Induction motors are the dominant choice in industrial applications due to their robustness, structural simplicity, and high reliability. However, extended operation under extreme conditions, such as high temperatures, overload, and contamination, accelerates the degradation of internal components and increases the likelihood of faults. These faults are challenging to detect, as they typically develop gradually without clear external indicators. To address this issue, the present study proposes a cost-effective fault diagnosis system utilizing low-cost MEMS acoustic sensors in conjunction with a lightweight multilayer neural network (MNN). The same MNN architecture is employed to systematically compare three types of input feature representations: raw time-domain waveforms, FFT-based statistical features, and PCA-compressed FFT features. A total of 5040 samples were used to train, validate, and test the model for classifying three conditions: normal, rotor fault, and bearing fault. The time-domain approach achieved 90.6% accuracy, misclassifying 102 samples. In comparison, FFT-based statistical features yielded 99.8% accuracy with only two misclassifications. The FFT + PCA method produced similar performance while reducing dimensionality, making it more suitable for resource-constrained environments. These results demonstrate that acoustic-based fault diagnosis provides a practical and economical solution for industrial applications.

본 논문에서는 저가형 압전 센서를 이용하여 주파수 영역에서 유도전동기의 고장을 진단하는 시스템을 구현하였다. 정상, 회전자 고장 및 베어링 고장 상태의 유도전동기를 가진 시뮬레이터를 활용하여 진동 데이터를 수집하였고, 수집된 데이터를 주파수 영역으로 변환하기 위해 FFT(Fast Fourier Transform)를 적용하였다. 변환된 주파수 영역의 데이터를 입력 벡터로 하여 MNN(Multilayer Neural Network)과 1D-CNN(1D-Convolutional Neural Network) 모델을 구성하고, 두 모델 간 분류 성능을 비교하는 컴퓨터 시뮬레이션을 수행하였다. 또한, 학습된 모델을 기반으로 Raspberry Pi와 GUI를 활용한 실시간 고장 진단 프로그램을 개발하였으며, 실제 환경에서 진단 성능을 분석함으로써 저가형 하드웨어 기반에서도 효과적인 고장 진단 시스템을 구현할 수 있음을 실험적으로 검증하였다.