A Deep Learning-Based Log-Mel Spectrogram-Utilized Fault Diagnosis Algorithm for In-Wheel Motor-Driven Vehicles

본 연구는 인휠 모터를 장착한 전기차의 주행 안전성 확보를 위해 딥러닝 기반 진동 신호 분석을 이용한 고장 진단 기법을 제안한다. 인휠 모터는 노면 충격에 취약하여 동력 성능 및 차량 안전성 저하를 유발할 수 있다. 이를 분석하기 위해 차량의 어퍼암, 브레이크 캘리퍼, 고정부 볼트에 3축 가속도계를 부착하고, 일반 도로 및 방지턱 주행 조건에서 진동 데이터를 수집하였다. 정상 상태는 이상 없이 주행 가능한 조건으로 정의하였으며, 고장 상태는 인버터 손상 및 W상 단락(W-phase short)과 같은 전기적·기계적 이상 상태로 정의하였다. 수집된 진동 신호는 대역통과 필터를 적용한 후 로그 멜 스펙트로그램으로 변환되었으며, 전이학습 기반 CNN 모델을 이용하여 분류하였다. 실차 실험 결과, 제안된 모델은 네 가지 주행 조건 클래스(normal_road, normal_bump, fault_road, fault_bump)에 대해 평균 98.80%의 분류 정확도를 달성하였다. 본 연구는 딥러닝 기반 진동 분석 기법의 인휠 모터 전기차 고장 진단 적용가능성을 확인하였다.