정밀 압연기의 구동 시스템 핵심 요소로서 분배함은 압연력 전달 및 분배에 있어 매우 중요한 역할을 한다. 따라서 분배함 고장 진단 연구는 공정 운전의 안전성과 신뢰성 확보에 중요한 의미를 가진다. 그러나 고장 특성이 뚜렷하지 않고 고장 유형이 알려지지 않은 경우, 기존 진단 방법은 신뢰할 수 있는 결과를 제공하지 못할 수 있다. 이러한 문제를 해결하기 위해 본 논문은 모호한 고장 특성 하에서 특징 표현을 강화하기 위해 적대적 학습을 이용하는 도메인 간 오픈셋 모델을 제안하고, 미지의 고장 인식을 위해 분포 기반 방법을 융합한다. 적대적 학습과 미지 고장 인식에서 특징 표현의 중요성을 고려하여, 깊이 가분리 컨볼루션과 그래프 컨볼루션 네트워크를 융합한 정보 상호작용 특징 추출기를 구축하였으며, 이 구조는 특징 추출 시 기존 깊이 가분리 컨볼루션의 채널 독립성 한계를 보완한다. 분배함의 미지 고장 인식을 위해 샐포인트 근사 방법을 채택하여 훈련 단계에서는 알려진 각 클래스에 대해 분포를 구축하고, 테스트 단계에서는 이 분포를 이용해 미지 샘플을 인식한다. 기존 분포 구축 방법과 달리 샐포인트 근사는 사전 분포 가정이나 공식에 의존하지 않고 데이터를 직접 사용한다. 제안 방법의 우수성을 검증하기 위해 분배함 과거 고장 데이터를 기반으로 비교 실험을 수행하였다. 결과는 제안 방법이 정확도 94.13%, H 점수 91.35%를 달성하여 알려진 고장 분류 및 미지 고장 인식에서 모두 우수한 성능을 보임을 나타낸다.

고장 진단;오픈셋;적대적 네트워크;정밀 압연기;분배함