일차원 합성곱 신경망을 활용한 베어링 고장 자동 진단

초록

본 연구는 원시 시간 영역 진동 데이터를 직접 입력으로 사용하여 베어링 고장을 분류하는 경량형 1차원 합성곱 신경망(1D‑CNN) 모델을 제안한다. CWRU와 PU 두 공개 데이터셋을 각각 네 개의 부하 조건(0~3 HP)과 다양한 작동 파라미터로 나누어 학습·평가했으며, CWRU에서는 99.14 %~95.14 %의 정확도, PU에서는 95.63 %의 평균 정확도를 달성하였다. 윈도우 길이와 에폭 수 등 하이퍼파라미터 튜닝이 성능에 중요한 영향을 미침을 확인하였다.

상세 분석

본 논문은 베어링 결함 진단에 있어 전통적인 특징 추출‑분류 파이프라인을 탈피하고, 원시 진동 신호를 그대로 입력으로 사용하는 1차원 CNN 구조를 설계하였다. 데이터 전처리 단계에서는 CWRU 데이터에 500 샘플, PU 데이터에 1 200 샘플 길이의 윈도우를 겹침(stride 300, 200) 방식으로 슬라이딩하여 고정 길이 세그먼트를 생성하였다. 이는 고주파 결함 특성뿐 아니라 저주파 진동 패턴을 동시에 포착하도록 설계된 것으로, 윈도우 크기가 너무 작으면 고주파 하모닉을 놓치고, 너무 크면 연산량이 급증한다는 트레이드오프를 고려한 선택이다.

CNN 아키텍처는 두 개의 컨볼루션 레이어로 구성된다. 첫 레이어는 64개의 필터와 100 샘플 커널을 사용해 넓은 수용 영역을 확보, 베어링 결함에서 나타나는 저주파 진폭 변조와 넓은 스펙트럼을 포착한다. 두 번째 레이어는 32개의 필터와 50 샘플 커널로 세밀한 고주파 특성을 추출한다. 각 레이어 뒤에 ReLU 활성화와 풀링(pool size = 4)을 적용해 비선형성을 강화하고 연산량을 감소시켰다. 최종 플래튼 단계에서 2 816 차원의 피처 벡터를 100 뉴런 전결합층으로 압축하고, Softmax 출력으로 14 (CWRU) 혹은 16 (PU) 클래스 확률을 제공한다. 파라미터 수는 0.5 백만 이하로, 임베디드 디바이스에서도 실시간 추론이 가능하도록 설계되었다.

학습 최적화는 Adam 옵티마이저와 categorical cross‑entropy 손실 함수를 사용했으며, 배치 크기 32, 에폭 50을 기본값으로 설정하였다. 부하별(0~3 HP)로 데이터를 독립적으로 학습·평가함으로써 데이터 누수를 방지하고, 각 부하 조건에서 모델의 일반화 능력을 검증하였다. 하이퍼파라미터 실험에서는 학습률, 드롭아웃 비율, 배치 크기 등을 조정해 최적의 수렴 속도와 과적합 방지를 달성했으며, 특히 윈도우 길이가 500 ~ 1 200 샘플 사이에서 가장 높은 정확도를 보였다.

성능 평가 결과, CWRU 데이터셋에서는 부하가 낮을수록(0 HP) 99.14 %에 달하는 최고 정확도를 기록했으며, 부하가 증가함에 따라 약간 감소해도 95 % 이상을 유지하였다. PU 데이터셋은 실제 결함과 다양한 작동 조건을 포함하고 있음에도 불구하고 95.63 %의 평균 정확도를 달성, 모델의 데이터셋 간 일반화 능력을 입증하였다. t‑SNE 시각화 실험에서는 제안된 2‑layer CNN이 클래스 간 경계를 명확히 구분함을 확인했으며, 더 얕은 모델은 구분력이 떨어지고, 더 깊은 모델은 정확도 향상이 미미하면서 학습 시간과 메모리 사용량이 크게 증가하는 것을 관찰하였다.

결론적으로, 본 연구는 복잡한 전처리 없이 원시 진동 데이터를 직접 학습에 활용함으로써 높은 진단 정확도와 경량 모델 구현을 동시에 달성했으며, 산업 현장의 실시간 모니터링 및 엣지 컴퓨팅 적용 가능성을 제시한다.