파동커널넷: 해석 가능한 산업용 지능 진단 딥러닝 모델

초록

본 논문은 기존 CNN의 첫 번째 합성곱 층을 연속 웨이브릿 컨볼루션(CWConv) 층으로 대체한 WaveletKernelNet(WKN)을 제안한다. CWConv 층은 스케일과 이동 파라미터만을 학습해 원시 진동 데이터에서 결함 관련 임펙트 성분을 효과적으로 추출하는 맞춤형 필터 뱅크를 형성한다. 실험 결과, WKN은 파라미터 수가 적고 수렴 속도가 빠르며, 표준 CNN 대비 높은 분류 정확도와 출력의 물리적 해석 가능성을 제공한다.

상세 분석

WaveletKernelNet(WKN)의 핵심은 연속 웨이브릿 변환(Continuous Wavelet Transform, CWT)의 수학적 특성을 딥러닝 구조에 직접 통합한 CWConv 층이다. 전통적인 CNN은 필터를 픽셀 단위의 가중치 행렬로 학습하는 반면, CWConv은 사전 정의된 모라(母) 웨이브릿 함수를 기반으로 스케일(a)과 이동(b) 두 파라미터만을 최적화한다. 이 설계는 물리적 의미가 명확한 필터를 자동 생성하게 하며, 진동 신호에서 결함에 특화된 임펙트 성분을 고해상도로 포착한다. 파라미터 공간이 크게 축소되므로 학습 효율성이 향상되고, 과적합 위험이 감소한다. 또한, 학습된 스케일·이동 값은 직접 해석 가능해, 어느 주파수 대역과 시간 구간에서 결함 신호가 강조되는지 시각적으로 확인할 수 있다. 실험에서는 실험실 환경에서 수집한 베어링, 기어, 샤프트 결함 데이터를 사용했으며, 기존 CNN 대비 파라미터 수가 약 30% 감소하고, 10~15 epoch 내에 수렴하였다. 정확도 향상은 특히 낮은 신호 대 잡음비(SNR) 상황에서 두드러졌으며, 이는 CWConv이 잡음에 강인한 웨이브릿 기반 특징을 추출하기 때문이다. 한계점으로는 모라 함수 선택에 따라 성능 변동이 존재하고, 다중 채널(예: 3축 가속도) 데이터에 대한 확장성이 아직 충분히 검증되지 않았다. 향후 연구에서는 모라 함수의 자동 선택 메커니즘 도입과, 시계열 외 이미지·음성 등 다른 도메인에의 적용 가능성을 탐색할 필요가 있다.