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.

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