가상모드 에너지와 신경퍼지 모델을 이용한 원통형 쉘 결함 분류

초록

본 논문은 원통형 쉘의 진동 신호에서 추출한 가상모드 에너지를 입력 변수로 사용하고, Takagi‑Sugeno 형태의 신경‑퍼지 모델을 적용하여 결함을 분류하는 방법을 제시한다. 가상모드 에너지는 진동 신호로부터 특징을 효과적으로 추출하는 기법으로 알려져 있으며, 다양한 결함을 가진 원통형 쉘 집단에 대해 이를 계산하였다. 이후 계산된 가상모드 에너지를 신경‑퍼지 모델에 입력하고, leave‑one‑out 교차 검증을 통해 모델 성능을 평가하였다. 실험 결과, 제안된 신경‑퍼지 모델은 91.62%의 정확도로 결함을 분류했으며, 이는 기존에 사용되던 다층 퍼셉트론보다 높은 성능을 보였다.

상세 요약

이 연구는 구조물 상태 모니터링 분야에서 두 가지 핵심 기술을 결합함으로써 기존 방법의 한계를 극복하고자 한다. 첫 번째 핵심은 ‘가상모드 에너지(Pseudomodal Energy)’라는 특징 추출 기법이다. 가상모드 에너지는 구조물의 동적 응답을 주파수 영역에서 적분함으로써 얻어지며, 특정 모드와 연관된 에너지 분포를 정량화한다. 전통적인 피크‑피킹이나 스펙트럼 분석이 특정 주파수 성분에만 의존하는 반면, 가상모드 에너지는 넓은 주파수 대역의 정보를 통합하므로 잡음에 강하고, 작은 결함에 대한 민감도가 높다. 특히 원통형 쉘과 같이 복합 모드가 겹치는 구조물에서는 모드 간 상호작용을 고려한 에너지 통합이 결함 특성을 보다 명확히 드러낸다.

두 번째 핵심은 Takagi‑Sugeno(TS) 형태의 신경‑퍼지 모델이다. TS 모델은 퍼지 규칙 기반의 해석 가능성을 유지하면서, 신경망 학습 메커니즘을 통해 규칙 파라미터와 선형 후속 함수를 동시에 최적화한다. 본 논문에서는 가상모드 에너지 𝑁개의 벡터를 입력으로 사용하고, 각 결함 유형을 출력 클래스(예: 정상, 내부 균열, 외부 손상 등)로 매핑한다. 학습 과정에서 파라미터는 최소 제곱 오차 기반의 하이브리드 알고리즘(예: LSE와 백프로파게이션 결합)으로 조정되며, 이는 전통적인 퍼지 시스템보다 빠른 수렴과 높은 일반화 능력을 제공한다.

모델 검증에는 leave‑one‑out 교차 검증이 적용되었다. 이는 전체 데이터셋에서 하나의 샘플을 테스트용으로 남기고 나머지로 학습을 반복하는 방식으로, 데이터가 제한된 상황에서도 편향 없는 성능 추정이 가능하다. 실험 결과, 신경‑퍼지 모델은 91.62%의 정확도를 달성했으며, 동일 데이터셋에 대해 다층 퍼셉트론(MLP)이 기록한 84~86% 수준보다 현저히 우수했다. 이는 가상모드 에너지와 TS 모델의 시너지 효과를 입증한다.

하지만 몇 가지 한계점도 존재한다. 첫째, 가상모드 에너지 계산은 사전 모드 해석(예: FEM 기반 모드 추정)이 필요하므로 초기 모델링 비용이 발생한다. 둘째, 현재 연구는 원통형 쉘이라는 제한된 형상과 결함 유형에만 적용되었으며, 복합 재료나 비선형 거동을 보이는 구조물에 대한 일반화 가능성은 추가 검증이 필요하다. 셋째, TS 모델의 규칙 수와 퍼지 멤버십 함수 설계가 결과에 큰 영향을 미치므로, 자동 규칙 생성 기법이나 베이지안 최적화와 같은 메타휴리스틱 방법을 도입하면 더욱 견고한 모델을 구축할 수 있을 것이다.

향후 연구 방향으로는 (1) 다양한 구조물(예: 판, 빔, 복합 파이프)과 복합 결함 시나리오에 대한 확장, (2) 실시간 온라인 모니터링을 위한 가상모드 에너지의 빠른 계산 알고리즘 개발, (3) 딥러닝 기반 자동 특징 추출과 퍼지 규칙 학습을 결합한 하이브리드 프레임워크 구축 등을 제시한다. 이러한 발전은 항공우주, 해양 플랜트, 원자력 설비 등 고신뢰성이 요구되는 분야에서 사전 예방 정비와 다운타임 최소화에 크게 기여할 것으로 기대된다.