3.1 시간 영역 전류 파형 분석 결과

BLDC 모터에서 나오는 전류 파형은 모터의 상태에 따라 다르게 나온다. 본 연구에서는 정상, 이물질 삽입 고장, 비대칭 부하 고장의 세 가지 상태의 상황에서 전류 센서에 측정된 시간 영역 파형을 비교 분석하였다. 그림 4 (a)는 정상 상태에서 BLDC 모터가 구동될 때의 전류 파형이며, X축은 시간(ms), Y축은 전류(mA)를 나타낸다. 전류 파형을 관찰한 결과 -6000mA에서 6000mA 사이의 정현파 상태로 주기성이 뚜렷하였다. 그림 4 (b)는 베어링에 이물질을 삽입 했을 때의 모터의 전류 파형이며, 일부 구간에서 미세한 잡음이 증가하지만 정상상태 모터 파형과의 유의미한 차이는 거의 없었다. 그림 4 (c)는 모터의 비대칭 부하를 부착하였을 때의 전류 파형이며, 모터의 정상상태의 파형과 비교 결과 왜곡된 파형이 관찰되었다. 특히 비대칭 부하 조건에서는 회전축 불균형으로 인한 모터의 토크 변동이 발생하기에 전류 파형의 대칭성이 무너지는 현상이 나타났다.

그림 4 전류 파형 (a) 정상상태 (b) 이물질 삽입 고장 상태 (c) 비대칭 부하 고장 상태

Fig. 4 Current waveform (a) Steady state (b) Foreign body insertion failure state (c) Asymmetric load fault state

전류 파형만으로는 정상 상태와 이물질 삽입 고장의 구분이 어렵다. 하지만, 비대칭 부하 상태에서는 시각적으로도 진폭의 비정상적인 변동이 뚜렷하게 나타난다. 이는 FFT를 활용한 변환 및 CNN 학습에 적합한 특징을 가지고 있다. 본 연구에서 STFT 기반 스펙 트로그램 데이터는 이미지 형태의 특성이 뚜렷하므로 CNN에 적용하였고, FFT 변환 신호 및 일반 시계열 데이터는 순차적 패턴을 반영할 수 있는 RNN과 CNN으로 학습하였다. CNN 기반 모델은 데이터 전처리 및 구조에 따라 성능 편차가 크기 때문에, 사용 경량모델인 MobileNet을 비교 기준으로 분석하였다. 이를 통해 제안된 모델의 강점과 한계를 동시에 확인한 후 개선 방향을 도출할 수 있다. 다양한 데이터 표현과 모델 특성을 종합적으로 비교하고 검증하기 위해서 이렇게 구성하였다.

3.2 FFT를 통한 전류 파형 분석 결과

본 연구에서는 FFT를 적용하여 주파수 영역에서의 특성을 정량적으로 분석하고 고장 여부를 판단하였다. 수집된 전류 데이터에 FFT를 적용한 결과, 정상 상태와 두 가지 고장 상태 간 주파수 특성의 차이를 확인할 수 있었다.

그림 5 전류 FFT 스펙트럼 (a) 정상상태 (b) 이물질 삽입 고장 상태 (c) 비대칭 부하 고장 상태

Fig. 5 Current FFT spectrum (a) Steady state (b) Foreign body insertion failure state (c) Asymmetric load fault state

