본 논문은 저전력 이진 스파이크를 특징으로 하는 스파이킹 신경망(SNN)을 베어링 결함 진단에 적용하여 고성능 AI 알고리즘과 실제 산업 환경 간의 간극을 해소하는 연구를 제시합니다. 기존 SNN 결함 진단 방법의 두 가지 주요 한계점인 부적절한 인코딩 용량과 비스파이크 지향 아키텍처를 해결하기 위해, 효율성, 성능 및 강건성을 동시에 향상시키는 다중 스케일 잔차 어텐션 SNN(MRA-SNN)을 제안합니다. 경량 어텐션 메커니즘을 통합하여 다중 스케일 어텐션 인코딩 모듈을 설계하여 진동 신호에서 다중 스케일 결함 특징을 추출하고 이를 시공간 스파이크로 인코딩함으로써 복잡한 전처리가 필요 없도록 하였습니다. 스파이크 잔차 어텐션 블록은 고차원 결함 특징을 추출하고 어텐션 메커니즘을 통해 희소 스파이크의 표현력을 향상시켜 엔드-투-엔드 진단을 수행합니다. 또한, 스파이킹 뉴런 내에 경량 어텐션 메커니즘을 도입하여 생물학적 수상돌기 필터링 효과를 모방함으로써 MRA-SNN의 성능과 강건성을 더욱 향상시켰습니다. MFPT, JNU, Bearing, Gearbox 벤치마크 데이터셋에 대한 광범위한 실험을 통해 MRA-SNN이 정확도, 에너지 소비 및 노이즈 강건성 측면에서 기존 방법보다 훨씬 우수하며 실제 산업 환경에 배포하는 것이 더욱 실현 가능함을 보여줍니다.
