2.1 임피던스 본드의 구조와 기능

임피던스 본드는 전기철도의 궤도회로에 설치되는 장치로서 견인 전류와 신호 전류가 공유된 레일에서 두 성분을 효과적으로 분리한다^[1][2]. 임피던스 본드는 크게 대형 철심과 권선으로 이루어져 있는 변압기형 구조로 두 개의 레일 단자와 중앙 귀선 단자를 갖는다^[2][3].

열차 운행 시 사용되는 60 Hz의 전력 주파수에서는 낮은 임피던스를 제공하여 수백 A에 이르는 귀선 전류가 손실 없이 흐르도록 한다. 반면 궤도회로에서 사용되는 1,700 Hz, 2,100 Hz 등 신호 주파수 대역에서는 상대적으로 높은 임피던스를 형성하여 신호 전류가 신호 루프를 이루는 레일로 흘러들어가는 것을 차단한다. 이러한 특성으로 전력회로와 신호회로를 효과적으로 분리하여 안정적인 궤도회로 동작을 보장할 수 있다^[1][2][3].

임피던스 본드는 철심, 권선, 단자부 그리고 외함으로 구성되어 있다. 철심은 주파수에 따라 선택적으로 임피던스를 형성하여 전력 및 신호 전류의 흐름을 제어하고, 권선은 레일과 병렬로 연결되어 전체 주파수 응답 특성을 결정한다. 단자부는 두 레일과 중앙 귀선 케이블을 연결하여 견인 전류의 귀환 경로를 제공한다. 외함은 외부 충격과 진동, 습기, 온도 변화 등 환경적 요인으로부터 내부 부품을 보호한다^[1][2].

그림 1은 궤도회로 개략도를 나타낸 것으로 귀선 전류와 신호 전류를 구분하는 구성을 확인할 수 있다. 이를 통해 임피던스 본드는 궤도회로에서 귀선 전류를 효율적으로 처리하고, 신호 주파수의 독립성을 유지하도록 하는 핵심 장치임을 알 수 있다^[2][3].

그림 1. 궤도회로 개략도

Fig. 1. Schematic diagram of a track circuit

2.2 임피던스 본드 고장유형

임피던스 본드는 외부 환경 및 부하에 따라 다양한 고장이 발생할 수 있다. 가장 대표적인 고장 중 하나는 전류 불평형으로, 권선 열화, 접속 불량 및 단자부 부식 등의 요인으로 인해 양측 레일 사이의 전류 분배 대칭이 깨지고, 특정 레일에 전류가 과도하게 집중되는 현상이 발생한다. 이러한 불균형은 궤도회로의 감지 정확도를 저하시켜 신호회로의 비정상적인 동작 또는 열차 검지 오류로 이어질 수 있다^[1][3].

다른 고장 원인으로 과열이 있다. 장시간 고부하 운행이나 여름철 고온 환경에서는 임피던스 본드 내부 온도가 상승하면서 절연 재료 등의 열화가 가속화되어 수명이 단축될 수 있다. 부품의 임계 온도를 넘어서게 되면 절연 파괴가 발생할 수 있으며, 이는 견인 전류뿐만 아니라 신호 전류 전달에도 심각한 영향을 미친다^[1][7].

또한 외부 충격, 기계적 진동 및 부식 등은 단선의 주요 원인으로 작용한다. 단선은 궤도회로의 연속성을 끊어 신호 감시 기능이 상실되어 열차 제어 시스템의 안정성에 직접적인 영향을 준다. 반면 과도한 전류나 절연 파괴로 발생한 단락은 전류의 급상승과 전압 강하를 유발하며, 경우에 따라 임피던스 본드 코일 또는 외함이 손상될 수 있다^[2][3][7].

임피던스 본드의 고장은 단순히 내부의 문제를 넘어 신호 왜곡, 제어 장애 및 장치 손상 등 철도 시스템 전반에 영향을 미칠 수 있다. 따라서 고장 유형별 원인과 영향 및 검출 지표를 명확히 정의하고 탐지 가능한 모니터링 체계로 연결하는 것이 중요하다^[1][3].

표 1은 임피던스 본드의 고장 유형과 원인, 영향 및 검출 지표를 정리한 것이다. 이러한 지표들은 이후 3.2절에서 제시하는 시뮬레이션 파라미터 조건(전압, 전류, 주파수, 온도차(ΔT)) 설정의 근거로 활용된다^[1][3][7].

