본 논문은 유도 전동기의 고장 진단을 위해 그래프 신경망(GNN)을 이용한 모델 없는 접근 방식을 제안합니다. 기존의 모델 기반 방법들이 복잡한 동적 모델 개발의 어려움과 높은 계산 비용 때문에 실제 적용에 어려움이 있었던 점을 해결하기 위해, 전류 및 진동 신호와 같은 원시 신호를 직접 입력으로 사용하여 신호 전처리나 수동 특징 추출 과정을 생략합니다. 제안된 GNN-ASE 모델은 원시 입력으로부터 관련 특징을 자동으로 학습하고 추출하며, 그래프 구조를 활용하여 신호 유형과 고장 패턴 간의 복잡한 관계를 포착합니다. 편심, 베어링 결함, 회전자 바 고장 등 다양한 유형의 고장과 심각도, 부하 조건에서 개별 고장 검출 및 다중 클래스 분류 성능을 평가하였으며, 각각 92.5%, 91.2%, 93.1%의 정확도를 달성했습니다. 이는 다양한 작동 환경에서 모델의 강인성과 일반화 능력을 보여줍니다. 제안된 GNN 기반 프레임워크는 구현이 간편하면서도 높은 진단 성능을 유지하는 경량이면서 강력한 솔루션을 제공하며, 실제 유도 전동기 모니터링 및 예측 유지 보수를 위한 기존 모델 기반 진단 기술의 유망한 대안으로 제시됩니다.
