Bayesian-Optimized VMD and Attention-Based CNN- BiLSTM for Early Gearbox Fault Diagnosis

전기를 생성하는 터빈에서부터 대륙을 가로지르는 열차에 이르기까지, 현대 세계를 움직이는 중장비 속에서 기어박스는 핵심적인 심장 역할을 합니다. 기어박스는 동력을 전달하고 속도를 조절하며, 지속적인 스트레스, 진동, 충격을 견뎌냅니다. 모든 기계 시스템과 마찬가지로, 이러한 부품들은 영원히 지속되지 않으며 시간이 흐름에 따라 마모와 균열이 발생합니다. 가장 위험한 고장은 종종 1밀리미터 미만의 아주 작고 거의 보이지 않는 결함, 즉 육안으로는 거의 감지할 수 없는 기어 치아의 균열이나 피팅(pitting) 현상에서 시작됩니다. 만약 이러한 초기 징후를 놓치게 되면, 사소한 문제가 대규모의 경제적 손실과 안전사고를 초래하는 치명적인 파손으로 이어질 수 있습니다. 수십 년 동안 엔지니어들은 이러한 기계의 웅웅거리는 소리를 들어 초기 경고를 포착하려고 노력해 왔지만, 신호는 종종 정상 작동 시 발생하는 크고 무질서한 소음에 묻혀버리곤 합니다. 전통적인 방식은 장비의 속도와 부하가 끊임없이 변하는 상황에서, 발전하는 결함의 희미한 속삭함을 기계의 굉음으로부터 분리해 내는 데 어려움을 겪습니다.

이를 해결하기 위해 치하얼 대학교(Qiqihar University)의 연구진은 고급 신호 처리 기술과 패턴을 학습하도록 설계된 인공지능의 일종을 결합한 새로운 청취 방식을 개발했습니다. 그들의 접근 방식은 기어박스의 진동 데이터를 단순히 노이즈가 섞인 혼란스러운 상태로 보는 것이 아니라, 정교하게 분리해 낼 수 있는 층이 있는 신호로 취급합니다. 그들은 먼저 수학적 기법을 사용하여 복잡한 진동을 더 단순하고 깨끗한 조각들로 분해하여, 결함이 숨어 있을 수 있는 특정 주파수를 격리합니다. 그러나 이를 수동으로 수행하는 것은 느리고 부정확한 경우가 많기 때문에, 그들은 마치 라디오 채널을 튜닝하여 잡음 없는 깨끗한 방송을 찾는 것처럼, 이 층들을 분리하기 위한 최적의 설정을 자동으로 찾아내는 스마트 탐색 알고리즘을 사용합니다. 신호가 깨끗해지면, 이를 인간 뇌의 패턴 인식 능력을 모방한 딥러닝 시스템에 입력합니다. 이 시스템은 데이터를 두 가지 방식으로 동시에 분석합니다. 즉, 어느 한 순간의 신호 형태를 조사하는 동시에, 시간이 흐름에 따라 신호가 어떻게 변화하는지를 연구하여 균열이나 마모된 치아의 특정한 리듬을 찾아냅니다. 시스템이 가장 중요한 단서에 집중할 수 있도록, 핵심 특징을 강조하고 배경 소음을 무시하는 스포트라이트와 같은 메커니즘을 추가했습니다.

연구진은 칭화 대학교(Tsinghua University)에서 제공한 기어박스 데이터셋의 방대한 진동 데이터를 사용하여 이 새로운 방법을 테스트했습니다. 이 데이터셋에는 정상적인 기어박스, 약간의 마모가 있는 기어, 작은 균열이 있는 기어, 그리고 내륜과 외륜 모두에 피팅이 발생한 기어 등 다섯 가지 서로 다른 상태를 나타내는 수천 개의 샘로 구성되어 있습니다. 이 테스트는 다양한 속도와 부하를 시뮬레이션하는 9가지 서로 다른 작업 조건 하에서 실행되어, 실제 환경에서도 이 방법이 작동함을 보장했습니다. 결과는 명확하고 정밀했습니다. 새로운 시스템은 약 90%의 경우에서 결함 유형을 정확하게 식별해 냈는데, 이는 기존 방식보다 크게 향상된 수치입니다. 신호 정화나 패턴 인식 중 한 부분만을 사용하는 다른 모델들과 비교했을 때, 전체 시스템의 성능이 훨씬 뛰어났습니다. 연구 결과, 신호 분리를 튜닝하기 위한 스마트 탐색이 없으면 정확도가 떨어졌고, 핵심 특징에 집중하는 스포트라이트 메커니즘이 없으면 시스템의 신뢰성이 낮아졌습니다. 기계의 속도가 변하더라도 시스템은 안정적으로 유지되었으며, 이는 산업 환경의 예측 불가능한 특성을 처리할 수 있음을 입증했습니다.

이 연구가 특히 가치 있는 이유는 가장 까다로운 문제인 '미세' 결함을 다루는 방식에 있습니다. 이들은 신호가 매우 약하기 때문에 감지가 가장 어려운 초기 단계의 문제입니다. 연구진은 기계가 무거운 부하 하에서 작동할 때도, 0.3밀리미터 길이의 치아 뿌리 균열이나 0.1밀리미터 깊이의 치아 마모와 같은 특정 결함을 구분해 낼 수 있다는 것을 발견했습니다. 진동 신호를 핵심 구성 요소로 분해한 다음, 공간적 형태와 시간적 진화 과정을 모두 분석하는 하이브리드 지능 시스템을 사용함으로써, 이 방법은 보통 이러한 초기 경고를 가려버리는 간섭을 성공적으로 걸러냈습니다. 연구는 단일 유형의 분석만으로는 충분하다는 생각을 명시적으로 부정했습니다. 즉, 단순한 패턴 매처나 기본적인 신호 정화 장치만으로는 제대로 작동할 수 없었습니다. 대신, 적응형 신호 분리와 이중 초점 신경망의 결합이 높은 정확도를 달ach하기 위해 필수적이었습니다.

이 발견의 함의는 회전 기계에 의존하는 산업 분야에 실질적이고 즉각적입니다. 결함을 높은 신뢰도로 조기에 감지하는 방법을 제공함으로써, 이 방식은 기계가 고장 난 후가 아니라 고장 나기 전에 정비하는 예방 정비(predictive maintenance)를 향한 길을 제시합니다. 연구진은 자신들의 시스템이 단순한 이론적 연습이 아니라, 다양한 속도와 부하에 걸쳐 작동할 수 있는 강력한 도구임을 입증했으며, 이는 실제 적용에 있어 필수적입니다. 연구는 이 통합적인 접근 방식이 중요한 산업 시스템을 모니터링하는 신뢰할 수 있는 솔루션을 제공하며, 잠재적으로 사고와 가동 중단으로 인한 수십억 달러의 손실을 방지할 수 있다고 결론지었습니다. 이는 사후 대응적 수리에서 선제적 안전 관리로의 전환을 의미하며, 우리 경제를 움직이는 중장비가 원활하고 안전하게 계속 작동할 수 있도록 보장합니다.