멀티레벨 인버터 고장 진단 정확도 99.44%, AI가 스스로 최적의 진단 모델을 설계했다

DARTS 기반 자동 신경망 설계가 인버터 고장 진단과 엣지 AI 배포 성능을 동시에 높였다

태양광과 풍력 발전이 늘어나면서 전력을 변환하는 인버터의 중요성이 커지고 있다. 하지만 인버터 내부 반도체가 고장 나면 전력 품질이 떨어지고 시스템 전체가 멈출 수 있다. 문제는 일부 고장이 서로 매우 비슷한 파형을 만들어 기존 진단 방식으로는 구분하기 어렵다는 점이다.

2026년 발표된 연구에서는 이런 문제를 해결하기 위해 DARTS(Differentiable Architecture Search)라는 자동 AI 설계 기술을 활용했다. 연구진은 사람이 직접 신경망 구조를 설계하는 대신 AI가 스스로 최적의 진단 모델을 찾도록 만들었다. 그 결과 고장 진단 정확도는 *99.44%*를 기록했고, 모델 크기는 0.2417M 파라미터에 불과했다. 또한 NVIDIA Jetson Orin Nano 같은 엣지 장치에서도 실시간에 가까운 속도로 동작했다.

전력전자 분야에서는 왜 이런 접근이 중요할까. 그리고 AI가 스스로 설계한 모델은 기존 방식보다 무엇이 달랐을까.

멀티레벨 인버터는 높은 성능 대신 고장 진단이 어려워졌다

현대 전력 시스템은 단순한 2레벨 인버터보다 CHMI(Cascaded H-Bridge Multilevel Inverter)를 많이 사용한다.

CHMI는 여러 개의 H브리지를 직렬로 연결해 보다 부드러운 전압을 출력한다. 전압 품질이 좋고 고출력 시스템에 적합하기 때문에 태양광 발전소, 전기차 구동장치, 충전소 등에서 널리 활용된다.

하지만 장점이 많아질수록 문제도 생긴다.

출력 단계를 늘리려면 IGBT라는 전력 반도체 스위치가 더 많이 필요하다. 반도체 개수가 증가할수록 고장 가능성도 높아진다.

특히 연구진은 개방회로 고장(Open-Circuit Fault, OCF)에 주목했다.

OCF가 발생하면 특정 스위치가 더 이상 정상적으로 전류를 흐르게 하지 못한다. 그러면 전압과 전류 파형이 왜곡되고 장기적으로 다른 부품에도 손상을 줄 수 있다.

서로 다른 고장이 거의 같은 파형을 만드는 이유

인버터 고장 진단이 어려운 가장 큰 이유는 일부 고장들이 거의 똑같은 전압 파형을 만들기 때문이다.

연구진은 단상 5레벨 CHMI를 분석했다. 여기에는 총 8개의 IGBT가 사용된다.

분석 결과 대각선 방향에 위치한 스위치 쌍은 고장이 발생해도 거의 동일한 출력 전압을 생성했다.

예를 들어 H1S1이 고장 난 경우와 H1S3이 고장 난 경우는 전체 전압 파형이 사실상 비슷하게 나타났다. 마찬가지로 H1S2와 H1S4 고장도 매우 유사한 패턴을 보였다.

그렇다면 차이는 어디에 있을까.

차이는 아주 작은 전압 스파이크에만 존재했다.

이 스파이크는 스위칭 순간에 발생하며 전체 전압 크기에 비해 매우 작다. 사람이 눈으로 보거나 일반적인 특징 추출 기법으로는 쉽게 구분하기 어렵다.

결국 "왜 서로 다른 고장을 구분하기 어려운가"라는 질문의 답은 다음과 같다.

고장 간 차이가 전체 파형이 아니라 특정 순간에 나타나는 미세한 왜곡에만 숨어 있기 때문이다.

기존 AI 진단 모델은 대부분 사람이 직접 설계했다

그동안 연구자들은 CNN이나 딥러닝을 활용해 인버터 고장을 진단해 왔다.

문제는 대부분의 모델이 사람이 직접 설계했다는 점이다.

어떤 크기의 필터를 사용할지, 몇 개 층을 쌓을지, 어떤 특징을 추출할지는 연구자의 경험에 의존했다.

이 방식은 새로운 환경이 등장하면 다시 설계해야 한다.

또한 사람이 설계한 구조가 반드시 해당 문제에 최적이라는 보장도 없다.

연구진은 이 한계를 해결하기 위해 신경망 구조 자체를 AI가 자동으로 찾게 만들었다.

AI는 스스로 가장 적합한 신경망 구조를 탐색했다

연구에 사용된 핵심 기술은 DARTS다.

DARTS는 수많은 신경망 구조를 자동으로 시험해보고 가장 성능이 좋은 구조를 선택하는 기술이다.

일반적인 NAS(Neural Architecture Search)는 계산량이 매우 많다.

반면 DARTS는 구조 탐색 문제를 연속 최적화 문제로 바꿔 경사하강법으로 해결한다. 덕분에 훨씬 적은 계산 자원으로 최적 구조를 찾을 수 있다.

연구진은 여기에 PC-DARTS-SC라는 새로운 방식을 제안했다.