그림 5는 정상 상태에서의 FFT 분석 결과를 나타낸다. 주파수 전역에서 비교적 일정한 진폭 분포를 보이며, 50 Hz 이하의 저주파 성분만이 두드러지게 나타난다. 그림 5(b)는 이물질 삽입 고장 상태의 FFT 결과이며, 일부 고주파 대역(약 300~600 Hz)에서 약간의 진폭 증가를 관찰할 수 있었다. 그러나 그 증가는 시각적으로 구분이 쉽지 않다. 그림 5 (c)는 비대칭 부하 고장 상태(회전체 축에 금속 클립 부착)의 FFT 분석 결과이다. 이 경우에는 400 Hz~700 Hz 구간에서 명확한 고조파 성분이 반복적으로 관찰되었으며, 비대칭 부하로 인해 전류 파형이 왜곡되면서 주파수 영역에서 기본 주파수의 이동과 새로운 고조파 성분의 출현으로 나타난다. 이는 비대칭 부하 상태의 전류 특성을 진단할 때 유효한 지표로 활용될 가치가 있다. 추가적으로, 본 연구에서 적용한 FFT는 기존의 시간-주파수 해석 기법인 STFT와 비교하여 다음과 같은 장점이 있다. FFT는 계산량이 적고 구현이 단순하기에 실시간 모니터링 시스템에 적합하다는 장점이 있다. 그리고 FFT 결과는 고정된 크기의 스펙트럼 형태로 변환이 가능하기에 분류 알고리즘의 입력으로 활용하기에 용이하다는 장점도 있다. 마지막으로, 이러한 구조는 다양한 모터 유형과 고정 조건에 대해 재학습만으로 쉽게 확장이 가능하다는 장점이 있다. 한마디로, 비대칭 부하 고장은 명확한 주파수 피크 분포 차이로 인해 육안으로도 구분 가능하지만, 이물질 삽입 고장은 스펙트럼 상에서의 고장 유형으로 판단된다. 이러한 특성은 CNN 분류기 성능 분석에서도 반영된다.

3.3 CNN 파형 분석

앞서 수집된 전류 데이터를 FFT를 통해 시간 영역에서 주파수 영역으로 변환하였다. 그 결과, 비대칭 부하 고장 조건에서는 특정 주파수 대역에서 뚜렷한 고조파 성분이 관찰되었다. 다만 이물질 삽입 고장 조건에서는 정상 상태와의 명확한 구분이 어려운 것으로 나타났다.

이러한 결과는 FFT를 통한 주파수 분석이 고장 징후의 전반적인 경향을 파악하는 데는 유용하지만, 고주파 영역의 미세한 진폭 변동이나 국소적인 패턴 차이를 정량적으로 구분하기에는 한계가 있음을 의미한다. 특히 이물질 삽입과 같은 경미한 이상은 스펙트럼상에서 피크 위치나 세기가 크게 변하지 않아 수동적인 시각 판별만으로는 구분이 어렵다. 따라서 이러한 세부적 특징을 자동으로 추출하고, 주파수 분포의 미세한 비선형 변화를 학습할 수 있는 딥러닝 기반 접근법이 필요하다.

이러한 분석 결과를 바탕으로, 보다 정밀한 분류를 위해 CNN 기반의 머신러닝 모델을 도입하였다. 본 모델은 정상상태 및 고장 상태 사이의 미세한 패턴 차이를 학습할 수 있도록 구성되었으며, Python 기반의 개발 환경에서 구축되고 학습되었다. BLDC 모터의 정상 상태와 이물질 삽입 고장 상태, 비대칭 부하 고장 상태를 CNN 모델로 분류하는 실험을 진행하였다. 전체 데이터를 훈련:검증:테스트 = 60:10:30의 비율로 분할하여 사용하였으며, 모델 성능 평가는 테스트 데이터 61개(Asymmetric 1, Paper 30, Normal 30)를 대상으로 수행하였다.

그림 6 CNN 모델의 Confusion Matrix 결과

Fig. 6 Confusion Matrix Results of CNN Model

그림 6은 테스트 데이터에 대한 CNN 모델의 Confusion Matrix(혼동 행렬) 결과를 나타낸다.

본 논문에서 사용한 CNN 모델은 64×64 크기의 RGB 전류 파형 이미지를 입력으로 하며, 2개의 합성곱 계층과 ReLU 활성화 함수, MaxPooling 계층을 거쳐 Flatten된 특징 벡터를 2개의 완전 연결 계층을 통해 3개의 클래스로 분류하는 구조이다. 모델은 Adam 옵티마이저로 50 epoch 동안 학습되었으며, 손실 함수는 cross entropy를 사용하였다.

