Towards Interpretable Damage Detection based on Aerodynamic Pressure Measurements

기술 요약: 공기역학적 압력 측정을 기반으로 한 해석 가능한 손상 탐지 방향

문제 제기
현대 대형 풍력 터빈 블레이드는 점점 더 유연해지고 있어, 비용 효율적이고 신뢰할 수 있는 구조 건전성 모니터링 (SHM) 솔루션이 필요합니다. 합성 신경망 (CNN) 과 같은 심층 신경망 (DNN) 은 SHM 을 위한 패턴 인식에서 성공을 거두었지만, 그 "블랙박스" 성격은 고위험 의사결정에서의 활용도를 제한합니다. 이러한 모델들은 종종 해석 가능성이 부족하여 예측을 이끄는 물리적 메커니즘을 이해하거나 훈련 분포와 다른 실제 운영 조건에서 신뢰할 수 있게 일반화되는지 보장하기 어렵습니다. 저자들의 이전 연구 [Franz et al., 2025] 는 Aerosense 시스템을 통해 얻은 공기역학적 압력 측정치 (APM) 가 탄성 및 공기역학적 하중을 받는 구조물의 구조적 손상을 효과적으로 탐지하고 분류할 수 있음을 입증했습니다. 그러나 손상이 압력장에 영향을 미치는 근본적인 메커니즘과 CNN 이 의존하는 특정 특징들은 여전히 불투명했습니다.

방법론
본 연구는 [Franz et al., 2025] 에서 제안된 CNN 기반 손상 탐지 파이프라인을 해석하기 위해 설명 가능한 인공지능 (XAI) 을 활용합니다. 핵심 방법론은 다음과 같습니다:

1. 실험 데이터: 분석은 풍동 내에서 진동하는 캔틸레버 빔에 장착된 NACA 633418 에어포일에 대한 실험 캠페인 데이터를 활용합니다. 구조적 손상은 제어된 톱질 (강성 감소) 과 추가 질량을 통해 시뮬레이션되었습니다. 공기역학적 압력 분포는 다양한 받음각 (0° 및 8°), 풍속, 그리고 요동 주파수에서 37 개의 기능적 센서 위치에서 기록되었습니다.
2. 적분 기울기 (IG): 저자들은 사전 훈련된 CNN 에 대해 모델 독립적이고 사후적인 귀속 방법인 적분 기울기 (IG) 를 적용합니다. IG 는 기준선에서 입력 샘플까지의 경로를 따라 기울기를 적분하여 각 입력 특징 (센서 채널 및 시간 단계) 이 모델의 분류 출력에 기여하는 정도를 계산합니다.
3. 기준선 분석: 특정 신호 특성을 분리하기 위해 세 가지 명확한 기준선이 정의되었습니다:
   • 주변 압력 기준선 (APB): 모든 공기역학적 하중과 진동을 제거한 일정한 제로 신호.
   • 시간적 변동 기준선 (TVB): 채널 오프셋을 제거하여 시간적 역동성만 보존한 신호.
   • 채널별 평균값 기준선 (MVB): 시간적 역동성을 제거하지만 정적 채널 간 크기 관계를 보존하기 위해 채널별 평균값으로 대체된 신호.
4. 재훈련 및 평가: 귀속 지도에서 얻은 통찰력을 검증하기 위해 저자들은 기준선 데이터로 모델을 재훈련했습니다. CNN 은 TVB 데이터로 재훈련되었고, 다층 퍼셉트론 (MLP) 은 정적 대 역동적 특징의 정보 보유도를 평가하기 위해 평균 벡터 (MVB) 데이터로 훈련되었습니다.

주요 결과

• 특징 귀속: 모든 기준선에서 CNN 은 일관되게 에어포일의 전연 (leading edge) 근처에 위치한 센서 (특히 채널 14–16) 를 우선시했습니다.
• 정적 대 역동적 특징:
  • 시간적 역동성 (TVB): 사전 훈련된 CNN 을 TVB 데이터 (정적 오프셋 제거) 로 테스트했을 때, 분류 정확도는 약 16.7% (무작위 추측 수준) 로 붕괴되었습니다. 이는 원래 모델이 정적 특징에 크게 의존함을 나타냅니다.
  • 정적 크기 (MVB): 반대로, 시간적 역동성이 제거된 MVB 데이터로 테스트했을 때, 사전 훈련된 CNN 은 상당한 정확도를 유지했습니다 (0° 받음각의 경우 약 50%, 8° 받음각의 경우 약 62%).
  • 재훈련된 모델: 평균값 (MVB) 만으로 훈련된 MLP 는 높은 정확도를 달성했습니다 (0° 받음각 86.5%, 8° 받음각 83.7%). 반면, 시간적 변동 (TVB) 으로 재훈련된 CNN 은 현저히 낮은 정확도를 보였습니다 (각각 47.4% 및 34.8%).
• 손상 메커니즘: 분석에 따르면, 클래스를 구분하는 정보의 주요 원천은 손상 (예: 하향 처짐 및 비틀림) 으로 인한 구조 시스템의 평형 위치 변화에서 비롯된 것으로 보이는 정적 채널 간 크기 관계입니다. 시간적 패턴 (진동 진폭) 은 분류에 기여하지만 그 영향은 2 차적입니다.
• 와류 떨어짐: 스펙트럼 분석은 실험 조건에서 유의미한 와류 떨어짐이 발생하지 않았음을 확인했으며, 모델이 탐지한 시간적 변동은 주로 공기역학적 불안정성이 아닌 빔의 구조적 진동에 의해 주도됨을 시사합니다.

의의 및 주장
본 논문은 물리 기반 통찰력과 XAI 방법을 통합함으로써 데이터 기반 SHM 의 투명성과 견고성을 향상시킨다고 주장합니다. CNN 이 복잡한 시간적 역동성보다는 정적 공간적 관계 (채널 간 크기) 에 주로 의존함을 입증함으로써, 본 연구는 다음과 같은 점을 강조합니다:

• 물리적 기반 검증: 모델의 예측이 손상으로 인한 구조 평형 상태의 물리적 변화에 기반한 것이지 우연한 상관관계가 아님을 확인합니다.
• 한계 식별: 현재 CNN 아키텍처가 시간적 의존성을 최적화하여 포착하지 못할 수 있음을 강조하며, 이전의 "블랙박스" 성격이 정적 특징이 성능의 주된 동인이었다는 사실을 가렸음을 지적합니다.
• 미래 설계 지침: 이러한 발견은 향후 모니터링 시스템이 더 간단한 정적 특징 추출에 의존할 수 있음을 시사하거나, 상태 의존적 특성을 더 잘 분리하기 위해 더 정교한 시계열 전용 XAI 변형이 필요함을 제안합니다.

저자들은 CNN 접근법이 효과적이지만, 그 작동 원리를 이해하기 위해 해석 가능성이 중요하다고 결론지었습니다. 정적 특징에 대한 의존성은 모델이 손상으로 인한 영구적 변형과 변경된 강성 분포를 탐지하고 있음을 의미하며, 이는 공기역학적 하중을 받는 구조물의 구조적 무결성 문제 탐지에 대한 물리적으로 일관된 설명을 제공합니다.