초록

인공지능을 활용한 베어링 진단기법에 대한 연구가 활발히 진행되고 있으나, 산업 현장에서는 양 질의 데이터를 확보하기가 어려워 효과적인 인공지능 모델의 학습 및 활용이 불가한 실정이다. 이를 해 결하기 위해 시뮬레이션 모델을 활용하여 데이터를 생성하고 인공지능 모델을 학습시키고자 하는 연구 가 일부 진행 되었다. 하지만 시뮬레이션 모델과 실제 현장 데이터의 간극으로 인해, 시뮬레이션 모델로 부터 생성된 가상의 데이터로 학습된 모델이 실제 산업 현장에서 활용되기는 매우 어렵다는 문제가 있 었다. 본 연구에서는 이러한 문제를 해결하기 위해 가상 결함 신호의 물리 정보를 활용한 딥러닝 기반 베어링 진단기법을 제안한다. 제안 연구에서는 정확한 시뮬레이션 모델을 개발하여 생성 신호와 실제 현장 측정 데이터와의 간극을 줄이기 보다, 시뮬레이션 모델의 설계 파라미터를 매우 큰 범위에서 무작 위로 샘플링하여 다양한 특성의 가상 결함 신호를 생성하도록 한다. 이를 통해 인공지능 모델은 매우 광범위한 결함 특성을 학습할 수 있게 된다. 또한 인공지능 모델이 훈련되는 과정에서 가상의 결함 신 호를 생성할 때에 활용되었던 다양한 물리 정보(e.g., 인가된 결함의 주파수 영역)를 함께 학습할 수 있 도록 하였다. 이 과정은 시뮬레이션 모델 샘플링 과정에서 취득된 결함 관련 물리 정보를 활용하여 자 가지도 학습 방식으로 진행될 수 있기 때문에 데이터가 부족한 상황에서도 활용될 수 있을뿐 아니라, 학습 과정에서 인공지능 모델이 결함에 활용되는 물리적 정보와 신호의 문맥을 효과적으로 파악할 수 있도록 한다(1). 본 연구에서는 생성된 가상 결함 신호와 시뮬레이션 신호의 분포 차이를 극복하기 위해 추가적인 도메인 적응형 학습 기법을 함께 도입 하였다. 그 결과 시뮬레이션 모델에서 생성된 가상의 결함 신호로 학습된 인공지능 모델로도 다양한 환경의 실제 측정 데이터에서 효과적인 결함 진단이 가 능함을 보였다.