2.3 기존 임피던스 본드 모니터링의 한계와 개선 방안

기존 임피던스 본드 상태를 판단하는 방법은 정기 점검에 기반한 기준값 측정 방식이다. 점검 주기에 맞추어 임피던스 본드가 설치된 선로 변에 근무자가 투입되고 전류·전압·온도 등을 측정하거나 외관 확인하는 형태로 진행되었다. 이러한 방식은 현재 상태를 정성적으로 파악하는 데에는 효과적이지만, 운용 중 발생할 수 있는 장애를 예측하여 조치하거나 점검 주기 사이에 진행되는 급속한 열화 등을 파악하는 데에는 한계가 있다. 특히 고속철도와 같은 고부하 운행이 빈번한 환경에서는 단기간 내 급격한 성능 저하가 발생할 수 있고, 이는 열차 운행 차질과 안전사고로 이어질 수 있다^[1][3][7].

기준값 기반의 점검 방식은 전류·전압·온도 등이 일정한 임계치를 벗어날 때만 이상으로 구분하기 때문에 판단이 명확하다는 장점이 있지만, 범위 내에서 발생하는 미세한 변화를 감지하기 어렵다. 데이터의 연속적 추세나 복합적 패턴을 인식하지 못해 잠재적 열화를 조기에 탐지할 수 없는 한계가 있다. 예를 들어 전류 불평형이 증가하고 온도 상승이 서서히 나타나는 상황이라도, 개별 지표가 범위에 머무는 한 이상으로 인식되지 않는다^[1].

따라서 기존 방식은 단순하고 실용적인 장점을 가지지만, 고속화된 현대 철도 시스템에서 요구되는 실시간 감시와 예측 정비 기능을 충족하기 어렵다. 정기 점검에서 정상 판정을 받더라도 열화가 누적되어 예기치 못한 장애가 발생할 수 있고, 이 경우 사전 예방보다는 사후 대응에 그칠 수 있다^[1][7].

이러한 이유로 철도 시스템에서 임피던스 본드와 같이 열차 운행의 안정성과 직접 연관된 핵심 장치에는 단순한 측정값 비교 방식 대신, 다양한 센싱 데이터를 종합적으로 분석하여 복합 패턴을 인식하고 예측할 수 있는 지능형 모니터링 체계의 구축이 필요하다^[4][5].

3.1 AI 기반 모니터링

최근 설비 분야에서 AI를 활용한 모니터링 연구가 진행되고 있다. 기존의 주기적 점검이나 정상 범위 기반 방식으로는 순간적으로 발생하는 이상 신호나 비선형적이고 복합적인 패턴의 탐지가 제한적이기 때문에, 다양한 센싱 데이터와 AI 학습 기법을 결합하여 조기 고장 탐지와 예측 정비로 확장하려는 연구가 진행되고 있다^[4][5].

전력 설비 분야 중 변압기를 대상으로 한 연구에서는 운용 중 발생하는 부분 방전 신호 검출, 용존가스 분석, 권선 온도 및 진동 데이터 등을 활용하여 변압기의 절연 열화 상태를 파악하거나 고장 발생 가능성을 예측하는 방법이 제시되었다. CNN(Convolutional Neural Network)과 LSTM(Long Short-Term Memory) 같은 학습 기법은 비선형적이고 시계열적인 특성을 가진 데이터를 효율적으로 처리할 수 있어서 기존의 기준값 기반 방식보다 높은 정확도로 고장 검출이 가능함을 보였다. 단순한 이상 탐지를 넘어 열화 진행률 분석과 잔여 수명 예측으로 확장되어 고장 예방 정비의 기반이 되고 있다^[4][5].

차단기와 송전선 분야에서도 AI 기반 모니터링 연구가 진행되고 있다. 차단기의 경우 개폐 시 발생하는 파형과 기계적 진동 데이터를 분석하여 접점 열화 및 이상 동작을 조기에 검출하였고, 송전선에서는 전류 과부하, 온도 상승, 선로 처짐 등의 데이터를 기반으로 기후 조건 및 부하 상태에 따른 장애를 예측하는 연구가 수행되었다. 이러한 연구들은 AI를 적용한 전력 설비에서 단순 경보 방식보다 복합적인 이상 패턴을 학습하여 높은 정확도와 신뢰도를 확보할 수 있음을 보여준다^[4][5].

