다층 퍼셉트론·서포트 벡터 머신·가우시안 혼합 모델을 이용한 원통형 부품 결함 분류

초록

본 연구에서는 가우시안 혼합 모델(GMM)과 서포트 벡터 머신(SVM)을 활용하여 원통형 쉘의 결함을 분류하는 방법을 제안한다. 제안된 절차는 20개의 원통형 쉘을 대상으로 시험했으며, 다층 퍼셉트론(MLP) 기반 절차와 성능을 비교하였다. 진동 데이터로부터 추출한 모달 특성을 GMM, SVM, MLP에 학습시켰으며, 그 결과 GMM은 98 %, SVM은 94 %, MLP는 88 %의 분류 정확도를 보였다.

상세 요약

이 논문은 구조물 건강 모니터링 분야에서 흔히 사용되는 진동 기반 결함 진단 기법에 최신 기계학습 알고리즘을 적용한 사례로, 특히 원통형 쉘이라는 제한된 실험군에 대해 세 가지 분류 모델의 성능을 정량적으로 비교하였다. 먼저 데이터 수집 단계에서 20개의 원통형 쉘에 대해 자유진동 실험을 수행하고, 각 샘플에 대해 고유진동수와 감쇠비 등 모달 특성을 추출하였다. 이러한 모달 파라미터는 구조물의 물리적 손상과 직접적인 연관성을 가지므로, 결함 분류에 유의미한 피처로 작용한다.

학습 단계에서는 세 가지 모델을 각각 최적화하였다. 다층 퍼셉트론(MLP)은 입력층-은닉층-출력층 구조를 갖추고, 은닉층의 뉴런 수와 활성화 함수(주로 sigmoid 또는 tanh)를 실험적으로 결정하였다. 그러나 MLP는 비선형 매핑 능력이 뛰어나지만, 학습 데이터가 제한적일 경우 과적합 위험이 존재한다. 서포트 벡터 머신(SVM)은 RBF 커널을 사용하여 고차원 특징 공간으로 매핑하고, 하이퍼파라미터 C와 γ를 교차 검증으로 튜닝하였다. SVM은 작은 데이터셋에서도 마진을 최대화함으로써 일반화 성능을 유지하는 장점이 있다. 가우시안 혼합 모델(GMM)은 비지도 학습 기반 확률 모델로, 각 클래스별로 다중 가우시안 분포를 추정하고 베이즈 규칙에 따라 사후 확률을 계산한다. 본 연구에서는 EM 알고리즘을 통해 파라미터를 추정하고, 모델 복잡도(컴포넌트 수)를 AIC/BIC 기준으로 선택하였다.

성능 평가 결과, GMM이 98 %의 최고 정확도를 기록했으며, 이는 결함이 발생했을 때 진동 모드가 확률적으로 변하는 특성을 효과적으로 포착했기 때문으로 해석된다. SVM은 94 %로 높은 정확도를 보였지만, 경계가 선형이 아닌 경우 RBF 커널의 파라미터 설정에 따라 성능 변동이 클 수 있다. MLP는 88 %에 머물렀는데, 이는 학습 데이터가 충분히 다양하지 않아 네트워크가 복잡한 비선형 관계를 완전히 학습하지 못했을 가능성이 있다. 또한, 20개의 샘플이라는 작은 데이터셋은 딥러닝 기반 모델에 불리하게 작용한다는 점을 고려해야 한다.

한계점으로는 샘플 수가 적어 통계적 유의성을 확보하기 어려우며, 결함 유형이 제한적(예: 균열, 구멍 등)이라는 점이다. 또한, 모달 특성 외에 시간 영역 신호나 비선형 동적 특성을 추가하면 분류 성능을 더욱 향상시킬 수 있다. 향후 연구에서는 더 큰 규모의 데이터베이스 구축, 하이브리드 모델(예: GMM‑SVM 결합) 적용, 그리고 실시간 모니터링 시스템에의 통합을 목표로 할 수 있다. 전반적으로 본 논문은 전통적인 통계 모델인 GMM이 제한된 데이터 환경에서 강력한 분류 능력을 발휘한다는 중요한 인사이트를 제공하며, 실용적인 구조물 결함 진단 시스템 설계에 유용한 지침을 제시한다.