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.

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