철도 분야에서도 AI 적용이 점차 확대되고 있다. 궤도회로 신호를 시간-주파수 이미지로 변환해 CNN으로 고장을 분류한 연구가 수행되었다. 이러한 시도는 철도 설비에서도 AI를 활용한 실시간 모니터링과 예측 정비 체계 구축이 가능함을 입증한 사례로 평가할 수 있다^[6][8].

이러한 연구 결과를 통해 임피던스 본드 모니터링에도 비선형 시계열 데이터를 처리하는 데 강점을 가지는 CNN과 LSTM이 적합하다는 근거를 확인할 수 있다. CNN은 시계열 신호에서 국소적인 특징을 추출하는 데 효과적이고, LSTM은 시간적 의존성을 반영하여 장기적 변화 학습에 유리하다. MLP(Multilayer Perceptron)는 단순한 구조의 기준 성능 기법으로, CNN과 LSTM의 성능을 검증하기 위한 대조군 역할로 활용했다^[6][8-12].

표 2는 전력 및 철도 분야에서 수행된 AI 모니터링 연구 동향으로, 적용 분야별 주요 센싱 데이터와 적용된 학습 기법, 성과 및 특징을 비교한 표이다. 이를 통해 본 연구 대상인 임피던스 본드에도 AI 기반 모니터링 접근이 기술적으로 충분히 가능하다^[4][5][6][8].

3.2 임피던스 본드 모니터링 Parameters 선정

임피던스 본드의 상태를 정밀하게 감시하기 위해서는 주요 파라미터를 명확히 정의할 필요가 있다. 앞선 연구에서 제시된 주요 이상 징후가 전압 강하, 전류 불평형, 신호 감쇠, 온도 상승 등으로 나타나는 만큼, 임피던스 본드의 전기적·열적 특성을 대표하는 변수로서 전압·전류·주파수·온도를 핵심 지표로 선정했다^[1][3][7][8]. 정상 상태와 비정상 상태를 구분하여 학습할 수 있도록 각각의 조건을 설정하고, 시뮬레이션을 통해 실제 운용 환경의 변화를 재현할 수 있도록 구성했다.

전압의 경우 궤도회로 신호 출력은 AC 20 V이지만, 선로 거리·저항·결선 손실 등의 영향으로 임피던스 본드에 걸리는 전압은 AC 4~6 V 수준이 된다. 정상 상태에서는 파형이 안정적으로 유지되며, 비정상 상태에서는 순간적인 전압 하강이나 상승이 발생하도록 하여 접속 불량이나 단락 등 전압 변동 이상 상태를 모사했다^[1][3].

전류는 실제 운행에서 수백 A 단위로 흐르며, 고속철도 구간에서는 400~800 A 수준이다. 본 연구에서는 대표값으로 500 A를 정했다. 정상 상태에서는 안정적인 전류 흐름이 유지되도록 하였고, 비정상 상태에서는 급격한 변동을 모사하여 단선·접속 불량·절연 열화 등의 이상 상태를 재현했다^[3][7].

주파수는 궤도회로에서 사용되는 다양한 주파수 중 국내 철도 궤도회로의 표준 주파수 중 하나이며 신호 구간 분리와 궤도 점유 검지에 사용되는 1,700 Hz를 중심 주파수로 선택했다^[2][3]. 정상 상태에서는 FFT 분석에서 1,700 Hz 성분의 진폭이 안정적으로 유지되었고, 비정상 상태에서는 과도하게 감소하거나 증폭되어 신호 감쇠 또는 외란 간섭을 모사했다.

온도는 절대값 대신 내부와 외부의 온도차(ΔT)를 지표로 학습할 수 있도록 했다. 일반적인 환경에서 임피던스 본드는 권선 발열로 내부 온도가 외부보다 높아 ΔT가 약 5 ℃ 수준에서 유지된다. 그러나 비정상 상태에서는 ΔT가 급격히 상승하도록 하여 절연 열화, 과부하, 냉각 불량 등 온도 관련 이상이 반영되도록 했다^[7].

네 종류의 파라미터를 정의하고 실제 운용 환경에서 발생할 수 있는 불확실성을 반영하여, 인공지능 학습용 데이터를 현실성 있게 구성했다. 각 파라미터의 측정 위치와 정상·비정상 조건은 표 3과 그림 2에 정리했다.

