베어링 결함 진단 및 잔여 유효 수명 예측을 위한 신경 구조 검색과 모델 가지치기를 통한 경량 컨볼루션 신경망

컨볼루션 신경망(CNN)은 베어링 결함 진단 및 잔여 유효 수명(RUL) 예측에 광범위하게 사용되었습니다. 그러나 CNN 성능의 증가에 따라 더 깊은 네트워크 구조와 증가하는 매개변수 크기가 수반됩니다. 이는 제한된 계산 자원을 가진 산업 응용 프로그램에서 배포되는 것을 방해합니다. 이를 해결하기 위해 본 논문은 신경 구조 검색(NAS)과 가중치 순위 기반 모델 가지치기를 통해 셀 기반 경량 CNN을 구축하는 두 단계 방법을 제안합니다. 첫 번째 단계에서는, 검색된 최적 셀로 셀 기반 CNN을 구축하고, 영향 분석 후 네트워크 크기를 줄이기 위해 쌓인 셀의 수를 제한했습니다. 최적 셀을 검색하기 위해 초기에는 쌓인 셀을 가진 기본 CNN 모델을 구축하고, 연속적인 완화를 거친 후 미분 가능한 구조 검색을 채택했습니다. 두 번째 단계에서는, 구축된 셀 기반 CNN의 연결을 가중치 순위 기반 가지치기로 추가로 줄였습니다. 결함 분류 작업 하에 검증을 위해 Case Western Reserve University의 실험 데이터를 사용했습니다. 결과는 단 두 개의 셀만으로 구성된 CNN이 99.969%의 테스트 정확도를 달성했으며, 50%의 연결이 제거되더라도 99.968%를 유지했음을 보여주었습니다. 또한 기본 CNN과 비교했을 때, 2-셀 CNN의 매개변수 크기는 9.677MB에서 0.197MB로 줄어들었습니다. 마지막으로 약간의 수정 후, 네트워크 구조는 베어링 RUL 예측을 위해 조정되었고, PRONOSTIA 테스트 데이터로 검증되었습니다. 두 작업 모두 NAS와 가지치기로 경량 셀 기반 CNN을 구축하는 가능성과 우수성을 확인하여 임베디드 시스템에서 경량 CNN을 실현할 수 있는 잠재력을 마련했습니다.