최근 센서 비용의 감소로 인해 센싱 데이터를 기반으로 한 빅데이터 연구가 활발하게 진행되고 있으며, 이러한 빅데이터를 활용하여 다양한 분야에서 딥러닝 기법으로 결과를 해석하는 연구가 활발히 진행되고 있다. 제조업에서는 공장 데이터를 기반으로 정상 및 결함을 구분하거나, 장비의 고장유무를 판단한다. 특히, 고장 예지 및 건전성 관리 측면에서, 베어링의 결함은 회전 기계에 큰 영향을 미치므로 이러한 결함을 조기에 발견하는 것은 더욱 중요하다. 베어링의 상태진단을 위해 진동 데이터를 사용하는 것이 일반적이지만, 원시 데이터만으로는 정확한 상태진단이 쉽지 않다. 전통적인 베어링 상태진단 방법은 디지털 신호 처리와 기계적 회전 지식에 기반을 두고 있으나, 복잡한 특징 추출 과정으로 인해 특정 결함에만 효과적일 수 있다. 또한, 다양한 결함 유형에 대응하기 위해서는 여러 추출 기법을 적용해야 하는 한계가 있다. 이러한 한계를 극복하기 위해, 최근에는 데이터 기반 접근 방식인 딥러닝을 활용한 상태진단에 관한 연구가 활발하게 진행되고 있다. 그러나 딥러닝을 기반으로 한 상태진단은 어떤 영역에서 결함이 발생했는지 파악하기 어려운 '블랙박스' 모델의 특성을 가진다. 중간 과정이 없이 결과만 도출되므로, 결함이 왜 발생했는지에 대한 구체적인 이해는 어려운 단점이 있다. 본 연구에서는 결함 발생의 주요 특징을 파악하기 위해 설명가능한 인공지능을 기반으로 한 베어링의 상태진단 프로세스를 제안하고자 한다. 이를 제조업의 회전 기계에 적용하면, 효과적인 진단뿐만 아니라 진단 과정에 대한 해석이 가능하여 빠른 의사결정에 도움을 줄 것으로 예상된다.
Recent reductions in sensor costs have led to active research in big data based on sensing data. Research is being conducted in various fields to interpret results using deep learning techniques, leveraging such big data. In manufacturing, data from factories is being utilized to distinguish between normal and defective states, or to determine the operational status of equipment. Particularly in the aspect of fault prediction and health management, early detection of bearing defects is crucial, as they significantly impact rotating machinery. Although vibration data is commonly used for diagnosing bearing defects, accurate fault diagnosis is challenging with raw data alone. Traditional bearing defect diagnosis methods, based on digital signal processing and mechanical rotational knowledge, can be effective for specific defects due to the complexity of the feature extraction process. Additionally, there is a limitation in needing to apply various extraction techniques to address different types of defects. To overcome these limitations, recent research has been actively pursuing defect diagnosis using deep learning, a data-based approach. However, defect diagnosis based on deep learning often presents a 'black box' model characteristic, making it difficult to identify in which areas defects have occurred. Since the process leads directly to results without intermediate steps, it poses the disadvantage of making it difficult to gain a specific understanding of why the defect occurred. In this study, a bearing defect diagnosis process based on explainable artificial intelligence is proposed, aimed at identifying key characteristics of defect occurrences. This process, when applied to rotating machinery in manufacturing, is anticipated to enable not only effective diagnosis but also the interpretation of the diagnostic process.