그림 2. 임피던스 본드 파라미터 측정위치(재구성:[2])

Fig. 2. Measurement Locations of Impedance Bond Parameters(Adapted from[2])

3.3 임피던스 본드 학습 모델

임피던스 본드의 시계열 기반 데이터 특성과 다양한 학습 구조 간 차이를 비교하며 정상 및 비정상 상태를 학습하기 위해 네 종류의 인공지능 모델을 선정했다. 선정된 모델은 CNN, LSTM, MLP, 그리고 CNN과 LSTM을 결합한 하이브리드 구조(CNN-LSTM)이다. 각 모델은 동일한 데이터로 학습하였으며, 구조적 특성·연산 효율·예측 정확도를 비교했다.

CNN은 시계열 데이터에서 국소적 특징을 구분하여 학습하는 데 효과적이다^[9]. 전압·전류·주파수·온도와 같은 신호에서 발생하는 단기적 이상 패턴 감지에 적합하며, 합성곱과 풀링 연산을 통해 주요 정보를 보전하면서 불필요한 잡음을 제거하고 계산 효율을 높인다. 반면 LSTM은 게이트 구조를 기반으로 시간 축의 장기 의존성을 반영할 수 있어 전류 불평형이나 지속적인 비정상적 온도 상승처럼 점진적 이상 상태를 탐지하는 데 강점을 갖는다^[10]. MLP는 기본적인 다층 신경망 구조로 학습 속도가 빠르고 구현이 단순하지만, 복잡한 시계열 패턴을 충분히 반영하기 어렵기 때문에 주로 성능 비교를 위한 기준선(baseline) 모델로 활용된다^[11]. CNN과 LSTM을 결합한 하이브리드 모델은 CNN으로 단기적인 특징을 추출하고, LSTM으로 장기적 변화를 학습하며, 복합적인 이상 패턴을 동시에 탐지할 수 있는 장점이 있다^[12]. 이 조합은 시계열 데이터의 지역성과 시간적 연속성을 모두 고려할 수 있어, 철도 신호 및 전력 시스템과 같이 연속적 이상을 다루는 환경에 적합할 것으로 예상된다. 표 4는 각 모델의 구조적 특성과 장단점을 요약한 것이다.

3.4 데이터 구성 및 학습 환경

인공지능 학습을 통한 임피던스 본드 모니터링 데이터 생성에는 MATLAB Simulink 기반 시뮬레이션이 활용되었다^[14]. 정상 데이터 200세트와 비정상 데이터 200세트로 총 400세트이며, 각 세트는 전압·전류·주파수·온도의 네 가지 파라미터로 구성되었다. 데이터는 실제 운용 환경에서 발생할 수 있는 노이즈와 상태 변동을 모사하여 현장 데이터와 유사한 특성을 갖도록 설계했다.

전처리 단계에서는 모든 파라미터를 Min-Max 정규화(0~1)로 스케일링하여, 수백 A의 전류, 수 V의 전압, 수십 ℃의 온도와 수천 Hz의 주파수와 같이 단위 차이에 의한 학습 불균형을 방지했다. 데이터는 시계열 구조가 유지될 수 있도록 균일한 샘플링 간격과 순차적 배치 방식을 적용했다.

데이터는 학습·검증·테스트의 세 구간으로 구분하여 사용되었다. 먼저 데이터의 70%는 학습용으로 사용하여 모델 가중치 최적화에 활용하고, 15%는 검증에 할당하여 학습된 모델의 성능 평가와 과적합 방지를 지원할 수 있도록 했다. 마지막으로 나머지 15%는 테스트에 사용하여 최종 성능을 객관적으로 평가했다.

AI 학습에는 Python 기반 딥러닝 프레임워크인 TensorFlow와 Keras를 적용했다. 학습 시간 평가를 위해 하드웨어 환경은 Intel i7-13700H CPU와 NVIDIA RTX 4060 Laptop GPU가 탑재된 동일한 시스템 환경에서 실험을 수행했다. 시스템 환경은 대규모 시계열 데이터 처리를 위한 충분한 연산 성능을 제공하여 모델 간 비교시 일관된 결과 확보에 적합하다. 최적화 알고리즘으로 Gradient 평균과 Gradient 제곱 평균을 동시에 추정하는 Adam Optimizer를 사용하였으며^[13], 예측과 실제 정답 사이의 차이를 나타내는 손실 함수는 정상·비정상 구분 같은 이진 분류에 적합한 Binary Cross-Entropy를 적용했다. 기존 시계열 진단 연구에서 일반적으로 활용되는 기준을 참고하여 학습 횟수 Epoch는 50으로 설정했다^[6][8][12]. 한 번에 학습하는 데이터 개수인 Batch size는 32로 설정하였는데, 이는 Gradient 안정성과 GPU 메모리 효율 균형으로 우수한 구간인 16~64의 중간값으로 설정했다^[6][8]. 두 값을 동일하게 설정하여 학습 안정성과 모델 간 공정한 비교를 보장하도록 했다. 또한 Early Stopping과 ReduceLROnPlateau(학습률 감소) 기법을 병행 적용하여 불필요한 연산을 줄이고 학습 수렴 안정성과 최적 성능 확보를 동시에 달성했다^[15][16].

