A Bearing Fault Diagnosis Method for Varying Rotational Speed using Dual-Sensor Fusion and a Self-Attention Mechanism

베어링의 손상은 산업 현장에서 사용되는 기계 설비들의 주요 고장 원인 중 하나로, 이를 빠르고 정확하게 진단하기 위해 최근 많은 연구들이 딥러닝 모델을 이용한 고장 진단에 집중되고 있다. 기존의 단일 센서 기반 결함 진단 및 이중 센서 데이터 결합을 통한 고장 진단 기법은 베어링의 분당회전수 변화에 취약하여 일반화 성능이 저하되는 한계가 발견되었다. 본 연구에서는 음향 방출 신호와 진동 신호를 개별적으로 STFT 기반의 스펙트로그램으로 전처리한 후, VGG16 기반 커스텀 CNN 블록을 통해 글로벌 및 세부 특징을 추출하고, 이를 셀프 어텐션을 활용한 이중 센서 융합 기반 결함 진단 기법을 제안한다. 제안하는 셀프 어텐션 기반 모델은 기존 단일 센서 기반 기법 및 이중 센서 데이터 결합 기반 진단 기법보다 향상된 진단 정확도를 보이며 분당회 전수 변화에도 일관된 성능을 유지하는 것이 확인되었다.