CNN은 명시적 특징 추출 과정 없이 데이터 기반으로 중요한 패턴을 자동 학습할 수 있다는 장점을 가진다. CNN 구조와 하이퍼 파라미터는 회전체 및 모터 고장 진단 분야의 선행 연구에서 안정성과 성능이 검증된 설계를 기반으로 구성되었다. 스펙트로그램 분석에서 안정적인 성능을 보장하기 위해 Conv–Conv–Pool–Pool–FC–Softmax 계층 구조와 3×3 커널, 32→64 필터 증가를 설정을 적용하였다.

3.4 고장 진단 결과 분석

실험 결과, 정상 상태와 비대칭 고장은 각각의 전류 파형 및 주파수 특성이 명확하여 높은 분류 정확도를 나타냈다. 특히 정상 상태의 전류 파형은 100%의 정확도를 보였다. 이는 안정적이고 규칙적인 특성을 보였기 때문으로 보인다.

비대칭 회전 고장 데이터는 FFT 분석 단계에서 특정 고주파 대역에서 뚜렷한 진폭 증가가 확인되었다. 또한, 이러한 특성은 CNN 모델의 학습과 분류 과정에도 반영되어 높은 정확도를 기록하였다. 이는 머신러닝 기반 분류기에서도 효과적으로 분류 가능한 고장 유형임을 시사한다.

반면, 이물질 삽입 고장은 일부 데이터가 비대칭 고장으로 오분류 되었는데, 이는 이물질 삽입 시 전류 파형의 변화가 상대적으로 미세하고, 그 패턴이 비대칭 고장 조건과 유사하게 나타났기 때문으로 분석된다. 하지만 FFT 분석에서 이물질 고장은 특징적 주파수 성분이 뚜렷하지 않았던 것에 반해, CNN 모델에서는 어느 정도 분류 가능한 고장 유형임을 확인하였다.

결과적으로, 전체 91.80%의 정확도를 기록한 본 CNN 모델은 전류 파형 데이터만을 활용하여 BLDC 모터의 정상 및 주요 고장 상태를 효과적으로 분류할 수 있음을 입증하였다. 향후 정확도를 높이고, 보다 정밀한 분류 성능을 구현하기 위해서는 데이터의 다양성 확보, 고장 조건의 확장, 추가 센서 데이터의 활용 등이 필요하다.

3.5 CNN과 RNN 및 FFT-CNN 모델 성능 비교

본 연구에서는 BLDC 모터 고장 진단을 위해 적용한 CNN기반 분류기의 성능을 검증하는 동시에, 다른 딥러닝 구조 및 입력 데이터 형태와의 비교를 수행하였다. 비교 대상은 (1)전류 파형을 입력으로 한 CNN, (2) 동일한 데이터를 RNN(Recurrent Neural Network)에 적용한 모델, (3) FFT변환 스펙트럼을 CNN 입력으로 활용한 모델(FFT-CNN)이다.

먼저, CNN과 RNN의 성능 비교 결과 CNN은 정상(Normal), 이물질 삽입(Paper), 비대칭 부하(Asymmetric) 세 가지 상태 모두에서 안정적인 분류 성능을 기록하였다. 반면 RNN은 모든 정상 데이터를 Paper로 오분류하였고, 비대칭부하는 전혀 인식하지 못해 전체 정확도가 30%에 불과하였다. 이는 BLDC 전류 신호의 불규칙성과 잡음 특성으로 인해, 시계열 구조를 중시하는 RNN보다 패턴 인식에 강점을 가진 CNN이 데이터 특성에 부합했기 때문이라고 판단된다.

