다중스케일 특징에서 마할라노비스 거리 메트릭 학습을 통한 트랜스포머 기반 모델의 앙상블을 활용한 소수 샘플 베어링 결함 진단

고성능 딥러닝 모델은 전통적인 머신러닝 및 신호처리 기법에 비해 결함 베어링 진단 작업에서 뛰어난 성능을 보여왔다. 특히, 제한된 학습 데이터 문제를 해결하기 위해 소수 학습(few-shot learning) 접근법이 이 분야에서 큰 주목을 받고 있다. 그러나 최신의 결함 베어링 진단 모델은 입력 데이터의 국소적 특징에 중점을 두는 합성곱 신경망(Convolutional Neural Networks, CNNs) 기반으로 구성되는 경우가 많다. 또한 데이터 변동성, 결함 유형의 다양성, 측정 조건의 차이, 그리고 극도로 제한된 데이터 등의 요인으로 인해 결함 베어링 신호의 정확한 분류는 여전히 도전적인 과제로 남아 있으며, 이에 대한 연구 여지가 충분히 존재한다. 본 연구에서는 인공적 및 실제 결함이 포함된 제한된 데이터 상황에서도 효과적으로 작동하는 새로운 엔드투엔드(end-to-end) 진단 접근법을 제안한다. 특히, 입력 데이터로부터 자동으로 특징을 추출하는 모듈인 다스케일 대형 커널 특징 추출(Multiscale Large Kernel Feature Extraction) 모듈을 제안한다. 추출된 특징은 전역(global)과 국소(local) 두 가지 브랜치로 구성된 이중 구조 모델에 입력된다. 전역 브랜치는 쿼리 셋과 서포트 셋 간의 상관관계를 파악하고 전역 맥락을 처리하기 위해 크로스 어텐션(Cross-attention)을 갖춘 트랜스포머 아키텍처를 포함한다. 국소 브랜치는 마할라노비스 거리(Mahalanobis distance)를 기반으로 한 메트릭 기반 모델로, 서포트 셋의 국소적 특징을 분리하는 데 사용된다. 두 브랜치의 출력은 분류 목적을 위해 앙상블(ensemble) 처리된다. 제안된 모델은 CWRU 및 PU와 같은 두 개의 공개 데이터셋을 대상으로 광범위한 실험과 아블레이션(Ablation) 연구를 수행하였다. 다양한 학습 샘플 수에 따른 정성적·정량적 결과를 기존 최첨단 기법들과 비교하여 분석한 결과, 본 연구에서 제안한 방법이 우수한 성능을 보임을 입증하였다. 본 연구의 코드는 https://github.com/HungVu307/Few-shot-via-ensembling-Transformer-with-Mahalanobis-distance 에 공개될 예정이다.