다중 대역 Envelope-Attention 기반 소음에 강인한 선박 연료 펌프 고장 진단

초록

본 연구는 강한 소음 환경 속에서도 선박 연료 펌프의 고장을 신뢰성 있게 검출할 수 있는 딥러닝 기반 진단 프레임워크를 제안한다. 기존 진단 기법은 진동 신호에 포함된 잡음에 민감하여 실제 운용 조건에서 성능이 급격히 저하되는 한계가 있다. 이를 해결하기 위해 대역분할 전처리, Envelope 변환, Attention 기반 Conv1D 모델로 구성한 진단 알고리즘을 설계하였다. 먼저 0?12 kHz 구간의 진동 신호를 1 kHz 간격으로 12개 하위 대역으로 분할한 뒤, 각 대역에 대해 Envelope 변환을 수행하여 진동 에너지 변화를 저주파(≤1 kHz) 특성으로 압축하였다. 이후 12개 대역을 입력 채널로 하는 1D CNN을 구성하고, 채널 간 상대적 중요도를 학습하기 위해 Scaled Dot-Product Attention 모듈을 삽입하여 주파수별 가중치를 동적으로 조절하였다. 학습 및 검증용 데이터는 실제 선박 엔진과 동일 사양의 연료 펌프 시험 장치에서 정상 + 11가지의 고장상태로 25.6 kHz로 계측한 진동 신호를 사용하였다. 모델의 잡음 강인성을 정량화하기 위해 White Gaussian Noise(WGN)와 Gaussian Impulse Noise(GIN)를 합성하고, SNR = 20, 10, 5, 0, ?1 dB 다섯 단계로 실험을 수행하였다. 제안 모델은 가장 열악한 ?1 dB 조건에서 F1 = 0.959을 기록하였으며, Attention 모듈을 제거한 기본 Conv1D 대비 70.1% 성능이 향상되었다. 또한 채널별 Attention weight 분석 결과, 실제 고장 특징이 집중되는 4?7 kHz 대역의 중요도가 정상 대비 최대 2.5 배 높게 부여됨을 확인하여 모델 해석 가능성을 제시하였다. 본 연구는 Envelope 기반 대역 특성 추출과 Attention mechanism을 결합함으로써, 가혹한 소음 환경에서도 높은 정확도를 가지는 고장 진단을 실현하였다. 이는 선박뿐 아니라 중-소형 회전 기계가 운영되는 소음-혼입 산업 현장 전반에 적용 가능한 범용 고장 진단 솔루션으로서 의미가 크다.