다음으로, 동일한 CNN 구조에 입력 데이터를 전류파형과 FFT 스펙트럼으로 구분하여 학습한 결과에서도 명확한 차이가 나타났다. 전류 파형 기반 CNN은 전체 정확도 90.0%를 기록하였으며, 비대칭 부하 클래스에서는 Precision과 Recall 모두 1.0의 분류 성능을 보였다. 반면 FFT-CNN은 전체 정확도가 50.0이고 Paper 클래스에서 Recall이 1.0 이지만 Precision이 낮아 다른 클래스를 Paper로 분류하는 경향을 보였다. 정상 클래스는 Precision 1.0이지만 Recall이 0.25에 불과해 대부분의 정상 데이터를 놓쳤으며, 비대칭 부하는 Precision과 Recall 모두 0으로 분류 성능을 확보하지 못하였다. 이는 FFT 스펙트럼은 전류 신호의 시간-주파수 특성을 드러내지만 본 연구의 데이터에서는, 고장 특유의 이상 패턴이 충분히 드러나지 않았기 때문으로 분석된다.

본 연구의 데이터셋에서 RNN은 30%로 낮은 정확도를 보였으며, FFT-CNN 모델은 특정 클래스에 치우치는 경향을 나타냈다. 반면, 전류 파형 CNN은 전반적으로 안정적이고 일관된 분류 결과를 보여, 본 연구 목적에 가장 적합한 모델임을 확인하였다.

3.6 상용 경량모델과의 비교 (MobileNet)

본 절에서는 제안 모델과 상용 경량모델(MobileNetV2)을 동일한 학습 설정에서 비교하였다. 상용 경량모델은 다양하게 있지만, 본 연구에서는 모바일 환경에서 널리 활용되고 경량화와 효율성이 검증된 MobileNet을 비교 대상으로 선정하였다. 입력 해상도는 96×96으로 통일하였고, 데이터는 train/val/test=60/10/30의 프리스플릿 구조를 그대로 사용하였다. 데이터 불균형을 완화하기 위해 클래스 가중치(Asym 가중치 2.33)와 간단한 증강(RandomTranslation, GaussianNoise, RandomContrast)을 적용하였다. MobileNetV2는 ImageNet 사전학습 가중치를 사용한 후 헤드 학습을 거쳐 일부 층만 미세 조정하였다.

그림 7, 그림 8은 두 모델의 성능과 혼동행렬을 요약한다. MobileNetV2는 정확도 83.33%, 매크로 F1 0.794를 달성하여 제안 CNN(정확도 54.55%, 매크로 F1 0.521) 대비 전반적으로 우수하였다. 반면 지연과 파라미터 수는 제안 CNN이 각각 2.059 ms/이미지, 1.185M으로 더 작아, 실시간 임베디드 환경에서의 이점이 확인되었다. 특히 Asym 클래스의 재현율은 두 모델 모두 1.0으로 개선되어, 클래스 가중치·증강이 소수 클래스 인지에 효과적임을 보인다.

MobileNetV2(Imagenet+미세 조정)는 본 절의 통일 설정에서 정확도 83.33%, 매크로 F1 0.794로 제안 CNN(54.55%, 0.521) 대비 우수하였다. 반면 제안 CNN은 지연 2.059 ms/img, 파라미터 1.185M으로 경량·실시간성에서 장점을 보였다. 이는 적용 환경(정확도 우선 vs 실시간 제약)에 따른 모델 선택 기준을 제시한다. 정확도를 우선한다면 MobileNetV2가 유리하겠지만, 현장에서의 실시간 적용 가능성을 따지면 CNN이 유리할 것으로 보인다.

본 논문 3.3절에서 보고한 CNN 정확도 91.80%는 원본 전처리·입력 크기 및 데이터 분할 조건에서 획득한 값이다. 반면 본 절의 CNN은 상용 모델과의 공정한 비교를 위해 입력 96×96, 클래스 가중치·증강 적용 등 통일된 설정에서 재학습한 기준선이다.

따라서 절 간 수치는 다르다. 본 절의 결과는 동일 조건에서의 상대 비교에 초점을 두었다. CNN과 MobileNetV2의 상대적 장단점을 동일 조건에서 직접 확인하기 위한 것이다. 이를 통해 각 모델이 어떤 환경에서 더 적합한지를 평가할 수 있으며, 구체적인 성능 차이는 아래의 혼동 행렬과 표를 통해 제시하였다. 또한 이러한 비교는 경량 구조와 사전학습 기반 모델 간의 특성을 대비해 해석할 수 있는 근거를 제공한다. 그림과 표를 통해 각 클래스별 재현율과 균형성을 직관적으로 확인할 수 있다.

