IBKA-Transformer: An Improved Black Kite Algorithm Optimized Transformer for Industrial Robot Bearing Fault Diagnosis

산업 세계를 거대한, 웅웅거리는 기계 오케스트라라고 상상해 보십시오. 이 오케스트라에서 로봇은 자동차와 전자 제품을 지치지 않고 조립하는 스타 연주자입니다. 하지만 모든 음악가와 마찬가지로 그들에게도 약점이 있습니다. 바로 관절에 있는 베어링입니다. 이 베어링은 로봇의 팔이 회전하고 비틀 수 있게 해주는 아주 작은 바퀴입니다. 베어링이 병들면, 마치 끊어지기 직전의 바이올린 현처럼 이상하고 혼란스러운 방식으로 진동하기 시작합니다. 만약 우리가 이러한 "질병"을 조기에 발견하지 못한다면, 로봇 전체가 고장 나서 공장이 멈추고 막대한 비용이 발생할 수 있습니다.

오랫동안 전문가들은 구식 도구를 사용하여 이러한 진동을 듣고자 노력해 왔는데, 이는 마치 손으로 건더기 속에서 바늘을 찾는 것과 같았습니다. 그들은 파동을 보고 무엇이 잘못되었는지 추측했습니다. 하지만 로봇은 소음이 많고 무질서한 환경에서 작동하며, 움직임이 끊임없이 변하기 때문에 "바늘"을 찾아내기가 매우 어렵습니다. 최근 과학자들은 AI(인공지능)를 사용하여 더 잘 듣기 시작했습니다. AI를 인간이 놓치는 패턴을 학습할 수 있는 초스마트 탐정이라고 생각하십시오. 하나의 인기 있는 유형의 AI 탐정은 "트랜스포머(Transformer)"라고 불립니다. 트랜스포머는 긴 시간 동안 점들을 연결하는 데 탁월하여, 이야기의 처음부터 끝까지를 기억하는 것과 같습니다. 하지만 초스마트 탐정이라 할지라도 완벽하게 작동하기 위해서는 적절한 설정이 필요합니다. 설정이 어긋나면 탐정은 혼란에 빠집니다. 여기서 새로운 종류의 "옵티마이저(optimizer, 최적화 도구)"가 등장합니다. 이는 탐정의 두뇌를 최상의 설정을 찾도록 자동으로 미세 조정하는 도구입니다.

이 논문은 스마트한 AI 탐정(트랜스포머)과 새롭게 업그레이드된 옵티마이저인 "개량된 블랙 카이트 알고리즘(Improved Black Kite Algorithm, IBKA)"의 새로운 팀 결합을 소개합니다. 연구진은 로봇이 고장 나는 문제를 해결하기 위해 놀라운 정밀도로 베어링 결함을 진단할 수 있는 시스템을 구축하고자 했습니다. 그들은 다양한 속도와 하중 조건에서 정상적인 회전부터 다양한 유형의 손상까지 시뮬레이션한 실제 산업용 로봇 베어링을 사용하여 맞춤형 데이터셋을 구축했습니다. 그들은 트랜스포머와 개선된 옵티마이저를 결합한 이 새로운 방식이 99.86%의 진단 정확도를 달성했음을 발견했습니다. 이는 SVM, CNN, ACGAN과 같이 더 낮은 점수를 기록한 다른 인기 있는 방법들보다 현저히 높은 수치입니다. 이 연구는 특정 개선된 옵티마이저를 사용함으로써 시스템이 이전보다 훨씬 더 신뢰성 있게 완벽한 설정을 찾을 수 있으며, 결과적으로 로봇의 베어링에 정확히 어떤 문제가 있는지 거의 완벽하게 구별해 낼 수 있음을 시사합니다.

