수중 추진기(쓰러스터) 고장은 무인 수상정(USV)의 임무 신뢰성에 중대한 위험을 초래하며, 특히 장기간의 자율 운용 동안 더욱 치명적이다. 기존의 고장 진단 접근법은 흔히 진동 센서를 사용하거나 통제된 실험실 환경에 의존하곤 하여, 역동적인 해양 환경에서의 실용성이 제한된다. 이러한 과제를 극복하기 위해 본 논문에서는 마이크 기반 센싱과 딥러닝 기법을 결합하는 비접촉식 음향 고장 진단 프레임워크를 제안한다. 수중 추진기에서 획득한 음향 신호는 단시간 푸리에 변환(short time Fourier transform, STFT)을 통해 시간-주파수 스펙트로그램으로 변환되며, 스펙트럼 인지 기반 잡음 제거 합성곱 신경망(spectral-aware denoising convolutional neural network, SA-DnCNN)을 통해 배경 잡음이 억제된다. 이렇게 잡음 제거된 스펙트로그램은 이후 4가지 대표 추진기 상태(정상, 파손, 얽힘, 생물부착)를 분류하기 위해 비전 트랜스포머(vision Transformer, ViT-B/16)를 학습하는 데 사용된다. 제안된 SA-DnCNN + ViT 모델은 통제된 수조 환경에서 얻은 음향 데이터와 실제 해상 시험에서 얻은 데이터를 모두 활용하여 검증하였다. 분류 정확도는 각각 99.27%와 96.69%를 달성하였다. 또한 CNN, ResNet50 및 기타 잡음 제거 기반 모델과의 비교 실험을 통해, 제안 방법이 강건성과 정밀도 측면에서 우수함이 확인되었다. 특히 본 연구는 실제 해양 조건에서 추진기 고장을 마이크 기반으로 진단한 초기의 실험적 시연 중 하나로, USV의 실시간 상태 모니터링을 위한 확장 가능하고 실용적인 해결책으로서 해당 방법의 잠재력을 보여준다. 향후 연구에서는 장기 해상 배치를 통해 음향 데이터셋을 확장하고, 다중모달 센서 융합을 도입하여 다양한 해양 환경과 운용 시나리오 전반에서 진단의 일반화 능력 및 회복탄력성을 향상시키는 데 초점을 맞출 것이다.

수중 글라이더(UG)의 전형적인 구조는 한 쌍의 고정 날개를 포함하며, 수중에서 하강 또는 상승할 때 글라이더를 전진시키는 추진을 유발하는 유체역학적 힘은 주로 고정 날개에 의해 생성된다. 본 논문에서는 동역학을 보다 용이하게 분석하기 위해 간소화된 글라이더 운동 모델을 수립하였으며, 그 시뮬레이션 결과는 원래 모델과 차이가 없었다. 또한 본 논문에서는 날개의 위치와 날개 형상이 UG의 운동에 미치는 영향을 연구하였다. 직접적인 해석적 접근을 수행할 수 없으므로, 여섯 가지 서로 다른 날개 위치와 세 가지 날개 형상이 활공 성능(활공 속도, 활공 각도 및 활공 경로)에 미치는 영향을 컴퓨터 시뮬레이션을 통해 사례 연구로 수행하였다. 시뮬레이션 결과, 고정 날개가 부력 중심에서 꼬리 끝 쪽으로 더 멀리 위치할 때 에너지는 더 적게 소모하면서 더 긴 주행 거리가 달성되는 것으로 나타났다. 또한 날개의 형상 차이에 대한 영향도 분석하였다. 형상 변화는 UG의 주행 성능에 크게 두드러진 차이를 보이지 않았다. 이와 더불어 UG의 과도(일시적) 모드에 대해 연구하였다. 이를 제어하기 위해 질량 이동기(mass shifter)와 피스톤의 위치에 대한 PID 제어기를 적용하였다. 선형화된 동역학 방정식에 PID 제어기를 적용한 결과, UG의 과도 거동이 신속하고 안정적으로 제어되는 것으로 나타났다.