표 5는 데이터 분할 방식과 학습 환경을 요약한 것으로, 다양한 모델의 성능을 공정하게 비교할 수 있는 조건으로 구성하였으며, 시뮬레이션 기반 데이터를 활용하여 인공지능 모니터링 기법의 타당성과 재현 가능성을 검증할 수 있도록 했다.

4.1 임피던스 본드 모니터링 데이터 모델링

본 연구에서는 임피던스 본드의 정상 및 비정상 상태를 모사하기 위해 MATLAB Simulink를 기반으로 그림 3과 같이 시뮬레이션 모델을 구성했다. 하나의 모델에서 전압·전류·주파수·온도 네 가지 파라미터를 동시에 측정할 수 있도록 설계하였으며, 정상 상태와 비정상 상태 각각 200세트씩 총 400세트의 데이터를 생성했다. 비정상 상태에서는 파라미터당 50개의 고장 상태를 적용하여 다양한 이상 조건을 반영했다.

정상 상태에서 모든 파라미터는 안정적으로 유지되도록 구성하였고, 비정상 상태에서는 실제 운용 환경의 고장 현상을 반영했다. 전압의 순간적인 강하 또는 상승, 전류의 급격한 증감, 주파수는 FFT 분석시 1,700 Hz 성분의 감쇠 또는 증폭, 내부-외부 온도차(ΔT) 상승 등의 형태로 모델링했다.

그림 4는 전압에서 정상 상태인 경우와 비정상 상태에서 순간 전압 강하가 나타나는 파형을 비교했다. 그림 5는 전류 파형으로 정상 상태에서는 약 500 A가 유지되도록 하였고 비정상 상태에서는 전류가 급상승되도록 했다. 그림 6은 주파수 영역으로 정상 상태에서 FFT를 거친 1,700 Hz 성분이 안정적으로 유지되었고 비정상 상태에서는 신호가 크게 감쇠되었다. 그림 7의 온도차(ΔT)에서는 정상 상태가 약 5 ℃ 수준으로 유지되고 비정상 상태에서는 점진적 또는 급격한 상승이 발생하도록 했다.

이와 같이 시뮬레이션으로 생성된 파형 데이터는 정상과 비정상 상태를 명확히 구분할 수 있는 특성을 보였으며, 인공지능 학습에 활용하기에 적합한 고품질 데이터임을 확인했다.

