[캠퍼스人+스토리] 자기지도학습 기반 AI 알고리즘 제안
|
소음진동 AI 챌린지는 한국소음진동공학회가 소음진동 기술의 개발을 가속화하고, 우수 인공지능 연구팀을 발굴하기 위해 개최한 행사이다. 이번 챌린지 주제는 '인공지능과 진동신호를 통해 기계의 이상 유무를 탐지하기'였다.
챌린지 참가자들은 주최 측이 제공한 학습용 구름 베어링 (Rolling-bearing) 진동 데이터를 사용해 훈련을 진행하고, 추가로 제공되는 테스트 데이터를 사용해 베어링의 고장 유무를 효과적으로 탐지할 수 있는 AI 모델을 개발했다. 특히 현장에서 수집가능한 불량 베어링 데이터 수가 극히 적은 상황을 반영해 정상 베어링의 진동 데이터만으로 자기지도학습 방식으로 AI 모델을 학습시켰다.
RTES 연구실팀은 주파수 도메인과 시간 도메인에서의 상호 보완적 정보를 융합해 이상 탐지를 수행하는 SFTF-TDS FAE(Short-Time Fourier Transform and Time Domain Statistics Fusion AutoEncoder) 알고리즘을 제안했다. 이 모델은 실제 산업현장에서 발생할 수 있는 높은 수준의 노이즈와 다른 환경에서 수집된 데이터에도 강건하게 작동할 수 있도록 설계됐다.
김태현 서울시립대 기계정보공학과 지도교수는 이번 수상에 대해 "이번 AI 챌린지에서 입상한 대학원생 연구원들은 지난 3년간 개방형 IoT·엣지 컴퓨팅 환경을 기반으로 딥러닝 융합 오픈 소스 지능형 고장 진단 시스템 개발에 참여하며 우수 국제 저널에 다수의 논문을 발표했다"며 "향후 학습용 데이터가 부족한 환경에서도 기계 이상 탐지가 가능한 경량 딥러닝 모델 개발에 집중할 계획"이라고 말했다.
