WaveletInception Networks for on-board Vibration-Based Infrastructure Health Monitoring

기술 요약: 차량 탑재 진동 기반 인프라 건강 모니터링을 위한 웨이블릿 인셉션 네트워크

문제 제기
철도 인프라의 효과적인 유지보수는 정확하고 국소화된 건강 모니터링에 의존합니다. 시각 검사나 고정형 센서 네트워크와 같은 전통적인 방법들은 종종 노동 집약적이며 규모 측면에서 제한적입니다. 축상 가속도 (ABA) 신호를 이용한 차량 탑재 진동 분석은 확장 가능한 대안을 제공하지만, 기존 딥러닝 접근법은 상당한 난관에 직면해 있습니다. 여기에는 진동 신호의 다중 스케일 비정상 특성을 포착하는 어려움, 수동 특징 공학에 대한 의존성, 그리고 정보 손실 없이 가변적인 측정 속도를 처리하지 못하는 문제가 포함됩니다. furthermore, 대부분의 현재 프레임워크는 분석에 운영 조건 (예: 차량 속도) 을 명시적으로 통합하지 못하여 다양한 실제 시나리오에서의 일반화 능력을 제한합니다. 또한, 표준 합성곱 신경망 (CNN) 은 일반적으로 고정된 입력 크기를 요구하므로, 스펙트로그램 크기 조정과 같은 전처리 단계를 필요로 하는데, 이는 스펙트럼 해상도를 저하시키고 국소화된 결함을 흐리게 만듭니다.

방법론
본 논문은 가변 길이와 속도를 명시적인 전처리 없이 직접 처리할 수 있도록 설계된 새로운 딥러닝 프레임워크인 WaveletInception-BiGRU를 제안합니다. 이 아키텍처는 두 가지 주요 단계로 구성됩니다:

1. 웨이블릿 인셉션 특징 추출:

   • 학습 가능한 웨이블릿 패킷 변환 (LWPT) 스템: 네트워크는 원시 진동 신호를 다중 해상도 서브밴드로 계층적으로 분해하는 LWPT 모듈로 시작합니다. 고정된 웨이블릿 변환과 달리, 필터는 표준 기저 (예: Daubechies db4) 로 초기화되고 역전파를 통해 정제됩니다. 이를 통해 모델은 특정 데이터 분포에 최적화된 필터 뱅크를 학습할 수 있습니다. LWPT 는 구조적 과도 현상을 보존하면서 확률적 노이즈를 억제하는 미분 가능한 더블 샤프 시그모이드 활성화 함수를 사용하는 적응형 노이즈 제거 메커니즘을 포함합니다.
   • 채널 투영: LWPT 뒤에는 $1 \times 1$ 합성곱 계층이 이어져 학습된 채널 투영 역할을 수행하며, 유익한 스펙트럼 성분을 자동으로 가중치 부여하고 우선순위를 지정하는 동시에 노이즈가 많은 채널을 억제합니다.
   • 1D 인셉션-ResNet 백본: 추출된 특징은 일련의 1D 인셉션-ResNet 모듈을 통해 처리됩니다. 이러한 블록은 다양한 커널 크기를 가진 병렬 합성곱 분기를 활용하여 다중 스케일 시간 패턴을 포착하고, 깊은 아키텍처에서 훈련을 안정화하기 위해 잔차 연결을 사용합니다. 이 설계는 2D 시간 - 주파수 표현의 계산 오버헤드와 추상화를 피합니다.

2. BiGRU 기반 시간 모델링 및 융합:

   • 운영 조건 융합: 다층 퍼셉트론 (MLP) 이 차량 측정 속도를 고차원 임베딩으로 인코딩합니다. 이 속도 임베딩은 후기 단계 융합 전략을 통해 Bidirectional Gated Recurrent Unit (BiGRU) 레이어 내에서 진동 특징과 융합됩니다. 이를 통해 네트워크는 스펙트럼 특징과 운영 조건 간의 상호작용 (예: 속도가 여기 수준과 신호 길이에 미치는 영향) 을 모델링할 수 있습니다.
   • 순차적 건강 추정: 두 번째 BiGRU 레이어는 융합된 특징을 처리하여 양방향 시간적 의존성을 포착합니다. 이는 특정 인프라 구성 요소 (예: 침목이나 보) 의 건강 상태가 인접한 구성 요소에 의해 어떻게 영향을 받는지 이해하는 데 중요합니다.
   • 분산 샘플링: 구성 요소 수준의 해상도를 달성하기 위해 모델은 분산 샘플링 전략을 사용합니다. 시퀀스를 단일 전역 상태로 축소하는 대신, 네트워크는 $N$개의 물리적 구조 요소 (예: 침목) 에 해당하는 $N$개의 특징 벡터를 추출합니다. 이는 네트워크 출력과 인프라의 물리적 배치 간의 1 대 1 매핑을 유지합니다.

