가변 작업 조건 하 베어링 결함 진단을 위한 적대적 적응 1D CNN

본 연구는 회전 기계의 핵심 부품인 베어링의 결함 진단에 있어, 작업 조건이 변함에 따라 발생하는 데이터 분포 변화(도메인 차이)를 극복하기 위한 새로운 딥러닝 프레임워크인 A2CNN(Adversarial Adaptive 1‑D Convolutional Neural Network)을 제안한다. 기존의 지능형 결함 진단 방법은 라벨이 부착된 학습 데이터(소스 도메인)와 라벨이 없는 테스트 데이터(타깃 도메인)가 동일한 확률 분포를 가진다는 전제 하에 설계되었으나, 실제 산업 현장에서는 부하, 회전 속도, 온도 등 다양한 요인으로 인해 이 전제가 깨진다. 이러한 상황에서 새롭게 제시된 A2CNN은 도메인 적응과 적대적 학습을 결합하여, 소스와 타깃 데이터 간의 분포 차이를 최소화하면서도 결함 구분 능력을 유지한다. A2CNN의 구조는 네 개의 주요 모듈로 구성된다. 첫 번째는 소스 특성 추출기(M_S)이며, 5개의 1‑D 컨볼루션 레이어와 2개의 완전 연결 레이어(Fully‑Connected)로 이루어져 있다. 입력은 베어링 진동 신호의 FFT 스펙트럼이며, 이는 기존 연구에서 가장 널리 사용되는 전처리 방식이다. 두 번째는 타깃 특성 추출기(M_T)로, 구조는 M_S와 동일하지만 일부 고수준 레이어는 가중치를 공유하지 않고 독립적으로 학습하도록 설계하였다(부분 언티드). 이는 저수준 특징은 두 도메인에서 공통으로 활용하고, 고수준 특징은 각 도메인에 특화되도록 함으로써 학습 효율과 적응 성능을 동시에 달성한다. 세 번째 모듈은 라벨 분류기(C)이며, 소스 도메인에 대한 교차 엔트로피 손실을 최소화하도록 학습된다. 네 번째는 도메인 판별기(D)로, 소스와 타깃 데이터를 0/1 라벨로 구분하는 이진 분류기를 수행한다. 전체 학습 목표는 다음과 같다. (1) 라벨 분류 손실 L_C를 최소화하여 결함 구분 능력을 확보하고, (2) 도메인 판별 손실 L_D를 최소화하도록 D를 학습하면서, 특성 추출기(M_S, M_T)는 L_D를 최대화하도록 역전파한다. 이는 GAN의 최소‑최대 게임과 동일한 구조이며, 특성 추출기가 도메인 불변(feature invariant) 특성을 학습하도록 유도한다. 실험은 미국 Case Western Reserve University(CWRU) 베어링 데이터베이스를 기반으로 수행되었다. 데이터는 다양한 부하(0HP, 1HP, 2HP, 3HP)와 회전 속도에서 수집된 FFT 스펙트럼으로 구성되며, 각각을 소스와 타깃 도메인으로 매칭하였다. 비교 대상 모델로는 전통적인 1‑D CNN, Adaptive Batch Normalization(AdaBN) 기반 모델, MMD 정규화 DNN 등이 포함되었다. 결과는 A2CNN이 평균 정확도 96% 이상을 달성했으며, 특히 소수 클래스(예: 외부 결함)에서 정밀도와 재현율이 크게 향상된 것을 보여준다. 도메인 차이 측정 지표인 d_HΔH 또한 A2CNN이 가장 낮은 값을 기록해, 두 도메인의 특성 분포가 효과적으로 겹쳐졌음을 확인할 수 있다. 시각화( t‑SNE) 결과 역시 소스와 타깃 데이터가 동일한 클러스터에 모여 있음을 보여, 학습된 특성이 도메인 불변성을 갖는다는 것을 직관적으로 증명한다. 본 논문의 주요 기여는 다음과 같다. 첫째, 소스와 타깃 특성 추출기의 일부 레이어를 부분적으로 언티드함으로써 학습 효율과 도메인 적응 성능을 동시에 달성한 새로운 네트워크 설계. 둘째, 적대적 손실을 활용해 도메인 판별기를 속이는 방식으로 특성 공간을 정규화함으로써, 다양한 작업 조건에서도 일관된 결함 진단 성능을 확보한 점. 셋째, 정확도 외에 정밀도와 재현율을 평가 지표로 도입해, 실제 산업 현장에서 특정 결함 유형에 대한 신뢰성을 정량화한 점. 이러한 접근은 베어링뿐 아니라 다른 회전 기계, 혹은 작업 환경이 변동하는 시계열 데이터 분석에도 적용 가능성을 제시한다.