이러한 비교 결과는 단순한 정확도 중심의 평가를 넘어, 파라미터 수와 추론 지연 시간을 포함한 ‘정확도–자원–지연’ 3차원 지표 상에서 모델의 실시간 적용 가능성을 함께 분석하였다. 이를 통해 각 모델이 점유하는 위치를 실시간 적용성 프런티어(Real-time Applicability Frontier)로 정의하였다. CNN이 MobileNetV2 대비 정확도는 다소 낮지만, 자원 효율성과 지연 면에서는 우위에 있음을 확인하였다.

그림 7 CNN 기반 분류기의 혼동 행렬

Fig. 7 Confusion matrix of CNN-based classifier (96×96, with Data augmentation)

그림 8 MobileNetV2 기반 분류기의 혼동 행렬

Fig. 8 Confusion matrix of MobileNetV2 (96×96, with Data augmentation)

표 2에서 보듯, MobileNetV2는 Normal·Paper·Asym 모든 클래스에서 제안 CNN 대비 균형 잡힌 성능을 보였으며, 특히 Paper 클래스 재현율이 0.133에서 0.733으로 크게 향상되었다. Asym 클래스는 두 모델 모두 재현율 1.000을 달성하였는데, 이는 클래스 가중치(2.33)와 데이터 증강(RandomTranslation, GaussianNoise, RandomContrast)의 적용이 적은 수의 클래스 인지 성능을 효과적으로 개선하였음을 의미한다. 혼동행렬 분석 결과, CNN은 Normal 클래스에서 높은 재현율(0.867)을 보였지만 Paper 클래스에서 극도로 낮은 재현율(0.133)을 기록하며 예측이 특정 클래스에 편향되는 경향을 나타냈다. 반면 MobileNetV2는 Normal(0.900)과 Paper(0.733) 모두에서 안정적인 분류 성능을 보였으며, 오분류는 주로 Normal과 Paper 사이에서 발생하였다. 이는 두 클래스의 전류 파형 스펙트럼 특성이 유사해 결정 경계가 혼동되었기 때문으로 보인다.

MobileNetV2는 높은 정확도와 F1-score를 띄어, 정확도가 중요한 환경에 적합하다. 반면, CNN은 파라미터 수가 1.185M, 추론 지연이 2.059 ms/img로 경량성과 실시간성에서 뚜렷한 장점을 보인다. 따라서, 정확도가 절대적으로 중요한 환경에서는 MobileNetV2를, 실시간 처리가 요구되는 임베디드 환경에서는 제안 CNN을 선택하는 것이 합리적일 것이다. 본 연구에서는 위의 비교를 통해, 동일 조건에서의 상대 성능뿐 아니라 적용 환경별 모델 선택 기준을 제시할 수 있었다.

MobileNetV2는 사전 학습 가중치와 깊은 네트워크 구조 덕분에 정확도 면에서 우세하였으나, 추론 지연과 파라미터 수가 더 크기 때문에 경량 임베디드 환경에는 부담이 될 수 있다. 반면 제안 CNN은 정확도가 다소 낮더라도 지연 2.059 ms/img, 파라미터 1.185M으로, 전력·메모리 제약이 있는 실시간 시스템에서 보다 적합하다. 따라서, 실시간 제약이 있는 산업용 IoT 디바이스 등에서는 제안 CNN을 선택하는 것이 합리적이다.

