FaultNet: 베어링 결함 분류를 위한 딥 컨볼루션 신경망

생산 현장에 고급 센서의 활용이 증가하면서 기계의 건강 상태에 대한 깊이 있는 통찰을 제공할 수 있는 데이터셋이 축적되고 있다. 기계 상태를 평가하는 중요한 신뢰할 수 있는 지표인 진동 신호 데이터는 기계 시스템 내 발생하는 다양한 고장을 보다 정확히 이해하는 데 기여할 수 있다. 본 연구에서는 베어링을 갖는 기계 시스템의 진동 신호 데이터를 대상으로, 다양한 신호 처리 기법을 결합하고 이를 기계 학습 기법과 연계하여 베어링 고장 유형을 분류하는 방법을 분석한다. 또한, 다양한 신호 처리 기법을 사용하는 것이 고장 탐지 정확도에 미치는 영향을 강조하고, 그 중요성을 분석한다. 기존의 전통적인 기계 학습 알고리즘 외에도, 높은 정확도로 베어링 고장 유형을 효과적으로 식별할 수 있는 컨볼루션 신경망 기반의 새로운 모델인 FaultNet을 제안한다. 본 연구의 주요 특징은 신호로부터 보다 풍부한 정보를 추출하기 위해 제안한 ‘채널(channel)’ 개념이다. 본 연구에서는 원시 신호에 평균값(Mean) 채널과 중앙값(Median) 채널을 스택(stacking)하여, 더 유용한 특징을 추출함으로써 신호 분류의 정확도를 향상시키는 방식을 도입하였다.