초록

베어링 고장 진단은 기계 시스템의 안정성과 신뢰성을 확보하는 데 핵심적인 역할을 한다. 그러나 산업 현장에서는 비용과 설치의 제약으로 인해 고성능 센서 대신 저성능 센서를 사용할 수밖에 없는 경우가 많다. 이러한 센서는 고주파 결함 신호를 충분히 포착하지 못해 진단 정확도가 떨어지는 문제가 있다. 본 연구에서는 저성능 센서로부터 획득한 저해상도 진동 신호를 고해상도로 복원하는 딥러닝 기반 초해상도 프레임워크를 제안한다. 제안된 모델은 GAN 구조를 기반으로 하며, 결함 신호의 피크를 강 조하는 도메인 특화 손실 함수와 물리적으로 해석 가능한 평가 지표인 주파수 에너지 비율(FER)을 포함 한다. 또한, 1 차원 진동 신호에 적합하도록 1D 픽셀 셔플 계층을 적용해 구조를 최적화했다. 베어링 및 펌프 실험 데이터셋을 활용한 사례 연구를 통해, 제안된 방법이 기존 보간 기법 및 기존 초해상도 모델 보다 신호 품질과 진단 성능 측면에서 우수함을 확인했다. 향후에는 비지도 학습으로 확장하고, 실제 산 업 데이터를 활용한 검증을 통해 적용 가능성을 높이고자 한다.