AI/ML 응용을 위한 드론 음향 고장 데이터셋 구축 및 멀티태스크 학습 기반 활용 사례

키워드

확장요약문

최근 드론 활용이 확대됨에 따라 프로펠러와 모터 등 주요 회전체의 고장을 조기에 진단하는 기술의 중요성이 증가하고 있다. 음향 신호는 고속 회전체의 이상과 외부에서 관찰하기 어려운 모터 고장에 의한 상태 변화를 반영할 수 있어 고장진단에 유용하다. 이에 본 연구에서는 드론의 고장 상태와 운행 조건에 따른 음향 특성을 함께 고려할 수 있는 드론 음향 고장 데이터셋을 구축하였다. 또한 고장 상태와 운행 방향을 동시에 추론하는 멀티태스크 학습 기반 고장진단에 활용하였다.

데이터셋은 서로 다른 3 종의 쿼드콥터를 대상으로 정상 및 프로펠러 절손·모터 캡 손상을 포함한 9 개 상태 클래스와 6 개 운행 방향으로 구성하였다. 드론 음향은 무향실에서 2 채널 마이크로폰으로 취득하고, 5 개 실제 환경의 배경 잡음을 10–15 dB SNR 로 합성한 뒤 16 kHz, 0.5 s 단위로 구성하였다. 전체 데이터셋은 7.5 GB, 324,000 개 단일 채널 파일(162,000 개 2 채널 샘플)로 이루어지며, 각 파일에는 기종, 운행 방향, 고장 종류, 채널, 배경 환경 및 SNR 등의 메타데이터가 포함되어 있다. 데이터셋은 Zenodo(https://zenodo.org/records/7779574#.ZCVt53ZBwQ9)를 통해 공개되어 있다.

본 데이터셋을 활용한 초기 연구에서는 드론의 고장 상태와 운행 방향을 동시에 추론하는 멀티태스크 학습을 적용하였으며, 이후 연구를 확장하여 모터 복합 결함의 여러 결함 요소를 동시에 추론하는 cross-talk 기반 모델을 Mechanical Systems and Signal Processing 에 발표하고 관련 후속 기술을 특허로 출원하였다. 또한, 해당 cross-talk 기반 접근을 드론 데이터셋에도 적용하여, 고장 라벨뿐 아니라 기종과 운행 방향 등 물리적으로 연관된 태스크들에 대한 메타데이터를 함께 활용하는 다중 태스크 학습의 가능성을 확인하였다.

이러한 사례는 AI/ML 용 소음·진동 데이터셋에서 계측 신호뿐 아니라 시스템 상태, 운전 조건 및 측정 환경에 대한 메타데이터를 체계적으로 제공하는 것이 중요함을 보여준다. 향후 다양한 데이터셋을 공통 형식과 품질 기준으로 체계화함으로써 데이터의 재사용성을 높이고, 소음·진동 분야 AI/ML 연구 및 foundation model 구축을 위한 기반으로 활용할 수 있을 것으로 기대된다.