경량·강건 딥러닝 기반 회전기기 및 선박 엔진 고장진단 연구

Lightweight and Robust Deep Learning for Bearing and Ship Engine Fault Diagnosis

연구 내용

센서 신호에서 시간영역 특성 및 원시 시계열을 결합하고, 경량 구조와 강건성 기법으로 노이즈 환경에서도 고장을 신속 판별하는 연구

전창재 연구실은 회전 베어링과 선박 주엔진의 고장진단을 데이터 기반으로 수행합니다. 베어링에서는 전류 센서 시계열을 변환해 시간영역 특성(TDF)을 만들고, 경량 모델에서 residual 구조와 dense connectivity를 활용해 학습과 추론 시간을 줄이면서 진단 성능을 확보합니다. 노이즈 환경에서는 denoising 및 feature enhancement 모듈로 특징을 정제하고, 노이즈 강도에 따라 적응적으로 가지치기를 적용하는 구조를 사용합니다. 또한 group convolution 기반 경량 블록과 효율 shuffle, attention을 결합해 정확도-복잡도 균형을 맞춥니다. 선박 주엔진에서는 배기가스 온도 신호에 대해 TDF와 원시 시계열을 분리 추출하고 attention 분류기로 이상을 판정하여 단일 센서 기반 확장 가능성을 제시합니다.

관련 프로젝트

0건

연구 흐름

2024년에는 전류 센서 기반 베어링 결함을 대상으로 시간영역 특성(TDF)을 활용한 경량 진단 네트워크를 구성하고, 잔차 및 조밀 연결 구조로 모델 복잡도를 낮추는 방향을 연구했습니다. 2025년에는 선박 주엔진으로 문제를 확장하여 배기가스 온도 단일 센서 신호에서 TDF와 원시 시계열을 각각 추출한 뒤 attention 기반 분류기로 결합 진단을 수행했습니다. 2026년에는 노이즈가 강한 환경에서의 베어링 진단을 목표로 denoising·특징강화 모듈과 적응적 pruning, 경량 합성곱 블록을 포함한 LSR-Net 계열 모델을 제안하여 실시간성과 강건성을 동시에 다루었습니다. 이러한 흐름은 경량화와 강건성 설계를 중심으로 축적되었습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

베어링 이상 감지 및 유지보수
노이즈 환경 실시간 진단
전류 센서 기반 고장 판별
배기가스 온도 기반 선박 상태진단
시간영역 특성 기반 저복잡도 모델
엣지 디바이스 배치용 경량 AI
단일 센서 기반 이상 알림
공정 중단 최소화를 위한 조기 경보
다중센서 확장 진단 파이프라인
안전 점검 자동화