초록
신호 분석 기반의 지능형 결함 진단 방법은 베어링 결함 진단 분야에서 널리 활용되고 있다. 이러한 방법들은 사전에 정의된 변환 기법(예: 경험적 모드 분해, 빠른 푸리에 변환, 이산 웨이블릿 변환)을 사용하여 시간 영역 신호를 주파수 영역 신호로 변환하며, 진단 시스템의 성능은 추출된 특징에 크게 의존한다. 그러나 신호 특징을 추출하는 과정은 상당히 시간이 오래 걸리며, 전문적인 신호 처리 지식이 필요하다. 일부 연구에서는 높은 정확도를 보이는 알고리즘을 개발했지만, 진단 결과는 대규모 데이터셋에 크게 의존하며, 인간의 분석이 신뢰할 수 없는 경우가 많다. 본 연구에서는 원시 진동 신호를 입력으로 사용하는 자동 특징 학습 신경망을 제안한다. 이 네트워크는 서로 다른 커널 크기를 가진 두 개의 합성곱 신경망을 활용하여 원시 데이터로부터 다양한 주파수 영역 신호 특징을 자동으로 추출하고, 추출된 특징을 바탕으로 장단기 기억(LSTM)을 사용하여 결함 유형을 식별한다. 입력 전에 데이터가 다운샘플링되어 네트워크의 파라미터 수를 크게 감소시켰다. 실험 결과, 제안된 방법은 평균 정확도 98.46%를 달성하며, 사전 지식 기반의 일부 최첨단 지능형 알고리즘을 능가할 뿐만 아니라 노이즈 환경에서도 더 우수한 성능을 보였다.