이상 음향 테스트 완전 해설: 원리, 방법 및 구성

이전 블로그 글인 Anomalous Sound Detection: From Human Ears to AI에서 우리는 수동 청취의 핵심 문제점을 다루고, CRYSOUND의 AI 기반 이상 음향 테스트 솔루션을 소개했으며, 학습 방식의 개요와 함께 이 시스템을 TWS 생산 라인에 어떻게 배포할 수 있는지 설명했습니다. 이번 글에서는 다음 단계로 나아가 CRYSOUND AI 이상 음향 알고리즘의 분석 원리를 더 깊이 살펴보고, 실제 테스트 셋업과 현장에서의 성능 사례를 공유한 뒤, 자체 도입이나 검증 시 활용할 수 있는 전체 구성 체크리스트로 마무리하겠습니다.

기존 알고리즘으로 이상을 검출할 때의 과제

실제 공장 환경에서 진짜 불량은 드물고 동시에 유형이 매우 다양하기 때문에, 감독 학습에 사용할 충분히 포괄적인 이상 음향 패턴 라이브러리를 구축하기가 어렵습니다.

잘 튜닝되었거나 경우에 따라 고도로 커스터마이즈된 룰 기반 알고리즘이라 해도 모든 비정상 패턴을 완전히 커버하는 경우는 거의 없습니다. 새로운 불량 모드, 미세한 변형, 생산 조건의 변화 등은 미리 정의된 임계값이나 특징 템플릿 밖으로 벗어나기 쉽고, 그 결과 미검출(escape)이 발생할 수 있습니다.

아래 그림에서는 수동으로 생성한 두 개의 WAV 파일을 비교합니다.

보시다시피 주파수 응답, THD, 일반적인 rub & buzz(R&B) 알고리즘과 같은 기존 검사로는 주입된 저레벨 노이즈 불량을 거의 검출하지 못하며, 전체 커브 차이는 약 0.1 dB에 불과합니다. 단순 FFT 비교에서는 두 WAV 파일 사이에 어느 정도 차이가 보이지만, 실제 생산 환경에서는 불량 에너지가 이보다 더 낮을 수 있어, 고정 임계값 아래로 떨어져 그대로 통과해 버릴 가능성이 매우 큽니다. 반면 시간-주파수 표현에서는, 단일 평균 커브의 작은 변화가 아니라 시간에 따라 구조화된 패턴으로 나타나기 때문에 비정상 신호를 훨씬 명확하게 확인할 수 있습니다.

AI 이상 음향 알고리즘의 원리

CRYSOUND는 딥러닝 프레임워크를 기반으로 한 이상 음향 검출 방식을 제안하며, 스펙트로그램을 재구성하고 잘 재구성되지 않는 부분을 측정함으로써 불량을 식별합니다. 이는 전통적인 룰 기반 방식의 핵심 한계를 돌파하여, 원리 차원에서 특히 미세하고 다양하며 이전에 없던 비정상 패턴까지 더 넓고 체계적으로 커버할 수 있게 해 줍니다.

아래 그림은 당사의 학습 및 추론 파이프라인에 적용되는 핵심 워크플로를 보여줍니다.