초록 

인덕션 모터는 내구성, 저렴한 비용, 유지보수의 용이성으로 인해 다양한 산업 분야에서 널리 사용된다. 이러한 모터의 지속 가능한 사용을 위해서는 정확한 고장 진단이 필수적이며, 이는 시스템의 안전성과 신뢰성을 확보하는 데 중요한 역할을 한다. 인덕션 모터에서 빈번하게 발생하는 고장 중 하나는 고정자 권선 간 단락(short) 고장으로, 특히 인접한 권선 사이의 절연 파괴로 인해 발생하는 inter-turn short 고장이 대부분을 차지한다. 이러한 SIS(short Inter-turn Short)고장은 과전류가 흐르게 하여 심각한 피해를 초래할 수 있으므로, 적시에 진단하고 조치를 취하는 것이 매우 중요하다. 이를 위해 모터의 실시간 상태를 추정할 수 있는 심각도 추정 모델이 필요하다. 
 기존의 권선 열화 심각도 상태 추정 방법에는 모델 기반 방법이 있다. 모델 기반 방법은 관측기(observer)를 사용하는데, 이 방법의 장점으로는 고장 진행 상황에 대한 외삽이 가능하고, 물리적 현상에 대한 설명이 가능하다는 점이다. 그러나 복잡한 시스템의 경우, 모델 파라미터 설정이 어려울 수 있으며, 노이즈에 대한 높은 민감성으로 인해 실제 취득 신호에 대해 전반적인 성능이 떨어질 수 있다. 

 최근 이러한 단점을 극복하기 위해 Data-driven 방법인 딥러닝이 활용되고 있다. 이 방법은 충분한 데이터가 확보된 경우 실제 취득 신호에 대해 우수한 성능을 보여주며, 자동으로 특징을 추출할 수 있는 장점이 있다. 그러나 외삽 성능이 저하되고, 다량의 데이터가 필요하다는 한계가 있다. 

 이러한 단점을 극복하기 위해 최근에는 물리-데이터 융합 방법이 등장하고 있다. 본 논문에서는 융합 방법 중 하나인 PI-DeepOnet을 활용한 SIS고장 심각도 추정 방법을 제안한다.