그림 3. Simulink 기반 센싱 블록 다이어그램

Fig. 3. Block diagram of sensing model in Simulink

그림 4. 전압 정상/비정상

Fig. 4. Voltage waveforms under normal and abnormal conditions

그림 5. 전류 정상/비정상

Fig. 5. Current waveforms under normal and abnormal conditions

그림 6. 주파수 정상/비정상

Fig. 6. Frequency spectra under normal and abnormal conditions

그림 7. 온도 정상/비정상

Fig. 7. Temperature difference (ΔT) under normal and abnormal conditions

4.2 모델별 학습 결과

임피던스 본드를 모사한 시뮬레이션으로 생성된 총 400세트의 정상·비정상 데이터를 대상으로 학습과 검증을 수행했다. 전체 데이터를 10개 구간으로 분할하고 각 구간을 검증용으로 순차 교체하며 학습하는 방법인 10-fold 교차검증 기법을 적용했다^[17]. 이는 데이터 의존성을 감소시키고 모델의 일반화 성능을 향상시키기 위한 방법이다. 모델 평가지표로 정확도(Accuracy)와 F1-score, ROC-AUC, PR-AUC, 학습 시간을 선정했다. F1-score는 정밀도(Precision)와 재현율(Recall)의 조화 평균으로, 클래스 간 불균형 상황에서도 안정된 평가가 가능한 지표이다^[18]. ROC-AUC는 임계치 변화에 따른 전체 분류 성능을 나타내며 PR-AUC는 양성 클래스(Positive Class) 검출 성능을 나타낸다^[19][20]. 여기서 양성 클래스는 임피던스 본드의 비정상 상태를 의미하며, 해당 상태를 얼마나 정확히 검출하는가를 평가한다. 검증 단계에서 최대의 F1-score가 되도록 임계치를 조정했다. 학습 안정화와 과적합 방지를 위하여 Early Stopping, ReduceLROnPlateau, Class Weight 기법을 병행 적용했다^{[15][16][21][22]}. Early Stopping은 검증 성능 향상이 정체될 경우 학습을 조기에 종료하며 ReduceLROnPlateau는 학습 정체 구간에서 학습률을 자동으로 낮추어 수렴 속도를 개선했다. Class Weight 기법을 통해 데이터 클래스 불균형을 보정하기 위해 손실 함수에 가중치를 부여하여 비정상 상태에 대한 학습 민감도를 높였다.

네 가지 학습 기법 중 CNN이 정확도에서 평균 정확도 99%, F1-score 92%로 가장 우수한 성능을 보였다. ROC-AUC와 PR-AUC 모두 0.99에 근접하는 결과가 나왔다. fold 간 성능 편차도 작고 평균 학습 시간이 28.7초로 연산 효율이 우수했다.

CNN-LSTM 기법은 평균 정확도는 97%이며 F1-score는 95% 이상이고 AUC가 0.99에 근접하여 CNN과 유사한 수준의 성능을 보였다. 그러나 해당 기법의 구조적 복잡성으로 평균 학습 시간은 51초로 나타났다.

LSTM은 평균 정확도 97%, F1-score 94%이고 ROC-AUC 0.96으로 나타났다. 그러나 평균 학습 시간이 352초로 가장 길었고, fold 간 성능 분산이 크게 발생했다.

MLP는 가장 단순한 구조인 만큼 평균 학습 시간이 14.1초 전후 수준으로 매우 짧았다. 하지만 정확도는 88.5% 정도이고 ROC-AUC는 약 0.85에 머물렀다.

그림 8. 인공지능 모델별 성능 비교(정확도, ROC-AUC, PR-AUC, 학습 시간)

Fig. 8. Performance Comparison of AI Models (Accuracy, ROC-AUC, PR-AUC, Training Time)

4.3 시뮬레이션 결과

네 가지 인공지능 학습 기법 모두 정상과 비정상 상태를 일정 수준 이상 분류할 수 있었으며, 성능과 효율성 측면에서 차이를 보였다. CNN은 단순한 구조에서도 99%의 정확도를 안정적으로 기록하였으며, ROC-AUC와 PR-AUC도 0.99 이상으로 높은 신뢰성을 확보했다. 또한 학습 시간이 약 28.7초로 짧아 실시간 모니터링 환경에 적합할 것으로 판단된다.

LSTM은 시계열 의존성을 반영하여 장기적 이상 탐지에서 강점을 보이는 만큼 정확도는 97%, F1-score는 94%로 나타났다. 그러나 평균 학습 시간이 352초로 길고 fold 간 편차가 커 실시간 모니터링 적용에는 한계가 있다.

구조가 가장 단순한 MLP는 14.1초의 가장 짧은 평균 학습 시간이었으나, 정확도는 88.5%, AUC 0.85에 머물러 기준 학습 기법으로서 수치를 확인했다.

CNN-LSTM 하이브리드 기법은 두 기법의 장점을 결합하여 정확도에서 97%, F1-score 95%, AUC 0.99 이상으로 준수한 성능을 보였다. 그러나 LSTM의 영향으로 CNN보다 구조가 복잡해져 평균 학습 시간이 약 51초로 다소 증가했다. CNN을 대신하여 실시간 모니터링 학습모델로 사용하기 위해서는 추가적인 최적화가 필요하다.

종합적으로 CNN이 성능과 효율성의 균형 면에서 가장 실용적인 모델로 평가되며 CNN-LSTM은 복합적인 이상 신호 탐지에서의 확장 가능성을 확인할 수 있었다.

이러한 결과는 단순한 정상 범위 기반 감시를 넘어 AI 기반 데이터 분석 접근법이 임피던스 본드 모니터링에 효과적으로 활용될 수 있음을 시사한다.