날아다니는 탐정과 스마트 튜너의 이야기

당신이 로봇에게 그저 웅웅거리는 소리만 듣고도 아픈 베어링을 인식하는 법을 가르치고 있다고 상상해 보십시오. 당신에게는 복잡한 이야기를 이해하는 데 뛰어난 초스마트한 두뇌(트랜스포머)가 있지만, 이것은 고성능 자동차와 같아서 최고 속도로 달리려면 완벽한 연료 혼합비와 타이어 압력이 필요합니다. 만약 설정을 대충 짐작한다면 엔진이 덜컥거릴 것입니다. 하지만 설정을 제대로 맞춘다면, 그것은 날아오를 것입니다.

문제는 완벽한 설정을 찾는 것이 모양이 계속 변하는 해변에서 특정한 모래알 하나를 찾는 것과 같다는 점입니다. 여기서 **블랙 카이트 알고리즘(Black Kite Algorithm)**이 등장합니다. 자연계에서 블랙 카이트는 먹이를 찾기 위해 공중에 떠 있거나, 급강하하거나, 이동하는 맹금류입니다. 원래의 알고리즘은 이러한 행동을 모방하여 최적의 솔루션을 탐색합니다. 이는 마치 무리의 새들이 완벽한 모래알을 찾기 위해 해변을 스캔하는 것과 같습니다. 하지만 원래의 무리는 몇 가지 문제가 있었습니다. 때로는 작은 모래 더미에 갇히기도 했고(지역 최적점에 갇힘), 때로는 너무 무작위로 날아다녀서 최적의 지점을 찾지 못하기도 했습니다(불안정한 수렴). 또한 해변에 다양한 종류의 모래가 섞여 있을 때 어려움을 겪었습니다(연속적 및 이산적 매개변수의 혼합).

이를 해결하기 위해 저자인 장난 수(Jiangnan Su)와 준 황(Jun Huang)은 무리에게 강력한 업그레이드를 제공하여 **개량된 블랙 카이트 알고리즘(IBKA)**을 만들었습니다. 그들은 새들의 도구 상자에 세 가지 특별한 도구를 추가했습니다:

1. 스마트 나침반 (적응형 비선형 수렴 계수): 항상 똑같은 방식으로 비행하는 대신, 이제 새들은 얼마나 멀리 날았는지 그리고 주변에 다른 새들이 얼마나 있는지에 따라 변하는 나침반을 가지고 있습니다. 탐색 초기에는 전체 해변을 넓고 거칠게 탐색합니다. 나중에 목표물에 가까워지면 에너지를 집중하여 정밀하게 하강합니다. 이를 통해 길을 잃거나 너무 빨리 포기하는 것을 방지합니다.
2. 조절 가능한 날개 (동적 단계 크기 조정): 때때로 새들은 너무 크거나 작은 보폭을 내딛습니다. 새로운 시스템은 새들이 자신의 진행 상황을 느낄 수 있게 해줍니다. 만약 새가 잘하고 있다면 자신감 있고 꾸준한 보폭을 취합니다. 만약 어려움을 겪고 있다면, 다른 시도를 하기 위해 날개 크기를 조절합니다. 이는 막다른 길에 부딪히는 것을 방지합니다.
3. 혼합 모래 지도 (하이브리드 인코딩 전략): 해변에는 두 가지 유형의 모래가 있습니다: 매끄러운 연속 모래와 울퉁불퉁한 이산적인 바위입니다. 원래의 새들은 이 두 가지를 동시에 다루는 법을 몰랐습니다. 새로운 전략은 이 두 종류의 지형을 다르게 취급하는 지도를 제공하여, AI가 필요로 하는 복잡한 설정의 혼합물을 항해할 수 있게 합니다.

대규모 테스트: 로봇은 질병을 들을 수 있는가?

