기술 요약: 시계열-주파수 해석 가능 결함 진단을 위한 FE-MCFormer

1. 문제 정의

회전 기계는 산업 안전과 효율성에 매우 중요하지만, 운영 신뢰성이 예기치 않은 고장으로 인해 빈번하게 저해됩니다. 데이터 기반 결함 진단(FD) 방법론이 크게 발전했음에도 불구하고, 실제 산업 현장에서는 다음과 같은 두 가지 주요 과제에 직면해 있습니다:

1. 강한 노이즈 간섭: 가혹한 운전 환경은 심각한 배경 노이즈(예: 전자기 간섭, 가변 부하)를 유입시켜, 결함 관련 충격 특징을 잠식하고 기존 모델의 성능을 저하시킵니다.
2. 해석 가능성 부족: 많은 딥러닝 모델은 "블랙박스" 형태로 작동합니다. 이들의 내부 의사결정 메커니즘은 거의 조사되지 않으며, 이는 산업 운영에서의 신뢰도와 실용적 적용성을 떨어뜨립니다. 또한, 기존의 해석 가능한 방법들은 시간 영역 또는 주파수 영역 중 하나에만 국한되는 경우가 많아, 정보가 두 영역 모두에 분포할 수 있는 복잡한 결함을 진단하는 데 필수적인 통합된 **시계열-주파수 해석 가능성(time–frequency interpretability)**을 제공하지 못합니다.

2. 방법론: FE-MCFormer

저자들은 강력한 노이즈 조건에서도 견고하고 해석 가능한 결함 진단을 달ometric하도록 설계된 새로운 아키텍처인 FE-MCFormer(Frequency-Enhanced Multiscale Convformer)를 제안합니다. 이 프레임워크는 세 가지 핵심 구성 요소를 통합합니다:

2.1. 주파수 적응형 학습 레이어 (FALL)

입력 단계에 위치한 FALL은 학습 가능한 스펙트럼 재구성을 통해 첫 번째 단계의 해석 가능한 진단을 수행합니다.

• 메커니즘: 입력 신호를 주파수 영역으로 변환하기 위해 이산 푸리에 변환(DFT)을 사용합니다. 학습 가능한 스펙트럼 가중치 벡터($W$)가 요소별 곱셈을 통해 적용되어, 노이즈가 지배적인 주파수 성분은 감쇄시키는 동시에 결함에 민감한 고조파 구조는 보존합니다.
• 기능: 관습적인 컨볼루션 필터가 주파수 응답을 암묵적으로 학습하는 것과 달리, FALL은 스펙트럼을 명시적으로 형성합니다. 이는 딥 피처 추출이 시작되기 전에 광대역 산업 노이즈를 억제하는 글로벌 인코더 역할을 합니다.

2.2. 다중 스케일 시계열-주파수 융합 (MSTFF) 모듈

이 모듈은 표준 멀티 헤드 셀프 어텐션(MHSA)의 이차 복잡도(quadratic computational cost) 없이 국부적인 충격 특성과 구조화된 글로벌 스펙트럼 상호작용을 공동으로 포착합니다. 이는 두 개의 하위 구성 요소로 이루어져 있습니다:

• 다중 스케일 컨볼루션 어텐션 레이어 (MSCAL): $1\times3$ 및 $1\times5$ 컨볼루션 커널을 가진 병렬 브랜치를 활용하여 다중 스케일 시간 특징을 추출합니다. 소프트맥스 기반 어텐션 메커니즘은 진단적 관련성에 따라 이러한 특징들을 적응적으로 스케일링하여, 모델이 글로벌 시퀀스 내에서 가려질 수 있는 국부적인 결함 충격에 집중할 수 있도록 합니다.
• 시계열-주파수 융합 네트워크 (TFFN): 국부적인 시간 영역 모델링과 글로벌 주파수 영역 의존성을 결합합니다. 이는 로컬 패턴을 위해 depthwise 컨볼루션을 사용하며, 주파수 영역 내에서 주파수 적응 학습(FAL) 연산을 통합하여 장거리 의존성을 모델링하고 비선형 표현을 강화합니다.

2.3. 증류 레이어 (Distillation Layers)

MSTFF 블록 사이에 계층적 증류 레이어가 배치됩니다. 이 레이어들은 1-D 컨볼루션과 맥스 풀링(max-pooling)을 사용하여 각 단계에서 시간 차원을 절반으로 줄입니다. 이는 메모리 사용량과 계산 부담을 줄이는 동시에 집중된 글로벌 피처 맵을 생성하여, 모델이 긴 진동 시퀀스에 대해 계산 효율성을 유지할 수 있도록 보장합니다.

