변압기 코어 풀림 진단용 DGCM-Net

변압기 코어 풀림을 비침습적으로 진단하는 진동 기반 방식은 미세한 진동 차이와 잡음으로 인한 Gramian angular field(GAF) 텍스처 손상으로 인해 낮은 신호 대 잡음비(SNR) 환경에서 진단 정확도가 저하되는 문제가 있습니다. 본 연구는 이러한 한계를 극복하기 위해 다중 SNR 훈련을 적용한 VMD(Variational Mode Decomposition) 기반 이중 표현 교차 상호작용 네트워크(DGCM-Net)를 제안합니다. 제안된 방법은 PSO(Particle Swarm Optimization)로 VMD 파라미터를 최적화하고, 선택된 모드에서 재구성된 신호를 GASF(Gramian Angular Summation Field) 및 GADF(Gramian Angular Difference Field) 이미지 쌍으로 인코딩합니다. 두 개의 독립적인 DenseNet121 브랜치가 각 표현에서 특징을 추출하며, CrossGAF 모듈은 융합 전 브랜치 간 교차 상호작용을 가능하게 합니다. 융합된 특징은 RBMSSK(Residual Bottleneck Multi-Scale Selective Kernel) 모듈을 통해 다양한 스케일로 처리됩니다. 5회 독립 실행 결과, 제안된 방법은 표준 조건에서 99.84 ± 0.11%의 정확도를 달성했습니다. 4가지 잡음 환경 테스트 세트에서는 평균 97.39 ± 0.23%의 정확도를 보였으며, 특히 10dB에서 91.32 ± 0.62%의 정확도를 기록했습니다. 공개된 50kVA 변압기 데이터셋 재훈련 시 2.5dB에서 98.20 ± 0.65%의 정확도를 나타냈습니다. 교차 변압기 소수점 학습(few-shot adaptation) 시나리오에서는 대상 도메인 훈련 샘플의 5%만 사용하여도 4가지 잡음 조건에서 평균 정확도가 93.63%에서 97.16%로 향상되어, 제안된 DGCM-Net이 다양한 환경에서 변압기 코어 풀림 진단에 효과적임을 입증했습니다.