초록 

 현대 산업 시스템의 고장 진단을 시스템의 복잡성과 다양성으로 인해 단일 센서 데이터만으로는 시스템 전반에 대한 성능을 진단하는 것이 제한된다. 이를 해결하기 위해, 다양한 센서로부터 데이터를 수집하여 융합하는 SOM (Self-Organizing Map)과 GNN(Graph Neural Network)기반의 Sensor fusion 연구가 활발히 진행되고 있다. 그러나 위 방법들은 몇 가지 중요한 한계점이 존재한다. SOM은 유클리드 거리 기반의 데이터 유사성을 바탕으로 데이터 간의 관계를 파악한다. 그러나 이는 고차원 공간에서의 복잡한 비선형 관계를 충분히 반영하지 못하여, 시스템의 전반적인 고장 특성을 반영하지 못하여, 시스템의 전반적인 고장 특성을 반영하지 못한다. GNN은 복잡한 시스템을 반영한 그래프 구조를 학습하는 강력한 방법이지만, 그래프의 구성요소를 구현하기 위해 높은 연산량을 요구한다. 따라서 시스템 진단에 필요한 정보를 더욱 효과적으로 압축하여 제공하는 것이 필수적인데, 이러한 압축 과정이 충분하지 않을 경우, 효과적인 고장 진단을 보장하기 어렵다. 이러한 문제를 해결하기 위해 본 연구에서는 UMAP(Uniform Manifold Approximation and Projection)을 기반으로 한 새로운 차원 축소 기반 고장 진단 방법을 제안한다. 먼저 CNN(Convolutional Neural Network)을 활용해 다양한 센서 데이터의 잠재 공간(Latent Space)을 학습하고, 이를 UMAP을 사용하여 저차원으로 변환함으로써 데이터 간의 기하학적 유사성을 유지하면서 1차 클러스터링을 수행한다. 이후, UMAP의 fuzzy simplicial set구조를 활용해 데이터 간의 연결 강도를 확률적으로 추정하고, 이를 통해 더욱 세밀한 서브 클러스터를 형성한다. 마지막으로, Gaussian Mixture Model(GMM)을 적용하여 고장 유형 간의 경계를 정밀하게 구분하는 방식을 사용한다. 본 연구는 이러한 방법을 도심형 항공기(UAM)모터 시스템에 적용하여 성능을 검증하였다. CNN의 latent space와 UMAP를 결합한 health map을 제시하는 최초의 연구로, 시스템의 고장 상태를 진단하는 솔루션을 제시한다.