트워크에서의 전통적인 자원 할당에서는 분류 정확도를 직접적으로 고려할 수 없는데, 이는 통상 데이터와 무관(data-agnostic)하게 수행되기 때문이다. 반면에 딥러닝에서는 데이터셋을 사용하여 신경망 아키텍처를 학습함으로써 분류 정확도를 최대화할 수 있다. 그러나 딥러닝은 자원 할당에 필수적인 무선 채널 정보를 보통 고려하지 않는다. 본 논문에서는 무선 채널 상태 정보와 데이터 기반 접근을 모두 활용하여, 총 전송 전력 제약을 만족하면서 서버에서의 분류 정확도를 최대화하기 위한 이진화된 신경망(binarized neural network) 기반 자원 할당 방식을 제안한다. 실험 결과, MNIST 및 CIFAR-10 데이터셋을 사용한 본 제안 방식은 분류 정확도를 크게 향상시킬 수 있음을 보인다.

본 연구는 에너지 소비 예측을 위한 eXplainable AI(XAI)에 기반한 입력 변수 선택 방법론을 제안한다. 이를 위해 대한민국 서울의 한 대학교 건물 구축에 사용된 에너지 데이터를 수집하여 에너지 소비 예측 모델(R2 = 0.871; MAE = 2.176; MSE = 9.870)을 선정하였다. 예측 모델의 결과에 XAI를 적용한 뒤, 입력 변수들은 순위 점수 기대치(Fqvar)를 기준으로(10 ≤ Strong, 5 ≤ Ambiguous < 10, 그리고 Weak < 5) 영향도에 따라 세 그룹으로 나누었다. 그 결과, Strong + Ambiguous 그룹의 입력 변수를 고려한 모델(R2 = 0.917; MAE = 1.859; MSE = 6.639) 또는 Strong 그룹의 입력 변수를 고려한 모델(R2 = 0.916; MAE = 1.816; MSE = 6.663)은 다른 경우들보다 더 높은 예측 성능을 보였으며(p < 0.05 또는 0.01), Strong 그룹과 Strong + Ambiguous 그룹 간에는 통계적으로 유의한 차이가 없었다(R2: p = 0.408; MAE: p = 0.488; MSE: p = 0.478). 이는 XAI 기반 방법론에 의해 결정된 Strong 그룹의 입력 변수(Fqvar: Year = 14.8; E-Diff = 12.8; Hour = 11.0; Temp = 11.0; Surface-Temp = 10.4)를 고려할 때 에너지 소비 예측 모델이 우수한 성능을 나타냄을 의미한다. 따라서 본 연구에서 제안한 방법론은 에너지 소비를 정확하고 효율적으로 예측할 수 있는 모델을 결정하는 데 기여할 것으로 기대된다.

회전 베어링은 현대 산업에서 중요한 역할을 하지만, 고속·고하중 및 열악한 운전 환경에서 작동하기 때문에 결함 발생 가능성이 높다. 따라서 결함이 진단되는 베어링에서 지연 시간이 발생할 경우 경제적 손실과 인명 손실로 이어질 수 있다. 또한 신호를 수집하는 진동 센서는 운전 환경과 주변 소음의 영향을 크게 받기 때문에, 소음이 있는 환경에서의 정확한 결함 진단 역시 중요하다. 본 논문에서는 소음 환경에서도 정확하며 실시간 고장 진단이 가능한 경량 및 강건성 네트워크(LSR-Net)를 제안한다. 이를 위해 먼저, 소음 제거 모듈(DM) 블록으로 구성된 컨볼루션 기반 소음 제거(CD) 블록을 통과한 feature-map에 여러 비선형성을 부여하여 3채널 2D 행렬을 생성하기 위한 소음 제거 및 특성 향상 모듈(DFEM)을 설계하였다. 더 나아가 소음의 파워가 강할 때 소음 제거 능력을 향상시키기 위해 DM에 적응형 프루닝을 적용하였다. 둘째, 경량 모델 설계를 위해 그룹 컨볼루션(GConv), 그룹 포인트와이즈 컨볼루션(GPConv) 및 채널 분할을 사용한 컨볼루션 기반 효율 셔플(CES) 블록을 설계하여 낮은 파라미터로도 모델을 설계할 수 있도록 하였다. 또한 경량 설계로 인해 발생할 수 있는 정확도와 모델 연산 복잡도의 상충 관계는 어텐션 메커니즘과 채널 셔플을 통해 보완하였다. 제안된 모델의 결함 진단 성능을 검증하기 위해 진동 신호를 사용하여 소음 환경에서 성능 검증을 수행하였다. 그 결과, 제안된 모델은 벤치마크 모델들에 비해 최적의 방소음 능력을 보였으며, 모델의 연산 복잡도 또한 가장 낮은 것으로 확인되었다.

