자동 인코더 기반 베어링 건강 모니터링 및 예측 방법

본 논문은 회전 기계 부품, 특히 베어링의 건강 상태를 자동으로 모니터링하고 예측하기 위한 새로운 데이터‑드리븐 방법을 제안한다. 기존의 CBM(Condition‑Based Monitoring) 접근법은 주로 전문가가 설계한 시간·주파수 도메인 통계 특성을 사용하거나, PCA, HMM, 웨이블릿 등 전처리·후처리 단계가 복합적으로 결합된 형태였다. 이러한 방법들은 높은 정확도를 보이지만, 사전 지식에 의존하고 자동화 수준이 낮으며, 새로운 장비나 운전 조건에 대한 일반화가 제한적이었다. 제안된 방법은 크게 네 단계로 구성된다. 첫 번째 단계는 원시 진동 신호(샘플당 20 kHz, 1 초 길이)를 그대로 입력으로 하는 희소 자동 인코더(sparse auto‑encoder)를 학습하는 것이다. 입력 차원은 20 480이며, 은닉층에 1 000개의 뉴런을 배치하여 고차원 비선형 특징을 추출한다. 손실 함수는 평균 제곱 오차(MSE)와 L2 정규화, 그리고 KL‑다이버전스를 이용한 희소성 제약을 포함한다. 이를 통해 네트워크는 입력을 재구성하면서도 각 뉴런이 평균적으로 낮은 활성화를 유지하도록 학습된다. 두 번째 단계에서는 학습된 인코더를 이용해 모든 샘플에 대해 특징 벡터를 얻는다. 이후 초기(건강) 샘플의 특징과 이후 샘플들의 특징 간 피어슨 상관계수(Correlation Coefficient)를 계산한다. 상관계수 행렬의 첫 번째 열은 초기 샘플과의 유사성을 나타내며, 이를 0~1 사이로 정규화한다. 정규화된 값은 ‘AEC rate’라 명명되며, 시스템이 정상일수록 높은 값을 유지한다. 세 번째 단계는 AEC rate에 이동 평균(MA) 필터를 적용해 시계열 노이즈를 억제하고, 급격한 변동을 부드럽게 만든다. 필터 윈도우 크기는 실험에 따라 5~15 샘플로 설정했으며, 이는 실시간 적용 가능하도록 설계되었다. 네 번째 단계는 필터링된 AEC rate를 기반으로 건강 상태를 판단하고, 급격한 하강 구간이 나타나는 시점을 결함 시작점으로 정의한다. 이 시점은 기존 방법들이 제공하는 ‘임계값’ 기반 판단보다 직관적이며, 실제 결함 진행과 높은 상관성을 보인다. 실험은 NASA IMS 베어링 데이터셋의 세 가지 런투펄스 시나리오(각각 2 156, 984, 4 448 샘플)에서 수행되었다. 각 실험은 4개의 가속도계 채널을 사용했으며, 일부 실험에서는 채널 수를 줄여도 동일한 결과를 얻었다. 자동 인코더는 각 베어링에 대해 독립적으로 학습되었으며, 학습 시간은 55~80분(1 K 은닉 뉴런, GPU 가속)이었다. 평가에서는 두 가지 프레임워크를 적용했다. 첫 번째는 전체 데이터를 사용해 온라인으로 AEC rate를 추적하는 방식으로, 모든 실험에서 AEC rate가 초기에는 높은 값을 유지하다가 결함이 진행되면 급격히 감소하는 패턴을 보였다. 두 번째는 데이터를 70 % 학습, 30 % 테스트로 나누어 예측 정확도를 검증했으며, AEC 기반 모델은 테스트 구간에서도 결함 시작 시점을 정확히 예측했다. 비교 대상으로는 RMS·Kurtosis 등 전통적인 통계 특성, PCA‑HMM, 웨이블릿‑HMM, 그리고 칼만 필터 기반 방법을 포함했다. 전반적으로 AEC는 (1) 초기 건강 상태와의 상관관계가 결함 진행을 직접 반영한다는 점, (2) 비지도 특징 추출이 사전 도메인 지식 없이도 충분히 풍부한 정보를 제공한다는 점, (3) 이동 평균 필터링이 실시간 적용 가능하면서도 신뢰성 있는 경고 신호를 만든다는 점에서 우수성을 입증했다. 특히 노이즈가 심한 S3 실험에서는 기존 방법이 거의 신호를 구분하지 못했으나, AEC는 명확한 하강 구간을 드러내어 결함을 조기에 탐지했다. 결론적으로, 제안된 자동 인코더‑상관 기반(AEC) 프레임워크는 (i) 완전 자동화된 비지도 특징 추출, (ii) 초기 건강 상태와의 직접적인 상관관계 분석, (iii) 실시간 적용 가능한 간단한 필터링을 통해 베어링뿐 아니라 기어, 스핀들 등 다양한 회전 부품의 건강 모니터링 및 예측에 적용 가능하다. 향후 연구에서는 다중 센서 융합, 온라인 적응 학습, 그리고 남은 유효 수명(RUL) 추정 모델과의 통합을 통해 산업 현장의 CBM 시스템에 보다 포괄적인 솔루션을 제공할 수 있을 것이다.