산업 현장에서의 변압기 고장 탐지는 마치 미세한 단서를 찾아내는 추리 과정과 같다. 전통적인 신호 분석 기법들은 한계에 부딪히기 쉽다. 푸리에 변환은 주파수 해석에 유리하지만 순간적인 비정상 특성을 놓치기 쉬우며, 웨이블릿 변환은 잡음에 취약해 실제 운전 조건에서 성능이 급격히 저하될 수 있다. 이러한 문제를 해결하기 위해, 다양한 스케일의 특징을 동시에 포착할 수 있는 다중 채널 합성곱 신경망(Multi-Channel Convolutional Neural Network, MCCNN)이 제안되었다.

MCCNN의 핵심 아이디어는 하나의 신호를 서로 다른 크기의 필터로 병렬 처리하여 지역적 세부 정보와 전역적 패턴을 동시에 추출하는 것이다. 이는 여러 배율의 현미경으로 동일한 시료를 동시에 관찰하는 것과 유사하다. MATLAB에서 이를 구현할 때, 1차원 진동 신호를 2D 컨볼루션 연산에 적합하도록 재구조화하는 것이 중요하다.

입력_크기 = [1, 1024, 1]; % 시간 축 기준 1024 샘플

레이어_구성 = [
    imageInputLayer(입력_크기, 'Name', '입력층')
    
    convolution2dLayer([1, 3], 16, 'Padding', 'same', 'Name', '작은커널')
    batchNormalizationLayer('Name', 'bn_s')
    reluLayer('Name', 'relu_s')
    
    convolution2dLayer([1, 9], 16, 'Padding', 'same', 'Name', '중간커널')
    batchNormalizationLayer('Name', 'bn_m')
    reluLayer('Name', 'relu_m')
    
    convolution2dLayer([1, 15], 16, 'Padding', 'same', 'Name', '큰커널')
    batchNormalizationLayer('Name', 'bn_l')
    reluLayer('Name', 'relu_l')
    
    depthConcatenationLayer(3, 'Name', '병합')  % 채널 차원에서 결합
    
    fullyConnectedLayer(6, 'Name', '분류기')   % 6가지 고장 유형
    softmaxLayer('Name', 'softmax')
    classificationLayer('Name', '출력')];

여기서 depthConcatenationLayer는 세 개의 독립된 경로에서 추출된 특징 맵들을 깊이 방향으로 통합한다. 이후 완전 연결 계층이 통합된 정보를 바탕으로 최종 분류를 수행한다. 실험 결과, ±5dB의 가우시안 잡음을 추가한 테스트 환경에서 MCCNN은 정확도가 약 3% 감소하는 데 그친 반면, 단일 커널을 사용한 기준 모델은 12% 이상의 성능 저하를 보였다.

신호 전처리 단계에서는 원시 진동 데이터를 굳이 스펙트로그램으로 변환하지 않고, reshape(신호, [1, 1024, 1])을 통해 CNN 입력 형식에 맞춘다. 이 방식은 파형의 위상 정보를 보존하면서도 네트워크 아키텍처와 호환된다. 또한, 온라인 데이터 증강을 통해 일반화 성능을 향상시킬 수 있다.

% 진동 데이터 로드 및 증강 예시
데이터셋 = load('transformer_vibration.mat');
증강_함수 = @(x) 신호_왜곡(x);
증강_데이터 = cellfun(증강_함수, 데이터셋.신호, 'UniformOutput', false);

function 왜곡된_신호 = 신호_왜곡(원본_신호)
    if rand < 0.6
        왜곡된_신호 = 원본_신호 + 0.08 * std(원본_신호) * randn(size(원본_신호));
    else
        왜곡된_신호 = 원본_신호;
    end
    왜곡된_신호 = smoothdata(왜곡된_신호, 'movmean', randi([15, 60]));
end

이러한 임의의 노이즈 삽입과 스무딩 처리는 모델이 다양한 운전 조건에 강인하도록 만든다. 실제로 현장에서 수집된 무표현 데이터 테스트 시, 증강을 적용한 모델의 정확도가 17.8% 향상되었다.

학습 과정에서는 Adam보다 모멘텀을 포함한 확률적 경사 하강법(SGDM)이 더 안정적인 수렴을 보였다. 이는 다중 경로 구조가 자체적으로 높은 표현력을 가지므로, 지나치게 민감한 최적화 알고리즘보다는 보수적인 업데이트 전략이 효과적이기 때문이다. 학습률 스케줄링은 다음과 같이 설정하였다.

옵션 = trainingOptions('sgdm', ...
    'InitialLearnRate', 0.0008, ...
    'LearnRateSchedule', 'piecewise', ...
    'LearnRateDropPeriod', 8, ...
    'LearnRateDropFactor', 0.5, ...
    'MaxEpochs', 35, ...
    'Shuffle', 'every-epoch', ...
    'Plots', 'training-progress', ...
    'Verbose', false);

모델 평가 시에는 단순한 정확도 외에도 혼동 행렬(confusion matrix)을 분석하는 것이 중요하다. 예를 들어 "권선 변형"과 "철탑 이완" 고장이 일부 오진된 사례에서, 특정 주파수 대역(예: 200–400Hz)에서 유사한 진동 응답이 나타나는 것을 확인할 수 있었다. 이를 보완하기 위해 1차 및 2차 미분 값을 추가 입력 특징으로 도입한 결과, 오진률이 8%p 감소하였다.

이러한 다중 해상도 접근법은 변압기에 국한되지 않으며, 풍력 터빈 기어박스, 모터 베어링 등 회전 기계의 상태 모니터링으로 확장 가능하다. 특히 공간 피라미드 풀링(SPP) 또는 멀티스케일 드롭아웃 등을 결합하면 더욱 강건한 진단 시스템 설계가 가능할 것으로 기대된다.