선체 부착 가속도 센서 및 AI 학습을 통한 함정 캐비테이션 발생 속도 추정 연구

키워드

확장요약문

함정의 수중 방사 소음 저감과 은밀성 확보를 위해 캐비테이션 초생 속도(Cavitation Inception Speed, CIS)를 정확하게 추정하는 것은 매우 중요하다. 기존 연구에서는 추진기 직상부의 가속도 센서 측정값에 DEAMON 및 Kurtosis 분석 등 경험적 임계값(Empirical Threshold) 기반의 CIS 판단 메커니즘을 정립한 바 있다. 그러나 해상 상태(파도, 날씨), 함정의 노후화 정도 및 함정별 동특성의 차이로 인해, 새로운 운용 환경에 적용하기 위해서는 전문가에 의한 임계값의 미세 조정(Fine-tuning)이 수반되어야 한다는 한계가 존재한다. 이러한 한계를 극복하기 위해 AI 학습을 통한 CIS 추정 모델의 고도화 방안을 제안한다.

본 연구에서는 판단의 강건성을 확보하기 위해 단계적 AI 고도화 방법론을 적용하였다. 1단계에서는 가속도 신호의 국부적 패턴을 추출하는 1D CNN과 시계열적 의존성을 학습하는 LSTM을 결합한 CRNN(Convolutional Recurrent Neural Network) 모델을 구축하였다. 이를 통해 기존 방식과 대등하거나 그 이상의 판단 정밀도를 확보하였으며, 실시간 추론 파이프라인과 모니터링 대시보드를 구현하여 즉각적인 CIS 검출 가능성을 검증하였다.

2단계에서는 AI 모델의 ‘블랙박스’ 특성으로 인한 불투명성을 해결하고 판단 근거의 물리적 신뢰성을 확보하기 위해 설명 가능한 AI(XAI) 프레임워크를 도입하였다. 진동 데이터를 2D 스펙트로그램(Spectrogram) 으로 변환하여 학습시킨 후, Grad-CAM 기법을 적용하여 AI가 주목한 주파수 대역의 가중치를 시각화하였다. 분석 결과, 모델이 고주파 대역의 광대역 임펄스 충격파 패턴을 정확히 식별하고 있음을 확인하였으며, 특히 가시적 임계 속도인 N knots 이전의 과도기 구간(N-2~N knots)에서도 미세 징후를 포착하는 조기 탐지(Early Detection) 성능을 입증하였다.

본 연구는 경험적 임계값 설정에서 시작하여 실시간 AI 탐지 및 물리적 근거 제시까지의 최적화 과정을 통해, 진동역학적 지식과 일치하는 고신뢰성 CIS 추정 모델을 구현하였다. 이는 향후 함정의 상태기반 정비 (CBM+) 및 실시간 소음진동 감시 체계 구축을 위한 핵심 기초 기술로 활용될 것으로 기대된다.