저속 스루 베어링 예측을 위한 파라시모니 네트워크 기반 퍼지 추론 시스템

초록

본 논문은 저속 스루 베어링의 진동 데이터를 활용해 남은 수명을 예측하는 최신 방법인 PANFIS(Parsimonious Network based on Fuzzy Inference System)를 제안한다. PANFIS는 온라인에서 지속적인 학습이 가능하며 재훈련 없이도 정확한 시계열 특성 예측을 수행한다. 139일간 수집된 베어링 데이터에 대해 기존 ANFIS, eTS, Simp‑eTS와 비교했을 때 예측 정확도와 적응성에서 우수한 성능을 보였다.

상세 분석

PANFIS는 전통적인 퍼지 신경망 구조에 파라시모니(간결성) 원칙을 적용해 네트워크 복잡도를 최소화하면서도 높은 예측 정확도를 유지한다. 핵심 메커니즘은 데이터 흐름에 따라 규칙을 동적으로 생성·삭제하고, 각 규칙의 전역 및 국부 파라미터를 온라인으로 업데이트하는 것이다. 이를 위해 저차원 초평면(초볼) 기반의 퍼지 전역 규칙을 도입하고, 규칙 간 상호작용을 최소화하는 가중치 조정 방식을 사용한다. 이러한 설계는 연속적인 베어링 진동 신호의 비정상적 변화를 실시간으로 포착하고, 급격한 상태 전이에도 빠르게 적응한다는 장점을 제공한다.

실험에서는 저속 스루 베어링의 139일 연속 진동 데이터를 1 Hz 샘플링으로 수집하고, 시간‑도메인 특성(예: RMS, 크라켄, 피크‑투‑피크 등) 5가지를 목표 변수로 설정하였다. PANFIS는 초기 학습 단계에서 최소 3개의 퍼지 규칙만으로 시작했으며, 데이터가 누적될수록 필요에 따라 규칙을 추가·삭제해 최종적으로 12개의 규칙을 유지하였다. 이는 기존 eTS가 30개 이상, Simp‑eTS가 25개, ANFIS가 20개 이상의 규칙을 필요로 하는 것에 비해 현저히 적은 수치이다. 규칙 수가 적음에도 불구하고, PANFIS는 평균 제곱근 오차(RMSE)와 평균 절대 오차(MAE)에서 모두 기존 방법들을 능가하였다. 특히 급격한 손상 초기 단계에서의 예측 오차 감소율이 25 % 이상 높아, 조기 경보 시스템으로 활용 가능성을 시사한다.

또한, PANFIS는 파라미터 튜닝에 대한 사전 지식이 거의 필요하지 않다. 학습률, 규칙 생성 임계값 등 몇 가지 하이퍼파라미터만을 사전에 설정하면, 시스템이 자체적으로 최적화 과정을 수행한다. 이는 현장 적용 시 엔지니어의 부담을 크게 줄이며, 다양한 베어링 종류와 운전 조건에 대한 범용성을 확보한다는 점에서 큰 의미가 있다.

한계점으로는 초기에 규칙이 매우 적어 복잡한 비선형 패턴을 완전히 포착하기까지 약간의 지연이 발생할 수 있다는 점이다. 또한, 현재 연구는 단일 베어링 유형에 국한되었으며, 다축 시스템이나 고속 회전 조건에 대한 검증은 추가 연구가 필요하다.

종합적으로, PANFIS는 온라인, 적응형, 경량형 예측 모델로서 저속 스루 베어링과 같은 장기 운전 설비의 상태 모니터링에 적합하며, 기존 복잡한 모델 대비 유지보수 비용 절감과 실시간 경보 제공이라는 실용적 가치를 제공한다.