초록

기술의 발전으로 전기차와 UAM(도심 항공 모빌 리티)과 같은 모터 구동 시스템이 산업 시스템에 서 중요한 역할을 하고 있다. 이러한 모터 구동 시스템은 기계적, 전기적 요소들이 복합적으로 작 동하며, 시스템의 상태를 모니터링하기 위해 다중 모달(multi-modal) 및 다중 센서(multi-sensor) 체계 를 갖추고 있다. 따라서 모터 구동 시스템의 고장 진단을 위해서는 이러한 다중 모달, 다중 센서로 부터 얻은 정보를 효과적으로 융합하는 것이 중요 하다. 최근 그래프 신경망(Graph Neural Network, GNN) 기반의 그래프 수준 고장 진단 방법이 센서 정보 융합 측면에서 강점을 가지고 있음이 많은 연구를 통해 확인되고 있다. (1) 이 방법은 센서 간의 관계 와 각 센서의 특징을 엣지와 노드로 표현함으로 써, 기존의 고정된 커널을 사용하는 컨볼루션 방 식에 비해 센서 간의 숨겨진 관계를 드러낼 수 있 다. 기존의 그래프 수준 고장 진단 방법들은 다양한 모달 신호를 활용해 원신호 간의 유사도를 바탕으 로 시스템 그래프를 구축하고, 이를 활용하여 높 은 진단 성능을 보여주었다. 그러나 이러한 기존 방법들은 신호 모달에 따른 고장 특성을 충분히 고려하지 않고, 단순히 원신호 간의 유사도만을 활용하여 그래프를 구축하고 학습을 진행했다는 문제점이 있다. 그 결과, 다중 모달 신호의 고장 정보를 완전히 활용하지 못하고, 다양한 고장 모 드에 따른 각 모달 신호의 고유한 특성을 반영하 지 못하는 한계가 있었다. 이 문제를 해결하기 위해, 본 연구에서는 시간주파수 그래프 기반의 새로운 그래프 수준 센서 융합 방법을 제안한다. 제안된 방법은 그래프 구 성 단계를 포함하며, 여기서 다중 모달 신호의 각 주파수 대역에 대해 그래프를 구성하고 이를 연결 하여 최종 그래프를 생성한다. 이로써 모델이 각 주파수 대역에서 나타나는 고장 특성을 더 잘 학 습할 수 있게 한다. 실험적 검증은 다중 모달의 신호를 포함하는 모터 기반 회전 기계 데이터셋을 바탕으로 수행되었으며, 그 결과 제안된 방법이 기존의 다중 모달 센서 데이터 융합 방법을 개선 함을 보여준다.