PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.26317v1eess.SP

베어링 결함 진단 및 기계 상태 모니터링을 위한 모수화 일반화 적응 모멘트 특징(PG-AMF)

Parametric Generalized Adaptive Moment Features (PG-AMF) for Bearing Fault Diagnosis and Machine Health Monitoring

회전 기계의 롤링 베어링 결함 진단 정확도는 산업 안전 확보와 예측 정비(predictive maintenance)에 필수적이다. 기존 통계적 특징 기반 방법은 사전 정의된 기술자(descriptor)에 의존하며, 고정된 구성과 다양한 결함 조건에 대한 제한된 적응성으로 인해 진단 민감도가 제약된다. 심층 학습 접근법은 강한 표현력을 제공하지만, 높은 데이터 요구량과 해석 가능성 저하로 인해 효과가 종종 제한된다. 본 연구에서는 특징 특성을 수동으로 지정하는 대신 데이터로부터 직접 학습하는 모수화 적응형 특징 추출 프레임워크를 제안한다. 진동 신호로부터 절대 특징(신호 에너지 분포 포착), 부호 모멘트 특징(파형 비대칭성 반영), AC 결합 모멘트 특징(동적 변동 강조) 등 여러 상보적 표현을 추출하고, 다중 센서 채널 간 상호작용은 구조화된 융합 메커니즘을 통해 모델링하여 결함 표현을 강화한다. 제안 방법은 정상 운전 및 여러 결함 유형을 포함한 다섯 가지 건강 상태로 구성된 벤치마크 기어박스 베어링 데이터셋에서 평가되었다. 교차 검증(cross-validation)에서도 일관된 결과가 관찰되어 강한 일반화 능력을 보였으며, 기존 방법 대비 향상된 분류 성능이 확인되었다. 또한 저차원 투영에서 더 뚜렷한 클러스터링 패턴을 통해 향상된 특징 분리성이 입증되었다. 학습된 표현은 광범위한 신호 특성을 효과적으로 포착하여 진단 성능 향상과 산업 모니터링 시스템에서의 실용적 적용 가능성을 모두 뒷받침한다.