벨로어 공과대학(Vellore Institute of Technology) 연구진이 3상 유도전동기의 결함을 탐지하고 분류하기 위한 통합 딥러닝 프레임워크를 개발했다. 2026년 7월 22일 국제 학술지 네이처(Nature)에 게재된 이 연구는 전기적 결함으로 발생하는 생산 중단 및 유지보수 비용 문제를 해결하기 위해 다중 센서와 다중 모델 접근 방식을 도입했다. 해당 시스템은 기동 과도 상태, 상 결상 결함, 그리고 부하 변화에 따른 정상 및 고장 상태 등 총 8가지의 운영 시나리오에서 검증되었다.

연구진은 모터 상태를 분류하기 위해 4가지 순환 신경망 구조인 RNN, LSTM, BiLSTM, GRU를 활용했다. 성능 비교 결과 GRU 아키텍처가 94.19%의 가장 높은 정확도를 달성했으며, 이어서 BiLSTM 92.24%, LSTM 90.19%, RNN 85.14% 순으로 나타났다.

이번 성과는 전기 구동 시스템에서 딥러닝을 활용한 지능형 상태 모니터링의 가능성을 보여준다. 센틸 쿠마르 라무(Senthil Kumar Ramu)가 이끄는 연구진은 해당 모델들이 산업 현장의 설비 결함을 진단하는 강력한 도구가 될 수 있다고 설명했다. 이는 결과적으로 제조 환경 내 에너지 손실과 유지보수 비용을 절감하는 데 기여할 것으로 기대된다.

벨로어 공과대학(Vellore Institute of Technology) 연구진이 3상 유도전동기의 결함을 탐지하고 분류하기 위한 통합 딥러닝 프레임워크를 개발했다. 2026년 7월 22일 국제 학술지 네이처(Nature)에 게재된 이 연구는 전기적 결함으로 발생하는 생산 중단 및 유지보수 비용 문제를 해결하기 위해 다중 센서와 다중 모델 접근 방식을 도입했다. 해당 시스템은 기동 과도 상태, 상 결상 결함, 그리고 부하 변화에 따른 정상 및 고장 상태 등 총 8가지의 운영 시나리오에서 검증되었다.

연구진은 모터 상태를 분류하기 위해 4가지 순환 신경망 구조인 RNN, LSTM, BiLSTM, GRU를 활용했다. 성능 비교 결과 GRU 아키텍처가 94.19%의 가장 높은 정확도를 달성했으며, 이어서 BiLSTM 92.24%, LSTM 90.19%, RNN 85.14% 순으로 나타났다.

이번 성과는 전기 구동 시스템에서 딥러닝을 활용한 지능형 상태 모니터링의 가능성을 보여준다. 센틸 쿠마르 라무(Senthil Kumar Ramu)가 이끄는 연구진은 해당 모델들이 산업 현장의 설비 결함을 진단하는 강력한 도구가 될 수 있다고 설명했다. 이는 결과적으로 제조 환경 내 에너지 손실과 유지보수 비용을 절감하는 데 기여할 것으로 기대된다.