최근 제조업은 스마트 팩토리로의 전환이 가속화되고 있다. 이러한 변화는 다양한 자동화 시스템과 첨단 기술의 도입을 통해 생산성 및 효율성을 획기적으로 향상시키고 있다. 특히 협동 로봇은 제조 공정에서 핵심적인 역할을 수행하며, 단순한 반복 작업부터 고도의 정밀성이 요구되는 작업에 이르기까지 인간의 노동력을 대체하고 있다. 이러한 로봇 시스템은 지정된 작업에 따라 이동하고, 정밀한 조립 작업을 수행하며, 24시간 내내 일정한 품질과 속도를 유지할 수 있는 이점을 제공한다. 이로 인해 다양한 산업 분야에서 로봇 시스템의 도입은 필수 요소로 자리 잡고 있으며, 경쟁력 확보를 위한 중요한 수단이 되고 있다[1][2].

그러나 산업용 로봇의 이러한 장점에도 불구하고, 그 기계적 특성과 한계로 인해 고장이나 오작동이 발생할 경우 제조 현장에서는 큰 리스크가 발생할 수 있다. 로봇의 갑작스러운 고장은 생산라인의 작업을 정지시키고, 그로 인해 막대한 경제적 손실과 시간적 낭비가 발생할 수 있다. 또한, 고장으로 인한 안전사고는 작업자의 생명과 안전에 직접적인 영향을 미칠 수 있기 때문에, 로봇의 신뢰성 확보는 필수적인 요구 사항으로 떠오르고 있다[3].

협동 로봇의 고장은 주로 구동 모듈과 같은 핵심 부품에서 발생하며, 구동 모듈은 감속기, 모터, 베어링, 브레이크 등으로 구성된다. 이러한 부품에 이상이 발생하면 로봇 전체 시스템의 성능 저하 또는 심각한 고장이 초래될 수 있다. 구동 모듈은 다양한 환경적 요인과 사용 조건에 따라 작동하기 때문에 단순한 정적 모니터링만으로는 이상 상태를 사전에 탐지하기 어렵다. 또한, 동일한 사양의 로봇 시스템이라도 환경적 요인과 사용 조건에 따라 데이터의 특성이 달라지고, 고장의 발생 시점과 유형이 다양하여 고장을 예측하고 검출하는 것이 더욱 복잡하다. 많은 산업현장에서는 고장 직전의 미세한 징후를 탐지하지 못하고, 고장 발생 후에야 대응하는 경우가 많아 예방적 유지보수의 중요성이 대두되고 있으며, 이를 위한 연구와 기술 개발이 활발히 진행되고 있다[4][5].

이러한 문제를 해결하기 위해 최근에는 기계 및 로봇 시스템에서 머신러닝과 인공지능(AI)을 활용한 이상 탐지 기술이 주목받고 있다. 로봇에 부착된 진동, 토크, 전류, 온도 등의 다양한 센서는 실시간으로 데이터를 수집하며, 이를 통해 기계의 이상 징후를 조기에 검출하는 기술은 로봇 시스템의 신뢰성을 크게 향상시키는 중요한 수단으로 자리 잡고 있다. 특히 진동 센서는 로봇의 미세한 변화를 탐지하는 데 유용하며, 구동 모듈의 마모나 열화와 같은 문제를 사전에 예측할 수 있는 중요한 정보를 제공하기 때문에 널리 사용되고 있다[6][7].

본 논문에서는 산업용 로봇의 핵심 부품인 구동 모듈의 내구성 시험을 통해 획득한 진동 데이터를 기반으로, 고장 유형을 명확히 알 수 없는 상황에서도 사전에 효과적으로 고장을 검출할 수 있는 방법을 제안한다. 이를 위해 하이브리드 딥러닝 모델에 가중치를 적용하여 고장을 검출하는 접근 방식을 제시하며, 고장 발생 전에 나타나는 이상 특징을 검출함으로써 예측 유지보수가 가능하도록 한다.

본 논문은 총 5개의 장으로 구성되어 있다. 2장에서는 고장 검출과 관련된 기존 연구를 살펴보고, 3장에서는 구동 모듈의 내구 시험 조건과 방법, 그리고 획득한 진동 데이터를 설명한다. 4장에서는 진동 데이터를 활용한 분류 모델과 적응형 하이브리드 딥러닝 모델을 적용한 고장 검출 실험을 통해 두 모델의 성능을 비교한다. 마지막으로 5장에서는 본 연구의 우수성을 논의하고 결론을 제시하면 논문을 마무리한다.

산업 현장에서는 로봇 및 기계 시스템의 고장을 검출하기 위해 주로 분류 모델 기반의 방식을 많이 사용해 왔다. 분류 모델은 레이블이 정해진 정상과 고장의 데이터를 학습하는 지도학습 기법에 속하며, 학습된 특징을 바탕으로 새로운 데이터가 정상인지 고장인지 분류할 수 있다[8].