전기 에너지 소비에 대한 정확한 예측은 사용자 편의성과 공급자 효율성 모두에 있어 핵심적이다. 본 연구는 건물 내에서 소비 패턴을 식별함으로써 예측 정확도를 향상시키기 위해 군집화 알고리즘과 머신러닝(ML) 모델을 통합하는 앙상블 접근법을 제안한다. 연구는 한국의 수도권 지역 주거용 아파트를 대상으로 수행되었으며, 4가지 평가 방법(Elbow-Method, Silhouette Score, Calinski-Harabasz Index, Dunn Index)을 5가지 데이터 수집 간격(10분, 1시간, 1일, 1주, 1개월) 전반에 걸쳐 적용하였다. 또한 군집별로 예측 성능이 우수하게 나타난 5가지 ML 모델(CatBoost, Decision Tree, LightGBM, Random Forest, XGBoost)을 평가하였다. 아울러 각 군집에서 높은 성능을 보인 ML 모델들을 통합하여 앙상블 모델을 구성하고, 연구 현장의 총 전기 에너지 소비에 대한 예측 성능을 평가하였다. 최적의 군집화 결과 월 단위로 리샘플링한 전력 데이터에서 2개 군집(C0: 142가구, C1: 206가구)이 도출되었다. CatBoost와 LightGBM은 평균 예측 성능이 가장 높게 나타났다. 두 모델을 각 군집에 적용할 수 있는 가능한 조합에 근거하여 네 가지 앙상블 모델(CB-CB, CB-LGBM, LGBM-CB, LGBM-LGBM)을 개발하였다. 통계 분석 결과 모든 앙상블 모델은 군집화 없이 적용한 대조군의 전통적 ML 접근법에 비해 유의하게 더 우수한 성능을 보였다(p < 0.05 또는 0.01). 본 연구에서 제안된 군집화 기반 ML 앙상블 모델은 각 가구의 고유한 소비 패턴을 반영함으로써 건물에서 소비되는 에너지를 보다 정확하게 예측할 수 있다. 이는 에너지 소비 절감에 효과적으로 기여할 것으로 기대된다.

에너지 소비는 지구 온난화에 중요한 역할을 한다. 탄소 중립을 달성하고 안정적인 에너지 공급을 통해 에너지 효율을 향상시키기 위해서는, 시계열 데이터의 최적화 및 분석을 위한 혁신적인 아키텍처 개발을 추구할 필요가 있다. 이에 본 연구는 예측 성능 향상에서 전처리의 핵심적 역할을 부각하는 새로운 아키텍처를 제시하고, 다양한 에너지 영역에서의 확장성을 입증한다. 시계열의 특성을 나타내는 패턴을 식별하는 이 아키텍처는 데이터 준비, 처리 최적화 방법, 예측의 세 가지 핵심 구성요소로 구성된다. 이 아키텍처의 핵심은 시계열 내 패턴을 파악하고 최적의 데이터 처리 기법을 결정하는 것으로, 전처리 방법에 대한 강한 강조가 포함된다. 열에너지에 대한 실험 결과는 데이터 최적화를 통해 성능 향상을 달성할 가능성을 보여주며, 전처리의 핵심적 역할을 확인한다. 또한 본 연구는 다섯 가지 서로 다른 예측 모델에 대한 평가를 통해, 사용된 모델과 무관하게 제안된 아키텍처가 예측 결과를 일관되게 향상시킨다는 점을 확인한다. 더 나아가 전기에너지로 확장된 실험은 유사한 입력 변수를 사용하여 다양한 에너지 유형을 예측하는 데서 아키텍처의 확장성과 효율성을 검증한다. 아울러 본 연구는 에너지 예측에 영향을 미치는 결정 요인을 설명 가능한 인공지능을 통해 규명함으로써, 저탄소 에너지의 공급과 수요 관리에 기여한다.