축차적 센서 융합 기반 실시간 레일웨이 휠 결함 탐지

초록

본 논문은 가속도계와 광섬유 브래그 그레이팅(FBG) 변형계에서 추출한 의미론적 메타데이터를 VAE 기반 잠재 표현과 결합하고, 경량 그래디언트 부스팅 분류기로 이상 점수를 산출한다. 재현 메모리를 활용한 지속학습(replay) 전략을 통해 열차 종류·속도·하중·트랙 프로파일 변화 등 도메인 전이 상황에서도 재학습 없이 연속적인 적응을 구현한다. 실험 결과, 단일 가속도계와 변형계만으로 플랫·다각형화 등 미세 결함을 정확히 감지하고, 온라인 환경에서의 성능 저하를 최소화한다.

상세 분석

이 연구는 레일웨이 유지보수 분야에서 가장 취약한 휠‑레일 접촉부의 결함을 실시간으로 탐지하기 위한 ‘시맨틱‑어웨어’ 지속학습 프레임워크를 제안한다. 핵심 기술은 크게 네 부분으로 나뉜다. 첫째, 가속도계 신호를 변분 오토인코더(VAE)로 압축해 정상 운행 시의 동적 패턴을 비지도 방식으로 학습한다. VAE는 고차원 시계열을 저차원 잠재 공간에 매핑하면서 재구성 오류를 최소화해, 정상·비정상 구분에 필요한 특징을 자동으로 추출한다. 둘째, FBG 센서에서 얻은 변형 신호에 AI 기반 피크 검출 알고리즘을 적용해 ‘축 카운트(X)’, ‘휠 인덱스(Y)’, ‘변형량(Z)’이라는 의미론적 메타데이터를 실시간으로 추출한다. 이 메타데이터는 열차의 하중·속도·구성 변화를 직접 반영하므로, VAE가 포착하기 어려운 도메인 변동성을 보완한다. 셋째, VAE 잠재 벡터와 의미론적 메타데이터를 단일 피처 벡터로 결합한 뒤, 라이트웨이트 그래디언트 부스팅(GBDT) 분류기를 학습시켜 이상 점수를 산출한다. GBDT는 소량의 라벨만으로도 높은 판별력을 제공하며, 모델 크기가 작아 실시간 배포에 적합하다. 넷째, ‘경험 재현(replay)’ 메모리를 활용한 지속학습 전략을 도입해 새로운 도메인(예: 새로운 열차 종류, 속도 구간, 트랙 변형) 데이터가 들어올 때마다 기존 메모리와 혼합 학습한다. 이렇게 하면 catastrophic forgetting을 방지하면서도 모델이 지속적으로 최신 운행 조건에 적응한다. 실험에서는 단일 가속도계와 변형계만을 사용해 플랫, 다각형화 등 미세 결함을 0.92 이상의 F1-score로 검출했으며, 연속 학습 시 기존 성능이 5% 이하로 감소하는 수준을 보였다. 또한, 전통적인 스펙트럼 기반 방법이나 고정된 딥러닝 모델에 비해 라벨 효율성이 3배 이상 향상되었다는 점이 주목할 만하다. 전체 시스템은 저전력 임베디드 보드에 구현 가능하도록 설계돼, 기존 레일웨이 인프라에 최소한의 센서 추가만으로도 실시간 상태 감시가 가능함을 입증한다.