주요 기여

• 웨이블릿 인셉션 네트워크: 초기 학습 가능한 스펙트럼 분해를 위한 LWPT 와 다중 스케일 특징 추출을 위한 1D 인셉션-ResNet 블록을 결합한 새로운 아키텍처. 이 접근법은 수동 특징 공학의 필요성을 제거하고 시간 영역에서 가변 길이 입력을 직접 처리합니다.
• 운영 조건 통합: BiGRU 를 통해 측정 속도와 기타 운영 요인을 특징 추출 과정에 명시적으로 통합하는 특징 융합 전략으로, 가변 속도 하에서 강력한 분석을 가능하게 합니다.
• 양방향 순차 모델링: 과거와 미래의 시간적 문맥을 모두 포착하기 위해 BiGRU 레이어를 사용하여 인프라 구간 전반의 의존성을 활용함으로써 국소화된 건강 상태 추정을 개선합니다.
• 고해상도 구성 요소 수준 추정: 네트워크 출력을 인프라의 물리적 배치와 정렬시키는 분산 샘플링 전략으로, 집계된 구간 지수 대신 정밀하고 국소화된 건강 평가를 가능하게 합니다.

결과
본 프레임워크는 두 가지 사례 연구를 통해 평가되었습니다:

1. 철도 궤도 강성 추정 (시뮬레이션): 다양한 속도 (35–90 km/h) 와 강성 시나리오 (균일, 국소적 감소, 전이 구역) 에 걸쳐 시뮬레이션된 ABA 데이터를 사용하여, WaveletInception-BiGRU 모델은 전체적으로 **5.56%**의 평균 절대 백분율 오차 (MAPE) 를 달성했습니다 (궤도 패드 강성은 7.94%, 볼라스트 강성은 3.17%). 이는 VGG, LSTM-BiLSTM, Laplace-Inception, GoogLeNet 을 포함한 최신 기법들을 능가하는 성능입니다.
2. 전이 구역 식별 (실제 데이터): 루마니아의 Făurei 시험 링에서 얻은 실제 ABA 측정을 사용하여, 모델은 침목 수준의 해상도로 전이 구역 (가교 대 일반 궤도) 을 식별하는 데 **93.29%**의 분류 정확도를 달성했습니다. 가교 침목을 탐지하는 데 있어 높은 재현율 (98.37%) 을 보여주었습니다.

Ablation 연구는 다음을 확인했습니다:

• 제로 패딩을 사용한 LWPT 스템은 CWT/STFT 크기 조정 및 표준 패딩보다 우수한 성능을 발휘했습니다.
• 학습 가능한 노이즈 제거 모듈을 갖춘 db4 웨이블릿은 Haar 웨이블릿이나 노이즈 제거가 없는 변형보다 우수한 결과를 제공했습니다.
• 속도 임베딩을 통한 후기 단계 BiGRU 융합은 초기 융합 및 CNN 기반 융합보다 현저히 우수한 성능을 보였습니다.
• 양방향 모델링 (BiGRU) 은 단방향 (GRU/LSTM) 아키텍처보다 더 나은 성능을 제공했습니다.

의의 및 주장
본 논문은 WaveletInception-BiGRU 프레임워크가 자동화된 차량 탑재 인프라 건강 모니터링 분야에서 중요한 진전을 나타낸다고 주장합니다. 학습 가능한 스펙트럼 분해와 다중 스케일 딥러닝 및 양방향 시간 모델링을 통합함으로써, 이 시스템은 수동 특징 공학이나 경직된 전처리 없이 고해상도 국소화된 건강 평가를 달성합니다. 네트워크 아키텍처 내에서 가변 측정 속도와 운영 조건을 직접 처리할 수 있는 능력은 실제 철도 모니터링에 대한 실용적 적용성을 향상시킵니다. 저자들은 이 프레임워크가 시뮬레이션 및 실제 데이터셋 모두에서 성공을 거두었음은 정확한 자동화 및 확장 가능한 인프라 유지보수에 대한 잠재력을 강조하지만, 특정 실제 현상 (예: 용접 효과, 온도 변화) 의 모델링에 관한 한계와 극심한 노이즈 조건 하에서의 추가 스트레스 테스트 필요성을 인정합니다.