본 논문은 산업 기계의 신뢰성과 원활한 작동을 위해 지능형 시스템의 빠르고 정확한 응답이 필수적임을 강조하며, 적합한 모델 선택과 작동 조건 변화에 대한 도메인 적응이라는 두 가지 주요 과제를 다룹니다. 이를 위해, 제한된 레이블 데이터로 최적의 DNN 아키텍처를 찾는 진화적 Net2Net 변환(EvoN2N) 프레임워크를 제안합니다. EvoN2N은 비지배 정렬 유전 알고리즘 II(NSGA-II)의 진화적 프레임워크 내에서 Net2Net 변환 기반의 빠른 학습 알고리즘을 사용하여 최적의 DNN 아키텍처를 얻습니다. Net2Net 변환 기반 빠른 학습 알고리즘은 한 세대에서 다음 세대로의 지식 전달 개념을 사용하여 피트니스 평가 속도를 높입니다. Case Western Reserve University 데이터셋, Paderborn University 데이터셋, 기어박스 고장 감지 데이터셋을 사용하여 다양한 작동 조건 하에서 제안된 프레임워크의 유효성을 검증하였으며, 대부분의 작동 조건에서 최대 100%에 가까운 우수한 진단 성능과 분류 정확도를 보이는 최적 모델을 얻었습니다.