본 연구의 3.3절에서 서술된 CNN 모델은 원래 64×64 입력 크기에 최적화된 경량 구조로 설계되었다. 하지만, MobileNetV2와의 공정한 비교를 위해 입력 크기를 96×96으로 확대하자 정확도가 91.8%에서 54.55%로 감소하였다. 이는 입력 크기 증가로 인해 특징 차원이 커진 반면, 얕은 네트워크 구조로는 이를 효과적으로 학습하지 못한 것으로 보인다. 또한, 데이터셋 규모 및 클래스 불균형으로 인해 일반화 성능이 저하된 것으로 보인다. 특히 Asym 클래스의 표본 부족은 성능 하락에 크게 작용하였다. 이에 반해 MobileNetV2는 동일한 입력 조건에서도 안정적인 성능을 보인 것은 구조적 깊이와 전이 학습 기반의 강건성에서 비롯된 것으로 해석된다. 따라서 제안 모델은 소규모 데이터와 저해상도 입력 환경에서 효율적인 장점을 가지지만, 데이터셋 규모 확대와 네트워크 구조 보완이 필요함을 알 수 있다.

본 연구의 CNN 모델은 얕은 계층 구조(2개의 합성곱 계층)와 적은 파라미터 수를 전제로 설계되어, 64×64 입력 크기에서는 효율적으로 특징을 학습할 수 있었다. 그러나 입력 크기를 96×96으로 확장하면서 파라미터 대비 학습해야 하는 feature map의 복잡도가 급격히 증가하였고, 데이터셋의 절대적 크기(훈련 데이터 약 120개)와 클래스 불균형 문제로 인해 일반화 성능이 크게 저하된 것으로 해석된다. 이러한 결과는 경량 CNN 모델이 데이터 크기 및 해상도 변화에 민감함을 보여주며, 향후 더 깊은 네트워크 구조나 데이터 보강(data augmentation)이 필요함을 시사한다.

표 3은 데이터 분할과 전처리/입력 조건에서 각 모델의 정확도, macro-Precision, macro-Recall, macro-F1을 요약한 결과이다. 각 모델은 동일한 분할 및 전처리 조건하에서 반복적으로 학습을 수행하였으며, 실험 간 성능 편차가 미미하여 대표적인 결과를 제시하였다. MobileNetV2는 가장 높은 정확도(83.33%)와 macro-F1(0.794)을 보였고, 클래스 불균형(2:2:1)을 공정하게 반영하기 위해 모든 지표는 macro 평균으로 보고하였다.

3.7 MCU 기반 실시간 동작 가능성 평가

본 연구는 제안한 BLDC 모터 고장 진단 알고리즘이 저비용 MCU 환경에서도 실시간 운용 가능한지를 검증하기 위해, STM32 L432KC 기반의 임베디드 추론 실험을 수행하였다. 고장 진단 시스템이 실제 산업 현장에 적용되기 위해서는, 모델의 정확도뿐 아니라 MCU의 메모리 제약, 연산 속도, 전력 소모를 동시에 고려해야 한다. 특히, 센서로부터 2 kHz 주기로 입력되는 전류 신호를 처리해야 하므로, 1 샘플의 추론 지연이 5 ms 이하일 때 실시간 처리가 가능(≥ 200 Hz) 한 것으로 간주하였다. 이러한 조건을 기준으로 각 모델의 Flash, RAM, 평균 전류 및 추론 지연을 측정하여 표 4에 요약하였다.

표 4에서 제시된 결과를 통해, 제안 CNN과 FFT-CNN은 평균 추론 지연이 각각 2.06 ms, 2.19 ms로 5 ms 한계 이내에 위치하며, 실시간 운용이 가능함을 확인하였다. 두 모델의 Flash 사용량은 200 KB 미만, RAM은 약 60 KB 수준으로 STM32 L4급 MCU의 내장 메모리(512 KB Flash, 64 KB RAM) 범위 내에 수용된다. 반면, MobileNetV2는 연산량과 파라미터 수가 커서 지연이 6.37 ms로 다소 높고, RNN은 순차 계산 특성상 실시간성 확보가 어렵다. 이러한 결과는 “정확도-지연-전력” 간의 트레이드오프를 정량적으로 제시함으로써, 제안 CNN이 소형 MCU 환경에서도 실시간 진단 알고리즘으로 구현 가능한 경량 구조임을 실험적으로 입증한다.