초록

회전체 기반의 기계 시스템은 산업 현장에서 널리 사용되며, 이들의 상태를 정확히 평가하고 결함을 진단하는 것은 매우 중요하다. 그러나 동일한 기계 설비가 한 공간에 다수 존재하는 경우, 각 설비의 진동 신호에는 내부 부품 간의 마찰, 충돌, 외부 진동 간섭 등으로 인해 다양한 수준의 노이즈가 포함된다. 특히, 초기 단계의 고장 특성은 이러한 노이즈에 의해 은폐되어 기계 상태를 정확히 식별하기 어렵다. 이에 따라, 다양한 노이즈 수준에서 원본 신호를 복원할 수 있는 디노이징 방법이 요구된다. 기존의 푸리에 변환 (Fourier Transform, FT), 경험적 모드 분해(Empirical Mode Decomposition, EMD) 와 같은 노이즈 제거 방법은 원시 신호를 주파수 성분이나 고유 모드 함수로 분해하여, 소프트 임계값 기법 등을 통해 노이즈 성분을 제거한다. 그러나 이러한 방법들은 원시 신호에 직접 적용하기 어렵고, 전문 지식에 기반한 하이퍼파라미터 선택에 크게 의존하는 한계가 있다. 이러한 한계로 인해 최근 몇 년간 딥러닝 기반 디노이징 기법이 급격히 발전하며 진동 신호 분석에 널리 사용되고 있다. 특히, Autoencoder 기반 디노이징 방법은 노이즈 신호로부터 원시 신호를 복원하는 데 효과적이나, 중요한 정보를 압축하는 과정에서 일부 세부 사항이 손실될 수 있다. 이 는 고장 성분과 같은 중요한 세부 정보를 복원하는 데 어려움을 초래할 수 있으며, 심한 노아즈가 존재하는 경우 신호의 에너지가 노이즈의 에너지에 비해 작아 세부 사항을 효과적으로 포착하기에 어려운 문제가 있다. 본 연구에서는 이러한 한계점을 극복하기 위해 확산 모델 기반의 디노이징 방법을 제안한다. 확산 모델은 설정된 노이즈 스케줄에 따라 원본 신 호에 노이즈를 점진적으로 추가하여 다양한 노이 즈 수준의 데이터를 생성하고, 이를 역확산 과정 에서 원본 신호로 복원할 수 있도록 학습된다. (5) 이 방법은 모델이 원본 신호부터 가우시안 노이즈 까지의 노이즈 수준을 학습함으로써, 노이즈 에너 지가 신호 에너지보다 큰 상황에서도 효과적으로 노이즈를 제거할 수 있다. 제안 방법의 우수성을 검증하기 위해, 다양한 노이즈 수준에서 Case Western Reverse University(CWRU) 모터 베어링 데이터셋에 대해 디노이징을 수행하였고, 기존 모델보다 우수한 디노이징 성능을 보였다. 마지막으로 제안된 방법 의 우수성을 평가하고 향후 연구 방향을 논의한다