연속 웨이브렛 변환 기반 YOLO 객체 검출을 이용한 베어링 결함 진단

초록

본 논문은 진동 신호를 모럴렛 연속 웨이브렛 변환(CWT)으로 2차원 시간‑주파수 스펙트로그램으로 변환한 뒤, 최신 YOLOv9·v10·v11 객체 검출 모델을 적용해 결함 영역을 위치하고 종류를 동시에 분류하는 프레임워크를 제안한다. CWRU, Paderborn, IMS 세 공개 데이터셋에서 기존 MCNN‑LSTM 기반 분류 모델을 크게 능가하는 mAP@0.5(최고 99.5%)와 높은 해석 가능성을 보이며, 특히 YOLOv11은 연산량이 가장 낮음에도 우수한 성능을 유지한다.

상세 분석

이 연구는 베어링 결함 진단을 전통적인 전역 분류 방식에서 벗어나, 시간‑주파수 평면상의 국부적 특징을 직접 탐지하는 객체 검출 문제로 재구성한다는 점에서 혁신적이다. 먼저 1차원 진동 신호를 모럴렛 파형을 이용한 연속 웨이브렛 변환(CWT)으로 변환한다. 모럴렛은 고주파 잡음에 강하면서도 시간·주파수 해상도가 균형 잡힌 특성을 가지고 있어, 초기 결함이 발생하는 순간적인 에너지 폭발을 효과적으로 강조한다. 변환 결과는 640×640 픽셀의 그레이스케일 스펙트로그램으로 정규화·로그 압축되어 YOLO 입력 형태에 맞게 전처리된다.

데이터 라벨링 단계에서는 각 스펙트로그램에서 결함에 해당하는 에너지 집중 영역을 수동으로 바운딩 박스로 표시한다. 이는 기존의 전체 신호에 단일 라벨을 부여하는 방식과 달리, 모델이 “어디서” 결함이 발생했는지를 학습하도록 만든다. 라벨링 기준은 에너지 피크가 가장 뚜렷하게 나타나는 영역을 중심으로 하며, 다중 피크가 존재할 경우 가장 일관된 클러스터만을 선택해 주관적 변동성을 최소화한다. 데이터 증강으로는 좌우 반전, ±5° 회전, 대비 변동을 적용해 실제 현장 변동성을 시뮬레이션한다.

YOLOv9·v10·v11은 각각 최신 경량 검출 아키텍처를 채택한다. YOLOv9은 PGI와 GELAN 백본을 통해 다중 스케일 표현을 강화하고, 앵커 프리(detector‑free) 방식을 사용한다. YOLOv10은 NMS를 제거하고 dual‑label 할당 전략으로 객체성(objectness) 예측을 간소화하며, SCDown과 CIB 블록으로 채널 중복을 억제한다. YOLOv11은 C3k2 모듈과 C2PSA 주의 메커니즘을 도입해 FLOPs를 6.3 G 이하, 파라미터를 2.46 M 수준으로 최소화하면서도 높은 정확도를 유지한다.

실험 결과는 세 데이터셋(CWRU, PU, IMS) 모두에서 YOLO 계열이 MCNN‑LSTM 기반 1D 분류 모델을 크게 앞선다는 점을 보여준다. 특히 CWRU와 IMS에서는 mAP@0.5가 99 % 이상이며, PU에서는 YOLOv11이 97.8 %의 mAP와 94 % 이상의 정밀·재현율을 기록한다. FLOPs와 파라미터 측면에서도 YOLOv10·v11은 YOLOv9 대비 30배 이상 효율성을 높였으며, 이는 임베디드 환경에서 실시간 모니터링이 가능함을 의미한다.

또한, 객체 검출 결과는 시각적으로 결함 패턴을 지역화해 주므로, 엔지니어가 특정 주파수·시간 구간의 이상을 직접 확인할 수 있다. 이는 “블랙박스” 특성을 가진 전통적 딥러닝 분류 모델과 달리, 유지보수 의사결정에 필요한 해석 가능성을 제공한다.

한계점으로는 바운딩 박스 라벨링에 인적 비용이 소요되고, 라벨링 품질에 따라 모델 성능이 좌우될 수 있다는 점이다. 또한, 현재는 4가지 결함 유형(정상, 볼, 내부·외부 레이스)만을 다루었으며, 복합 결함이나 회전 속도·부하 변화에 대한 일반화 검증이 추가로 필요하다. 향후 연구에서는 자동 라벨링 기법, 다중 라벨(복합 결함) 지원, 그리고 온라인 학습을 통한 실시간 적응성을 탐구할 여지가 있다.