Condition Index를 활용한 Zero-shot Learning 기반 결함진단 기법 제안

키워드

확장요약문

회전기계의 열화는 시간에 따라 변화하는 시간적 특성을 보이므로, 하나의 고정된 입력윈도우(input window)를 사용하는 것은 열화 과정 전체에서 적합하지 않을 수 있다. 본 연구에서는 베어링 열화 추세 예측을 위해 이동평균 배열 기반의 적응형 입력 윈도우 선택 방법을 제안한다.

단기, 중기, 장기 이동평균의 상대적인 크기 순서에 따라 총 6가지 배열을 정의하고, 이를 해석 가능한 시간 상태 라벨로 사용한다. 각 배열 상태에 적합한 입력 윈도우는 모델 개발에 사용되는 데이터만을 활용하여 시간 순서를 유지한 검증 과정을 통해 선택한다. 예측 모델로는 진동 RMS 기반 특징을 입력으로 사용하는 GRU(Gated Recurrent Unit) 네트워크를 공통적으로 적용한다.

제안한 방법은 12년간의 시뮬레이션 열화 데이터를 이용해 평가하고, NASA IMS의 베어링 수명 종료 시점까지의 운전 데이터를 활용하여 추가 검증하였다.

시뮬레이션 데이터에서는 24시간부터 1,440시간까지 총 60개의 입력 윈도우 후보를 검토했으며, 그 결과 각 이동평균 배열에 대해 264, 312, 624, 768, 816, 1032시간으로 입력 윈도우가 선택되었다. 적응형 방법은 RMSE(0.108365 ± 0.005191), MAE(0.085602 ± 0.004452)를 달성했다. 이는 6가지 고정 입력 윈도우 조건과 비교했을 때 RMSE를 22.11~29.72%, MAE를 21.20~31.87% 감소시킨 결과이다.

NASA IMS 데이터셋에서는 충분한 데이터가 확보된 4가지 이동평균 배열을 바탕으로 2시간, 6시간, 9시간의 입력 윈도우가 선택되었다. 적응형 방법은 RMSE(0.017993 ± 0.000058), MAE(0.005387 ± 0.000031) 을 달성했으며, 3가지 고정 입력 윈도우 조건과 비교했을 때 RMSE는 12.91~12.96%, MAE는 13.60~13.86% 감소했다.

이러한 결과는 기존 GRU 네트워크 구조를 변경하지 않고도, 시간 상태에 따라 입력 윈도우를 적응적으로 조정함으로써 베어링 열화 추세 예측 성능을 향상시킬 수 있음을 보여준다.