핵심은 "Special Cell"만 사용하도록 탐색 공간을 단순화한 것이다.

일반 이미지 분류 모델처럼 다운샘플링을 반복하면 미세한 전압 왜곡 정보가 사라질 수 있다. 연구진은 이를 방지하기 위해 중요한 세부 정보를 유지하는 구조를 설계했다.

전압 신호를 이미지처럼 변환해 AI가 분석했다

연구진은 전압 데이터를 그대로 사용하지 않았다.

1주기 전압 신호를 20×20 크기의 2차원 행렬로 변환했다.

원래 400개의 샘플 포인트를 이미지 형태로 재배열한 것이다.

이렇게 하면 CNN이 이미지 분석하듯 전압 패턴을 분석할 수 있다.

특히 연구진은 다음과 같은 다양한 크기의 필터를 탐색 공간에 포함했다.

3×3 분리 합성곱
5×5 분리 합성곱
7×7 분리 합성곱
팽창 합성곱
평균 풀링
최대 풀링

실제로 최종 선택된 구조는 5×5와 7×7 같은 큰 커널을 선호했다.

이는 미세한 전압 왜곡이 여러 시간 규모에 걸쳐 나타난다는 사실을 AI가 스스로 학습했음을 의미한다.

실제 실험에서 평균 정확도 99.44%를 기록했다

연구진은 실제 단상 5레벨 CHMI 실험 장치를 구축했다.

주요 조건은 다음과 같다.

DC 전압 15V
기본 주파수 50Hz
샘플링 주파수 20kHz
RL 부하 7Ω, 6mH
총 9개 상태 분류
- 정상 상태 1개
- IGBT 고장 8개

각 상태마다 200개의 샘플을 수집해 학습에 사용했다.

비교 결과는 인상적이었다.

방법정확도

PCA-ELM	90.50%
FFT-PCA-BPNN	94.12%
FFT-PCA-SVM	98.33%
1D-CNN	98.28%
제안 방법	99.44%

정확도 차이는 크지 않아 보일 수 있다.

하지만 연구진은 단순히 정확도뿐 아니라 자동 설계된 경량 구조 자체가 중요한 성과라고 설명한다.

잡음이 추가돼도 정확도 96% 이상을 유지했다

현실의 전력 시스템은 노이즈가 존재한다.

센서 오차, 스위칭 잡음, 전자기 간섭 등이 발생할 수 있다.

연구진은 이를 평가하기 위해 AWGN 잡음을 추가했다.

결과는 다음과 같았다.

SNR정확도

45dB	99.54%
40dB	99.23%
35dB	98.78%
30dB	96.33%

상당한 수준의 잡음 환경에서도 96% 이상의 정확도를 유지했다.

이는 미세한 파형 왜곡을 학습한 구조가 노이즈에도 비교적 강하다는 의미다.

Jetson Orin Nano에서도 실시간 수준으로 동작했다

산업 현장에서 AI 모델은 정확도만 높다고 사용할 수 없다.

장비 내부에서 빠르게 동작해야 한다.

연구진은 최종 모델을 NVIDIA Jetson Orin Nano에 배포했다.

TensorRT 최적화를 적용한 결과 추론 속도는 다음과 같았다.

백엔드추론 시간

ONNX CPU	8.42ms
ONNX CUDA	4.21ms
TensorRT FP16	3.54ms

한 전압 주기가 20ms인 점을 고려하면 실시간 진단이 충분히 가능하다.

또한 모델 크기는 약 0.97MB 수준에 불과했다.

미세한 전압 왜곡을 놓치지 않는 AI 설계가 핵심이었다

이번 연구의 핵심은 단순히 정확도가 아니다.

연구진은 사람이 직접 설계하던 과정을 AI가 대신 수행하도록 만들었다.

그 결과 고장 간 차이가 거의 보이지 않는 상황에서도 중요한 특징을 자동으로 찾아낼 수 있었다.

특히 대형 발전소, 태양광 인버터, 전기차 구동 시스템처럼 엣지 컴퓨팅이 필요한 환경에서는 이러한 자동 설계형 AI가 점점 더 중요해질 가능성이 크다.

연구진은 앞으로 더 복잡한 인버터 구조와 실제 산업 현장의 고장 데이터에서도 검증을 확대할 계획이라고 밝혔다.

AI가 설계한 경량 신경망은 전력전자 진단의 새로운 방향을 보여준다

전력전자 장비는 점점 복잡해지고 있다. 그만큼 사람이 직접 설계한 규칙 기반 진단 방식만으로는 한계가 커지고 있다.

이번 연구는 AI가 스스로 최적 구조를 설계하고, 그 모델을 실제 엣지 장치에 배포해 실시간으로 고장을 진단할 수 있음을 보여줬다.

특히 구분이 어려운 유사 고장까지 높은 정확도로 식별했다는 점에서 산업용 AI 진단 기술의 중요한 가능성을 제시한 연구로 평가할 수 있다.

출처

Hu, H., Wang, T., Wang, H., & Amirat, Y. (2026). Multilevel inverter fault diagnosis using differentiable architecture search for edge deployment. AI, 7(6), 208. https://doi.org/10.3390/ai7060208