초록
드론은 군사용 목적, 항공 촬영, 농약 살포 등 다양한 용도로 활용되고 있다. 그러나 드론은 외부 간섭에 취약하며, 프로펠러나 모터의 고장이 쉽게 발생할 수 있다. 드론 운용의 안정성을 높이기 위해서는 드론의 기계적 고장을 실시간으로 탐지하는 것이 필수적이다. 본 논문은 음향 기반의 딥 신경망(DNN) 고장 분류기와 드론 음향 데이터셋을 제안한다. 이 데이터셋은 반음실(아나코이크 챔버) 내에 설치된 마이크를 통해 세 대의 드론에서 수집한 운용 소리를 기반으로 구성되었다. 데이터셋은 비행 방향(전방, 후방, 우측, 좌측, 시계방향, 반시계방향) 및 프로펠러와 모터의 고장 상태를 포함한 다양한 운용 조건을 포함하고 있다. 이후 드론의 소리는 대학 캠퍼스 내 다섯 개의 다른 장소에서 기록한 잡음과 혼합되었으며, 신호 대 잡음비(SNR)는 10 dB에서 15 dB 사이로 조절되었다. 수집된 데이터셋을 이용해, 짧은 시간 간격의 입력 웨이브폼에서 기계적 고장의 유형과 위치를 분류하는 1DCNN-ResNet이라는 DNN 분류기를 학습시켰다. 또한, 보다 일반적인 음성 특징을 학습시키기 위해 다중 작업 학습(MTL, Multitask Learning) 기법을 활용하고, 비행 방향 분류 작업을 보조 작업으로 도입하였다. 미리 보지 않은 데이터에 대한 실험 결과, 제안하는 다중 작업 모델이 단일 작업 모델보다 더 뛰어난 성능을 보이며, 훈련 데이터가 적은 경우에도 우수한 고장 분류 능력을 나타내었다.