대표적인 분류 모델로는 SVM(Support Vector Machine), RF(Random Forest), ANN(Artificial Neural Network), CNN(Convolutional Neural Network) 등이 있다.

SVM은 데이터 간의 결정 경계(Decision boundary)를 찾는 분류 모델로, 두 클래스 간 최대 마진(Margin)을 가지는 초평면(Hyperplane)을 통해 데이터를 분류한다. 선형 및 비선형 데이터 모두 처리 가능하며, 커널 트릭(Kernel trick)을 사용해 고차원 공간에서도 문제를 효과적으로 해결할 수 있다. 이미지 분류나 텍스트 분류와 같은 고차원 데이터에서 과적합에 강한 성능을 발휘한다[9]. RF는 다수의 결정 트리(Decision tree)를 결합한 앙상블 학습 모델이다. 각 트리는 독립적으로 학습하며, 여러 트리의 예측 결과를 평균화(회귀)하거나 다수결 투표(분류) 방식으로 최종 예측을 도출한다. 데이터의 무작위성(Randomness)을 활용해 성능을 개선하고 과적합을 방지하는 특징이 있으며, 고차원 데이터에서도 우수한 성능을 발휘해 금융 예측 및 의료 진단 등에 널리 사용된다[10]. ANN은 인간 뇌의 신경망을 모방한 기계 학습 모델로, 여러 뉴런이 계층적으로 연결된 구조를 통해 입력 데이터를 처리하고 가중치(Weight)와 편향(Bias)을 학습하여 출력 값을 계산한다. 복잡한 비선형 관계를 학습할 수 있는 능력이 있어 패턴 인식, 시계열 데이터 분석, 예측 모델 등에 폭넓게 사용된다[11]. CNN은 주로 이미지와 같은 공간적 데이터의 특징을 자동으로 추출하는 딥러닝 모델이다. 컨볼루션 층(Convolutional layers)을 통해 이미지 패턴을 인식하며, 풀링(Pooling) 층을 통해 데이터 크기를 줄여 계산 효율성을 높인다. 이러한 특징 덕분에 CNN은 이미지 분류, 객체 탐지, 시계열 데이터 분석 등에서 뛰어난 성능을 보여준다[12].

그러나 실제 산업 현장에서는 고장 데이터가 매우 부족하고 고장의 유형도 다양하기 때문에, 분류 모델을 통한 고장 검출에는 한계가 있다. 분류 모델은 정상과 고장 데이터를 모두 포함하는 충분한 레이블이 필요하지만, 다양한 고장 유형을 모두 포괄할 수 있는 데이터를 확보하기가 쉽지 않다. 이러한 문제를 해결하기 위해 본 논문에서는 정상 데이터만을 활용할 수 있는 반지도학습(Semi-supervised learning) 방식을 도입하였다. 반지도학습은 정상 데이터로만 학습하여 정상 범위를 벗어나는 데이터를 이상으로 탐지하는 방식으로, 고장 데이터가 제한된 상황에서도 효과적으로 이상 탐지가 가능하다[13][14]. 따라서 본 연구에서는 이러한 반지도학습 기반의 딥러닝 모델을 구동 모듈의 고장 검출에 적용하였다.

일반적으로 잘 알려진 반지도학습 기반의 딥러닝 모델은 OCSVM(One-Class SVM), OCCNN(One-Class CNN), VAE(Variational Autoencoder), LSTM(Long Short-Term Memory) 등이 있다[15]. OCSVM은 정상 데이터만을 사용해 학습한 후, 비정상 데이터를 탐지하는 데 특화된 이상 검출(Anomaly detection) 모델이다. 주로 하나의 클래스(정상 데이터)만을 학습한 후, 새로운 데이터가 정상 범위를 벗어나는지 여부를 판단한다. OCSVM은 고차원 데이터에서도 효과적으로 작동하며, 네트워크 침입 탐지, 제조업의 결함 검출 등 다양한 분야에서 사용된다[16]. OCCNN은 CNN 구조를 기반으로 한 모델로, 공간적 데이터에서 이상 데이터를 탐지하는 데 매우 효과적이다. CNN의 강력한 특징 추출 기능으로 이미지 데이터나 시계열 데이터와 같은 복잡한 패턴을 가진 데이터에서 뛰어난 성능을 보인다. 이를 통해 산업용 시스템, 의료 영상 분석 등에서 이상을 조기에 검출할 수 있다[17]. VAE는 잠재 공간(Latent space)을 학습하여 데이터를 재구성하는 생성 모델로, 반지도학습 기반 이상 검출에서 널리 활용된다. 정상 데이터를 학습한 후, 비정상 데이터를 재구성할 때 발생하는 재구성 오류를 통해 이상을 탐지한다. VAE는 비정형 데이터 및 고차원 데이터에서 효과적으로 작동하며, 이미지 복원, 신호 분석 등 다양한 분야에서 사용된다[18]. LSTM은 시계열 데이터에 특화된 딥러닝 모델로, 순환 신경망(RNN)의 일종이다. LSTM은 데이터의 장기 의존성(Long-term dependency)을 학습할 수 있어, 과거 데이터가 중요한 시계열 데이터에서 이상 탐지에 효과적이다. LSTM은 시계열 데이터 예측, 산업 장비 모니터링, 의료 데이터 분석 등에서 광범위하게 사용된다[19].

