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.

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