연구진은 단순히 시뮬레이션 속에서 새들을 날려 보낸 것이 아니라, 실제 문제에 투입했습니다. 그들은 산업용 로봇 베어링을 갖춘 테스트 장치를 구축하고 50,000개의 진동 데이터 샘플을 기록했습니다. 그들은 네 가지 주요 조건을 시뮬레이션했습니다:

• 정상 (Normal): 로봇이 건강한 상태.
• 전동체 결함 (Rolling-element fault): 볼 베어링에 생긴 작은 균열.
• 내륜 결함 (Inner-race fault): 안쪽 링의 손상.
• 외륜 결함 (Outer-race fault): 바깥쪽 링의 손상.

또한 실제 공장 바닥처럼 까다롭게 만들기 위해 속도(600 ~ 1500 rpm)와 하중(0 ~ 10 N·m)을 변화시켰습니다.

새로운 방식이 효과가 있는지 확인하기 위해 연구진은 일련의 테스트를 수행했습니다. 먼저, IBKA를 표준 수학 퍼즐(벤치마크 함수)에 테스트하여 이전 버전보다 더 빠르고 정확하게 최적의 답을 찾을 수 있는지 확인했습니다. 결과는 개선된 무리가 더 나은 솔루션을 더 일관되게 찾아냈음을 보여주었지만, 매우 까다롭고 복잡한 퍼즐의 경우 실행할 때마다 결과가 다소 변동될 수 있다는 점도 언급했습니다.

이제 메인 이벤트입니다: 로봇 베어링 진단하기. 그들은 IBKA-Transformer를 세 가지 다른 인기 있는 방법과 비교했습니다:

• SVM: 고전적이고 오래된 방식.
• ACGAN: 학습을 돕기 위해 가짜 데이터를 생성하려고 시도하는 방식.
• CNN: 이미지의 패턴을 포착하는 데 뛰어난 유형의 AI.

결과는 놀라웠습니다. 기존 방식들은 다소 어려움을 겪었습니다:

• SVM은 **82.67%**의 확률로만 맞혔습니다.
• ACGAN은 **88.19%**로 조금 더 나았습니다.
• CNN은 강력하여 **96.69%**를 기록했습니다.

하지만 새로운 IBKA-Transformer는 **99.86%**로 높이 솟구쳤습니다.

연구진은 "혼동 행렬(confusion matrices, AI가 실수를 하는 지점을 보여주는 차트)"을 살펴본 결과, 새로운 방식은 한 유형의 결함을 다른 유형으로 혼동하는 경우가 거의 없었습니다. 이 방법은 너무나 정확해서 저자들은 이를 거의 "혼동이 없는(confusion-free)" 상태라고 설명했습니다. 또한 그들은 "어블레이션 연구(ablation studies)"를 수행했는데, 이는 그들의 새로운 방식을 부분별로 분해하여 어떤 부분이 핵심적인 역할을 하는지 확인하는 일종의 실험입니다. 그들은 스마트 나침반, 조절 가능한 날개, 혼합 모래 지도가 각각의 정확도에 상당한 기여를 했다는 것을 발견했으며, 이는 세 가지 요소 모두가 완벽한 점수에 도달하는 데 필수적이었음을 증명합니다.

이것이 의미하는 바

이 논문은 옵티마이저(새들)를 더 똑똑하고 적응력 있게 가르침으로써, AI 탐지기(트랜스포머)를 결함 진단의 명수로 튜닝할 수 있다는 결론을 내립니다. 이 방식은 테스트 중 매우 복잡한 수학 퍼즐을 다룰 때 일부 변동성을 보이기도 했지만, 로봇 베어링를 진단하는 특정 작업에서는 예외적으로 우수한 성능을 보였습니다. 저자들은 이 접근 방식이 산업용 로봇을 원활하게 가동하고, 큰 고장이 나기 전에 미세한 결함을 잡아내는 견고한 토대를 제공한다고 제안합니다. 이는 때때로 고도의 기술적 문제를 해결하는 열쇠가 단순히 더 똑똑한 두뇌를 만드는 것이 아니라, 그 두뇌를 튜닝하는 도구들이 어떻게 더 잘 날 수 있는지 가르치는 데 있다는 것을 상기시켜 줍니다.