따라서 본 논문에서는 구동 모듈의 진동 데이터를 활용하여 지도학습 기반의 분류 모델과 반지도학습 기반의 딥러닝 모델을 적용한 고장 검출 실험을 수행하고, 각 모델의 성능을 비교하였다.

본 논문에서는 구동 모듈의 내구성 시험 환경을 그림 1과 같이 구축하여 데이터를 획득하였다. 시험에 사용된 구동 모듈은 협동 로봇에 적용되는 상용 제품인 KaiserDrive 사의 KAH-25E L5BE (rated power 500 W, maximum average torque 133 Nm, rated speed 16.2 RPM) 모델, 진동센서는 PCB 사의 356A17 (3-axis accelerometer, sensi-tivity 500 mV/g, measurement range ±98 m/s² pk, frequency range 0.4–4000 Hz) 모델을 사용하였다.

Fig. 1. 
Environment for durability test of driving modules

구동모듈의 내구성 시험은 그림 2에 제시된 조건에 따라 수행되었다. 모듈에 115 Nm의 토크를 인가하고, 0 ~ 360도의 정/역회전을 연속적으로 반복하였다. 1 cycle의 주기는 20초이며, 가/감속 시간은 0.5초(속도 24 RPM), 등속 시간은 4.5초(속도 12 RPM), 정지 시간은 1초로 설정하였다. 그림 2의 상단 그래프는 인가된 토크(Nm), 중간 그래프는 회전 속도(RPM), 하단 그래프는 회전 위치(Deg)를 나타낸다.

Fig. 2. 
Conditions for durability test of the driving module

그림 3은 내구성 시험을 통해 획득한 진동 데이터를 보여준다. 동일한 조건에서 3개의 구동 모듈을 시험한 결과, 모듈 1은 882 cycle(147시간), 모듈 2는 3,606 cycle(601시간), 모듈 3은 1,305 cycle(217.5시간) 동안 동작한 후 고장이 발생하였다.

Fig. 3. 
Vibration data obtained from durability tests (Left: Raw vibration signal, Right: RMS of vibration signal)

내구성 시험에서는 데이터를 1kHz 샘플링 주기로 10분마다 20초씩 수집하였다. 또한, 데이터의 안정성을 고려하여 정회전 등속 구간의 데이터만 사용하였으며, 10분 주기의 데이터를 1 cycle로 정의하고 고장 검출 성능 실험에 적용하였다.

본 논문에서는 협동 로봇의 구동 모듈에서 발생하는 고장을 조기에 탐지하기 위해 시계열 진동 데이터 기반의 적응형 하이브리드 딥러닝 모델을 제안하였다. 기존의 분류 모델은 정상과 고장 데이터를 명확히 분류하기 위해 충분한 데이터가 필요하지만, 실제 산업 현장에서는 고장 데이터의 다양성과 부족으로 인해 적용에 어려움이 있다. 이를 해결하기 위해 본 연구에서는 반지도학습 기반의 적응형 하이브리드 딥러닝 모델을 적용하여 고장 직전의 이상을 효과적으로 탐지하는 방안을 제시하였다.

제안된 적응형 하이브리드 딥러닝 모델은 시간 경과와 이상치 연속성에 따른 가중치를 적용함으로써 고장 발생 직전의 미세한 이상 신호를 효과적으로 탐지할 수 있도록 설계하였다. 실험 결과, LSTM-VAE 모델이 고장 직전 구간에서 우수한 이상 탐지 성능을 보였으며, 고장을 조기에 효과적으로 검출할 수 있음을 확인하였다.

향후 연구에서는 협동 로봇의 다양한 구동 조건에 따른 데이터셋을 확보하여 제안된 적응형 하이브리드 딥러닝 모델의 성능을 추가로 검증하고자 한다. 또한, 모델의 성능과 신뢰성을 더욱 향상시켜 산업 현장에서 유지보수 비용을 절감하고 안전성을 확보하는 데 기여할 계획이다.