초록

베어링은 회전 기계의 핵심 부품으로, 기계의 안정적 운용과 성능에 중요한 역할을 한다. 그러나 베어링은 지속적인 하중과 마찰로 인해 결함이 발생하기 쉽고, 조기에 이러한 결함을 진단하는 것은 기계 시스템의 신뢰성 유지에 필수적이다. 최근 딥러닝 기반의 고장 진단 기법이 주목받고 있지만, 운영 조건의 변화로 인해 모델 성능 저하를 초래할 수 있다. 이에 본 연구에서는 다양한 조건에서 생성된 시뮬레이션 신호를 통해 주파수 대역 기반 특징을 추출하고, 이를 활용한 베어링 상태 추적 알고리즘을 제안한다. 
본 연구에서는 시뮬레이션 신호를 통해 다양한 주파수 성분을 반영한 데이터셋을 생성하였다. 먼저, 충격, 반송파, 운영 성분 등의 주파수 특성을 가진 신호를 시뮬레이션하여 다양한 환경을 모사하였다. 생성된 신호는 Bandpass 필터링을 통해 특정 주파수 대역을 강조하였고, Hilbert 변환을 사용하여 진폭 변화를 시각화였다. 이후 주파수 성분을 RGB 이미지로 변환하여 특징 맵을 생성하였다. 이 특징 맵을 YOLO v8 객체 탐지 모델에 적용하여 베어링의 상태를 분류하고 RPM 및 결함 주파수를 탐지할 수 있도록 학습하였다. 실험 결과, 제안된 알고리즘은 다양한 조건에서 RPM 및 결함 정보를 높은 정확도로 탐지할 수 있었으며, 데이터 드리프트에도 강건성을 보였다. 
본 연구에서는 시뮬레이션 신호를 활용하여 다양한 주파수 대역 특성을 반영한 특징 맵을 생성하고, 이를 바탕으로 베어링 상태를 효과적으로 추적할 수 있음을 확인하였다.