본 연구는 NASA C-MAPSS 데이터셋을 사용하여 터보팬 엔진의 불확실성을 인지하는 잔여 수명 (Remaining Useful Life, RUL) 추정을 위한 새로운 하이브리드 예후 프레임워크를 제시합니다. 이 프레임워크는 엔진의 작동 수명을 '정상 (healthy)' 및 '열화 (degraded)' 영역으로 분기하는 상태 인지 전략을 채택합니다. 정상 데이터 (RUL > 150 사이클)로만 엄격하게 학습된 LSTM 기반 오토인코더 (LSTM-based autoencoder)는 재구성 오차 (reconstruction error)를 모니터링하여 견고한 상태 분류기 역할을 수행합니다. 정상 영역의 경우, 평균 잔여 수명 (Mean Residual Life) 추정을 위해 조건부 와이불 생존 분석 (Conditional Weibull Survival Analysis)이 사용됩니다. 열화 영역의 경우, 몬테카를로 드롭아웃 (Monte Carlo Dropout)을 적용한 확률적 신경망 (Probabilistic Neural Network)이 우연적 불확실성 (aleatoric uncertainty)과 인식적 불확실성 (epistemic uncertainty)을 모두 포착합니다. 경직된 이진 레이블을 사용하는 대신, 보정된 시그모이드 함수 (sigmoid function)가 오토인코더의 출력을 연속적인 상태 확률로 변환하여 최종 앙상블 예측에 동적으로 가중치를 부여합니다. 이 프레임워크의 주요 강점은 물리적으로 일관된 불확실성 밴드 (uncertainty bands)를 생성한다는 점이며, 이를 통해 수명 종료 시점 근처에서는 높은 신뢰도의 예측을 제공하는 동시에 초기 작동의 내재적 분산을 정확하게 반영함으로써 위험 기반 유지보수를 위한 견고한 도구를 제공합니다.