서로 다른 커널 크기를 갖는 병렬 컨볼루션 경로로 구성된 다중 스케일 합성곱 신경망 구조는 여러 시간 스케일에서 특징을 추출하기 위해 개발되었으며, 회전 기계의 고장 진단에 적용되어 왔다. 그러나 네트워크 내부에서 시간 스케일에 따른 추출 특징이 동일한 정도로 활용될 경우, 고장과의 관련성이 상대적으로 낮은 특정 시간 스케일의 특징이 미치는 영향으로 인해 양호한 진단 성능이 보장되지 않을 수 있다. 이러한 문제를 고려하여, 본 논문은 다중 스케일 구조의 특징 표현 능력을 보다 향상시키기 위한 새로운 아키텍처인 다중 스케일 경로 주의 잔차 네트워크(multi-scale path attention residual network)를 제안한다. 다중 스케일 경로 주의 잔차 네트워크는 다중 스케일 확장( dilated ) 합성곱 계층 이후 경로 주의 모듈(path attention module)을 채택하여 서로 다른 컨볼루션 경로에서 추출된 특징에 서로 다른 가중치를 부여한다. 또한 네트워크는 의미 있는 다중 스케일 특성과 스케일 간의 관계를 연속적으로 추출하기 위해 적층된 다중 스케일 주의 잔차 블록(stacked multi-scale attention residual block) 구조로 구성된다. 제안된 방법의 유효성은 헬리컬 기어박스 진동 데이터셋과 영구자석 동기전동기(permanent magnet synchronous motor) 전류 데이터셋에 적용하여 이를 검증함으로써 확인하였다. 그 결과, 제안된 다중 스케일 경로 주의 잔차 네트워크는 다중 스케일 구조의 특징 학습 능력을 향상시키고 더 나은 고장 진단 성능을 달성할 수 있음을 보여주었다.

이 논문은 기준 전압에 기반하여 표면실장 영구자석 동기전동기(SPMSM)의 권선 간(턴-투-턴) 단락 고장(inter-turn short circuit faults)을 검출하는 방법을 제안한다. 제안된 방법은 세 단계로 구성된다. 첫째, 고장 난 PMSM의 수학적 모델로부터 dq-프레임에서의 기준 전압 벡터를 건전한 전압과 고장 전압으로 분리한다. 둘째, 고장 전압을 다시 DC 성분과 2 ^nd 고조파 성분으로 분해한다. 셋째, 이들 성분과 권선 간 고장 심각도 사이의 관계를 규명한다. 이러한 관계에 기초하여 본 논문은 두 가지 고장 지표인 DC 바이어스와 2 ^nd 고조파 진폭을 제안한다. 시뮬레이션 결과는 제안된 방법의 유효성을 검증한다. 제안된 방법은 낮은 샘플링 속도에서도, 그리고 추가 센서 없이도 권선 간 단락 고장을 검출할 수 있다. 이러한 강점은 온라인 고장 검출을 용이하게 할 수 있다.