LiteInception: 일반 항공기 결함 진단을 위한 경량화 및 해석 가능한 딥러닝 프레임워크

LiteInception: A Lightweight and Interpretable Deep Learning Framework for General Aviation Fault Diagnosis

일반 항공기의 결함 진단 및 효율적인 유지 보수는 항공 안전에 매우 중요하지만, 제한된 자원을 가진 엣지 장치에 딥러닝 모델을 적용하는 것은 계산 능력과 해석 가능성 측면에서 이중적인 어려움을 야기합니다. 본 논문에서는 엣지 환경에 적합하도록 설계된 경량화된 해석 가능 결함 진단 프레임워크인 LiteInception을 제안합니다. 이 프레임워크는 표준 유지 보수 워크플로우에 맞춰 2단계의 연속 구조를 채택합니다. 1단계에서는 높은 재현율로 결함을 탐지하고, 2단계에서는 이상 샘플에 대한 세분화된 결함 분류를 수행하여 최적화 목표를 분리하고 필요한 경우 계산 자원을 효율적으로 할당합니다. 모델 압축을 위해, 상호 정보, 기울기 분석 및 SE 어텐션 가중치를 기반으로 하는 다중 방법 융합 전략을 제안하여 입력 센서 채널을 23개에서 15개로 줄이고, InceptionTime 파라미터를 70% 압축하고 CPU 추론 속도를 8배 이상 향상시키며 F1 점수가 3% 미만으로 감소하는 1+1 브랜치 LiteInception 아키텍처를 소개합니다. 또한, 지식 증류를 정밀도-재현율 조절 메커니즘으로 도입하여 동일한 경량 모델이 안전 관련 진단 및 보조 진단과 같은 다양한 시나리오에 맞게 학습 전략을 전환할 수 있도록 합니다. 마지막으로, 4가지 해석 방법이 통합된 이중 계층 해석 프레임워크를 구축하여 "어떤 센서가 어떤 시간 기간에 영향을 미쳤는지"에 대한 추적 가능한 증거 체인을 제공합니다. NGAFID 데이터 세트에 대한 실험 결과, 결함 탐지 정확도는 81.92%, 재현율은 83.24%, 결함 식별 정확도는 77.00%로 나타나 프레임워크가 효율성, 정확성 및 해석 가능성 간의 균형을 잘 유지함을 입증합니다.

General aviation fault diagnosis and efficient maintenance are critical to flight safety; however, deploying deep learning models on resource-constrained edge devices poses dual challenges in computational capacity and interpretability. This paper proposes LiteInception--a lightweight interpretable fault diagnosis framework designed for edge deployment. The framework adopts a two-stage cascaded architecture aligned with standard maintenance workflows: Stage 1 performs high-recall fault detection, and Stage 2 conducts fine-grained fault classification on anomalous samples, thereby decoupling optimization objectives and enabling on-demand allocation of computational resources. For model compression, a multi-method fusion strategy based on mutual information, gradient analysis, and SE attention weights is proposed to reduce the input sensor channels from 23 to 15, and a 1+1 branch LiteInception architecture is introduced that compresses InceptionTime parameters by 70%, accelerates CPU inference by over 8x, with less than 3% F1 loss. Furthermore, knowledge distillation is introduced as a precision-recall regulation mechanism, enabling the same lightweight model to adapt to different scenarios--such as safety-critical and auxiliary diagnosis--by switching training strategies. Finally, a dual-layer interpretability framework integrating four attribution methods is constructed, providing traceable evidence chains of "which sensor x which time period." Experiments on the NGAFID dataset demonstrate a fault detection accuracy of 81.92% with 83.24% recall, and a fault identification accuracy of 77.00%, validating the framework's favorable balance among efficiency, accuracy, and interpretability.