3. 주요 기여

본 논문은 네 가지 주요 기여를 설명합니다:

1. 새로운 아키텍처: 강력한 노이즈 환경에서 터보 기계 결함을 진단하기 위해 시계열-주파수 해석 가능 특징을 통합한 프레임워크인 FE-MCFormer를 개발했습니다.
2. 주파수 적응형 학습 (FALL): 첫 번째 레이어에서 글로벌 스펙트럼 정보를 적응적으로 인코딩하고 노이즈 지배적 성분을 억제하여, 견고성과 해석 가능성을 모두 향상시키는 레이어를 도입했습니다.
3. 다중 스케일 시계열-주파수 융합: 다중 스케일 어텐션과 시계열-주파수 융합 네트워크를 결합하여 국부적인 충격 동작과 글로벌 스펙트럼 상호작용을 모두 포착하는 MSTFF 모듈을 설계했습니다.
4. 검증: 두 가지 데이터셋(벤치마크 롤링 베어링 데이터셋 및 실제 원심 압축기 데이터셋)에 대한 광범한 실험적 검증을 통해 -10 dB SNR에서도 안정적인 성능을 입증했습니다.

4. 실험 결과

저자들은 두 가지 데이터셋에 대해 7가지 최신 기술(SOTA) 방법론(MSCNN-LSTM, ResNet50, DenseNet, Vanilla Transformer, Li-convformer 포함)과 FE-MCFormer를 비교 평가했습니다:

사례 1: Paderborn 대학교 (PU) 롤링 베어링 데이터셋

• 조건: 18가지 결함 상태(정상, 외륜, 내륜)와 -10 dB에서 -2 dB 범위의 가우시안 백색 노이즈가 추가되었습니다.
• 성능: FE-MCFormer는 -2 dB SNR에서 **99.11%**의 정확도를, -10 dB에서 **72.99%**의 정확도를 달성했습니다.
• 비교: CNN 기반 및 Transformer 기반 베이스라인 모델들을 지속적으로 능가했습니다. 예를 들어, -10 dB에서 FE-MCFormer(72.99%)는 ResNet50(58.85%)과 Vanilla Transformer(43.43%)를 크게 앞질렀습니다.
• 효율성: 표준 모델은 338.95M FLOPs가 필요했고, 경량 버전(FE-MCFormer-s)은 54.60M FLOPs가 필요하여 둘 다 ResNet50(1610.34M FLOPs)보다 낮았습니다.

사례 2: 실제 원심 압축기 데이터셋

• 조건: 5가지 운전 상태(정상, 블레이드 파손, 블록 마찰, 오일 월, 로터 불균형)와 -10 dB에서 -2 dB 사이의 SNR 조건입니다.
• 성능: FE-MCFormer는 -2 dB SNR에서 **99.98%**의 정확도를, -10 dB에서 **93.48%**의 정확도를 달성했습니다.
• 비교: 모든 SNR 수준에서 Li-convformer(강력한 경량 베이스라인)를 1.65%에서 3.74% 범위로 능가했습니다.

해석 가능성 분석

• 주파수 영역: FALL 재구성을 통한 시각화 결과, 모델이 결함에 민감한 고조파(예: 베어링의 BPFO/BPFI, 압축기의 회전 고조파)는 유지하면서 광대역 노이즈를 성공적으로 억제했음을 보여주었습니다.
• 시간 영역: 어텐션 히트맵은 높은 노이즈(-8 dB) 환경에서도 모델이 물리적으로 의미 있는 결함 충격 영역에 집중하고 있음을 보여주었으며, 이는 FAL이 없는 모델들이 분산된 어텐션을 보이는 것과 대조적입니다.

5. 의의 및 주장

본 논문은 FE-MCFormer가 복잡한 노이즈 환경에서의 터보 기계 결함 진단을 위한 효과적인 프레임워크를 제공한다고 주장합니다. 그 의의는 다음과 같습니다:

• 견고성: 다른 딥러닝 모델들이 실패하거나 성능이 급격히 저하되는 심각한 노이즈 조건(-10 dB)에서도 높은 진단 정확도를 유지하는 능력입니다.
• 해석 가능성: 이 아키텍처는 첫 번째 레이어(FALL을 통해)와 딥 피처 표현 모두에서 시계열-주파수 해석 가능성을 제공합니다. 이를 통해 엔지니어는 어떤 주파수 성분이 보존되고 어떤 시간 구간에 주목했는지를 관찰함으로써 왜 그러한 진단이 내려졌는지 이해할 수 있습니다.
• 산업적 적용 가능성: 실제 원심 압축기 데이터셋에 대한 성공적인 검증은 이 방법이 높은 성능과 계산 효율성의 균형을 맞추어 실제 산업 상태 모니터링 시스템에 배포될 수 있음을 시사합니다.

저자들은 제안된 방법이 강한 노이즈를 명시적으로 처리하고 시계열-주파수 분석을 통합함으로써 기존의 해석 가능한 FD 방법의 한계를 해결하며, 이를 통해 지능형 운영 및 유지보수 시스템의 신뢰성을 향상시킨다고 결론짓습니다.