항공기 스핀(spin)은 특히 저고도에서 치명적인 사고의 주요 원인이 되는데, 이는 회복에 사용할 수 있는 시간이 제한되어 있기 때문이다. 표준적인 회복 절차는 통상적으로 스핀이 완전히 발달한 뒤에야 적용 가능해지며, 이때 이미 여러 번의 회전이 발생하여 상당한 고도 손실이 초래될 수 있다. 자세 이상(upset) 예방의 핵심 과제는 조종사의 상황 인식에 대한 과도한 의존인데, 이는 스핀이 완전히 발달하기 전에는 효과적이지만 이후에는 효율이 떨어진다. 본 연구는 이러한 문제를 해결하기 위해 초기 단계에서 이상 징후를 감지할 수 있는 능력을 제안함으로써, 즉각적인 대응 조치를 크게 향상시키고 고도 손실을 잠재적으로 완화하며, 조종사가 자세 이상 상태의 초기 징후를 인지할 수 있도록 한다. 본 연구는 새로운 순환 신경망(recurrent neural network, RNN) 모델을 기반으로 한 실시간 예측 도구를 도입하며, 이는 NASA Generic Transport Model(GTM)에서 얻은 데이터를 활용한다. GTM은 실험 비행 사례 연구를 위해 설계된 연구 플랫폼으로서, 스핀의 결정적 초기 수 초 동안 비선형 비행 응답을 예측한다. 지상 진실(ground truth) 데이터에 대한 엄격한 검증 결과, RNN 모델은 시초(incipient) 스핀 단계의 감지에서 우수한 예측 성능을 보였으며, 선제적 스핀 관리와 지상 충돌 위험 저감을 위한 필수 도구를 제공한다. 이러한 초기 감지 능력은 조종사가 자세 이상 상태의 초기 징후를 식별하고 정보에 근거한 운용 결정을 내릴 수 있게 하여 궁극적으로 항공 안전을 향상시킨다. 본 성과는 고도화된 기계 학습 기술이 더 이른 시점의 보다 효과적인 개입 전략을 가능하게 함으로써 안전 프로토콜을 변화시킬 잠재력을 보여주며, 이를 통해 치명적 사건을 선제적으로 예방할 수 있음을 시사한다.

본 논문은 측정된 진동 신호로부터 구름요소 베어링(rolling element bearing, REB)의 고장 진단을 조사하기 위해, 국소 평균 분해(local mean decomposition, LMD)와 다중 스케일 순열 엔트로피(multi-scale permutation entropy, MPE)를 통합한 방법(LMD-MPE)을 제시한다. 먼저, LMD는 진동 데이터 또는 가속도 측정 데이터를 진폭 및 주파수 변조를 모두 포함하는 곱(product) 함수들의 개별 성분으로 분해한다. 그 다음 MPE는 그 곱 함수들로부터 통계적 순열 엔트로피를 계산하여, 건전 및 손상된 REB 시스템의 상태를 평가하고 분류하기 위한 비선형 특징을 추출한다. 제안된 기법의 타당성을 검증하기 위해, 기존의 LMD 기반 다중 스케일 엔트로피와 MPE의 비교 실험 결과를 제시하였다. 본 연구는 베어링 상태를 분석할 때 LMD-MPE의 통합 접근이 손상에 민감한 신뢰할 만한 특징을 제공함을 발견하였다. REB 실험 데이터셋의 결과는 제안된 접근이 기존 방법보다 더 강건한 성과를 산출함을 보여준다.

본 연구는 앙상블 경험적 모드 분해(ensemble empirical mode decomposition, EEMD) 기반 특징 추출에 입자군 최적화(particle swarm optimization, PSO), 주성분 분석(principal component analysis, PCA), 그리고 Isomap을 결합하여 베어링 시스템의 고장 검출 및 진단 방법을 제안한다. 먼저, 내륜, 외륜, 구름 요소와 같은 손상된 베어링 구성요소로부터 진동 신호를 생성하기 위한 수학적 모델을 가정한다. 진동 신호를 고유모드함수(intrinsic mode functions, IMFs)로 분해하고 통계적 특징을 추출하는 과정은 손상에 민감한 매개변수 벡터를 개발하기 위해 소개된다. 마지막으로, PCA와 Isomap 알고리즘을 사용하여 이 매개변수 벡터를 분류하고 시각화함으로써 손상 특성을 건전한 베어링 구성요소로부터 분리한다. 또한 PSO 기반 최적화 알고리즘은 매개변수 벡터에 대한 적절한 가중치를 선택하여 분류 성능을 향상시키며, 이를 통해 3차원 공간에서 매개변수 벡터의 분리 및 군집화에 대한 시각화 효과를 최대화한다.

본 논문은 웨이블릿 노이즈 제거 방식과 내재 모드 함수(IMF) 공분산 행렬의 고유 직교 값(proper orthogonal value, POV)을 이용하여 롤러 베어링 시스템의 고장 진단을 조사한다. 베어링 진동 신호의 IMF는 경험적 모드 분해(empirical mode decomposition, EMD)를 통해 획득한다. 웨이블릿 영역에서의 신호 선별 과정은 베어링 상태의 부정확한 예후로 이어질 수 있는 노이즈 오염 구간을 제거한다. 우리는 노이즈 제거된 베어링 신호를 여러 구간으로 분할하고, 각 구간을 IMF로 분해하였다. 각 구간의 첫 번째 IMF를 수집하여 POV 계산을 위한 공분산 행렬을 구성한다. 건강한 베어링과 손상된 베어링으로부터 얻은 공분산 행렬이 서로 다른 POV 프로파일을 나타내며, 이는 손상에 민감한 특성일 수 있음을 보인다. 또한 측정 신호의 첨도(kurtosis) 값을 관찰하는 기존의 특징 추출 접근을 제시하여, 제안 기법의 성능을 비교한다. 본 연구는 웨이블릿 기반 노이즈 제거의 가능성을 입증하며, 실험실 실험을 통해 IMF의 공분산 행렬에 대한 적절한 고유 직교 값을 추적하는 것이 베어링 결함 모니터링을 위한 효과적이고 신뢰할 수 있는 척도가 될 수 있음을 보여준다.