FE MCFormer: 강한 잡음 속 회전기계 해석가능 고장진단 프레임워크

초록

이 논문은 강한 잡음 환경에서 회전 기계의 고장을 진단하기 위한 새로운 트랜스포머 기반 프레임워크인 FE-MCFormer를 제안한다. Fourier 적응 재구성 임베딩 층(FAREL)과 시간-주파수 융합 모듈을 도입하여 기존 방법의 한계인 잡음에 취약하고 해석이 어려운 문제를 해결했으며, 두 개의 실험실 데이터셋과 하나의 실산업 데이터셋을 통해 그 유효성을 입증했다.

상세 분석

본 논문이 제안하는 FE-MCFormer는 회전기계 고장진단 분야에서 두 가지 주요 한계점을 해결하고자 설계되었다. 첫째, 강한 잡음 환경에서 약한 고장 신호가 묻혀 기존 CNN 기반 방법의 성능이 저하되는 문제이다. 둘째, 트랜스포머의 Multi-Head Self-Attention(MHSA)이 가진 높은 계산 복잡도와 국소적 특징 추출의 부족이라는 구조적 한계이다.

이를 해결하기 위한 핵심 기술적 기여는 세 가지로 요약된다. 첫 번째는 Fourier Adaptive Reconstruction Embedding Layer (FAREL) 이다. 이 층은 입력 신호를 주파수 영역으로 변환한 후, 학습 가능한 복소수 가중치를 적용해 적응적으로 주파수 성분을 재구성하고 다시 시간 영역으로 변환한다. 이 과정은 넓은 대역 잡음에 묻힌 고장 관련 주파수 성분(예: 베어링 고유주파수)을 선택적으로 강조하는 ‘적응적 주파수 필터링’ 역할을 하여, 모델의 잡음 견고성과 해석 가능성을 동시에 향상시킨다.

두 번째는 Multiscale Convolutional Attention Layer (MSCAL) 이다. 이는 트랜스포머 블록 내부의 MHSA를 대체하여 설계되었다. 1x3, 1x5 등 다양한 크기의 컨볼루션 커널을 병렬로 사용해 다중 스케일의 국소적 시간 영역 특징(예: 충격파의 형태, 간격)을 효율적으로 추출한다. MHSA에 비해 계산 효율성이 높으면서도, 컨볼루션 연산의 특성상 진동 신호의 국소적 패턴 인식에 강점을 보인다.

세 번째는 Time-Frequency Fusion Network (TFFN) 이다. 기존 피드포워드 네트워크(FFN)를 대체하며, FAR 연산을 내부에 통합해 특징맵을 주파수 영역에서 재구성한다. 이를 통해 MSCAL에서 추출된 시간 영역의 국소적 특징과 FAREL에서 얻은 주파수 영역의 전역적 정보를 블록 내에서 지속적으로 융합할 수 있게 한다. 이는 모델의 비선형 표현력과 전역적 문맥 이해 능력을 강화하는 데 기여한다.

종합적으로, FE-MCFormer는 FAREL(전역/주파수 필터링) -> MSCAL(국소/시간 특징) -> TFFN(시간-주파수 융합)의 흐름을 통해 신호의 다중 스케일 시간-주파수 융합 특징을 체계적으로 추출한다. 이 구조는 강한 잡음 하에서도 고장 관련 특징을 안정적으로 포착하고, FAREL과 MSCAL의 동작을 통해 ‘어떤 주파수 성분이 강조되었는가’, ‘어떤 시간 영역 패턴에 주목했는가’를 시각적으로 추적할 수 있어 모델의 의사결정 과정에 대한 해석 가능성을 제공한다는 점에서 의미가 크다.