소음 환경에서도 실시간 베어링 결함 진단을 위한 경량 강인성 네트워크

초록

본 논문은 회전 베어링의 결함을 고속·고부하·소음이 심한 현장에 적용 가능한 경량 딥러닝 모델 LSR‑Net을 제안한다. 1차원 컨볼루션 기반 잡음 제거와 비선형 활성화 앙상블을 결합한 DFEM 모듈로 원시 진동 신호를 3채널 2차원 행렬로 변환하고, 그룹 컨볼루션·채널 분할·주의 메커니즘을 활용한 CES 블록으로 파라미터와 연산량을 최소화한다. 적응형 프루닝을 통해 강한 잡음에서도 높은 디노이징 성능을 유지하며, 엣지 디바이스에서 실시간 추론과 최소 지연 시간을 실현한다. 실험 결과, 기존 경량 모델 대비 잡음 저항성이 우수하고 연산 복잡도는 가장 낮은 것으로 확인되었다.

상세 분석

LSR‑Net은 베어링 결함 진단을 위한 두 가지 핵심 설계 목표, 즉 ‘경량화’와 ‘강인성(robustness)’을 동시에 달성하기 위해 모듈식 구조를 채택한다. 첫 번째 모듈인 DFEM(Denoising and Feature Enhancement Module)은 입력 1‑D 진동 신호를 먼저 Convolution‑based Denoising(CD) 블록을 통해 잡음을 억제한다. CD 블록은 전통적인 필터링이 아니라 학습 가능한 1‑D 컨볼루션 커널을 사용함으로써 신호의 주파수 특성을 자동으로 학습한다. 잡음 강도가 높을 경우, 적응형 프루닝(adaptive pruning) 기법이 CD 블록 내부의 채널을 동적으로 축소하여 연산량을 줄이면서도 핵심 특징을 보존한다.

다음 단계인 Feature Enhancement(FEM)에서는 다중 비선형 활성화 함수를 병렬로 적용하고, 그 출력을 앙상블하여 비선형성을 강화한다. 이 과정에서 얻어진 3‑채널 2‑D 매트릭스는 이미지와 유사한 형태가 되며, 이후 3×3 커널의 2‑D 컨볼루션과 평균 풀링을 통해 공간적 정렬 및 차원 축소가 수행된다.

두 번째 핵심 블록인 CES(Convolution‑based Efficiency Shuffle) 블록은 경량화를 위한 설계 전략을 집약한다. CES는 Group Convolution(GConv)과 Group Pointwise Convolution(GPConv)을 결합한 AGSConv(Attention‑based Group Separable Conv)를 기반으로 하며, 채널을 여러 그룹으로 분할한 뒤 각 그룹에 독립적인 연산을 적용한다. 이렇게 하면 파라미터 수와 FLOPs가 크게 감소한다. 그러나 그룹화는 채널 간 상호작용을 저해할 수 있으므로, 채널 셔플과 SE·SAM 형태의 주의 메커니즘을 삽입해 정보 흐름을 재조정한다. 특히 SE 블록은 채널 중요도를 재가중치하고, SAM은 공간적 강조를 제공함으로써 경량 구조에서도 높은 표현력을 유지한다.

전체 네트워크는 DFEM → CES 반복 구조(K번) → GAP → FC 로 구성된다. 2‑D 특성 맵을 바로 1‑D 벡터로 변환하는 대신 Global Average Pooling을 사용해 차원을 압축함으로써 Fully Connected 레이어의 파라미터 폭발을 방지한다.

실험에서는 CWRU 베어링 데이터셋에 다양한 SNR(0 dB~20 dB) 잡음을 합성해 성능을 평가하였다. LSR‑Net은 동일 파라미터 규모의 MobileNetV2, ShuffleNetV2, EfficientNet 등과 비교해 평균 정확도 3‑5 %p 상승을 보였으며, 특히 저 SNR(≤5 dB) 구간에서 가장 큰 격차를 나타냈다. 연산 복잡도 측면에서는 FLOPs가 0.45 G와 같이 가장 낮았고, 파라미터 수는 0.62 M으로 경량 모델 중 최저 수준이었다. 엣지 디바이스(Raspberry Pi 4, Jetson Nano)에서 측정한 추론 시간은 3.2 ms, 지연 시간은 4.1 ms로 실시간 요구사항을 충분히 만족한다.

요약하면, LSR‑Net은 (1) 1‑D 컨볼루션 기반 잡음 제거와 비선형 활성화 앙상블을 통한 강인한 전처리, (2) 그룹‑포인트와 주의 메커니즘을 결합한 CES 블록을 통한 파라미터·연산 최소화, (3) 적응형 프루닝으로 잡음 강도에 따른 동적 모델 조정, (4) 엣지 환경에 최적화된 저지연 추론을 구현한다는 점에서 기존 경량 베어링 진단 모델을 크게 능가한다.