기계 결함은 심각한 안전 문제와 재정적인 손실을 초래할 수 있으므로 이를 방지하기 위한 기계 결함 진단 기술이 지속적으로 연구되고 있다. 특히, 많은 연구가 회전 기계의 주요 결함 원인 중 하나인 베어링 결함 진단을 목적으로 수행되고 있다. 기존에는 신호 처리와 머신 러닝 기반 방식이 주로 연구되었으나 최근에는 딥러닝 기반의 베어링 결함 진단 연 구가 많이 수행되고 있다. 데이터의 특성을 스스로 학습하므로 전문적 지식이 수반되는 특징 추출 과정이 필요 없다는 장점과 함께, 딥러닝 기반 방식은 이미 우수한 결함 진단 성능을 나타내고 있다. 그러나 복합적이고 불안정한 실제 산업 현장에서 취득되는 데이터에는 노이즈가 포함될 가능성이 높으며 이러한 노이즈는 데이터의 분포 변화로 이어져 딥러닝 네트워크의 성능 저하를 유발하므로 베어링 결함 진단 딥러닝 네트워크의 노이즈 강건성은 중요한 과제이다. 따라서 본 연구에서는 딥러닝 네트워크의 노이즈 강건성 문제를 해결하기 위한 새로운 방법으로 네트워크 프루닝을 적용할 것을 제안한다. 신호 처리 및 이미지 처리 분야의 노이즈 억제 기법에서 얻은 직관을 바탕으로 딥러닝 네트워크에 프루닝을 적용하여 학습 시에 노이즈에 의한 특징 정보가 전파되는 것을 억제함으로써 네트워크의 노이즈 강건성을 향상시키고자 하였으며 이를 실험적으로 검증하였다. 이를 통해 실제 산업 환경에서 발생할 수 있는 노이즈 문제의 새로운 해결 방향을 제시하며, 기존 연구들이 네트워크 아키텍처를 새롭게 개발하여 노이즈 강건성 문제를 다루고자 했던 것과 달리 기존의 네트워크 아키텍처를 그대로 사용할 수 있어 개발 비용을 절감할 수 있다.