시뮬레이션 기반 추론(SBI)을 활용한 실시간 장비 상태 모니터링

산업 설비의 상태 모니터링(Condition Monitoring)은 간접 센서 측정값으로부터 잠재적인 열화 매개변수(latent degradation parameters)를 불확실성 하에서 정확하게 추론하는 것이 핵심입니다. 전통적인 베이즈 방법론, 예를 들어 마르코프 체인 몬테카를로 (Markov Chain Monte Carlo, MCMC)는 엄격한 불확실성 정량화(uncertainty quantification)를 제공하지만, 높은 계산 복잡도로 인해 실시간 공정 제어(real-time process control)에 적용하기 어렵다는 한계가 있습니다.

본 연구에서는 이러한 계산적 병목 현상을 극복하기 위해 시뮬레이션 기반 추론 (Simulation-Based Inference, SBI)을 활용한 AI 기반 프레임워크를 제안합니다. 이 접근법은 '어마티즈드 신경 사후 추정(amortized neural posterior estimation)' 기능을 이용해 열교환기(heat exchangers)와 같은 복잡한 설비의 고장 모드를 진단하는 데 사용됩니다.

핵심 아이디어는 다음과 같습니다: 신경 밀도 추정기(neural density estimators)를 시뮬레이션 데이터셋에 훈련시켜, 열-유체 관측값(thermal-fluid observations)에서 열화 매개변수의 전체 사후 분포(full posterior distribution of degradation parameters)로 직접적이고 라이클리후드 프리(likelihood-free)인 매핑을 학습하는 것입니다. 이 과정은 복잡한 물리 시스템의 상태를 추정할 때, 모델링된 시뮬레이션 환경에서 데이터를 생성하고 이를 통해 실제 측정값에 대한 통계적 추론을 수행하는 방식입니다.

연구진은 제안된 SBI 프레임워크를 다양한 합성 오염(synthetic fouling) 및 누출(leakage) 시나리오와 비교하여 검증했습니다. 특히, 발생 확률이 낮고 데이터가 희소한(sparse-event) 어려운 고장 상황에서도 성능을 입증했습니다.

그 결과, SBI는 기존 MCMC 기반 방법과 비교했을 때 유사한 진단 정확도와 신뢰성 있는 불확실성 정량화를 달성하는 동시에, 추론 시간을 82배 가속화하는 것으로 나타났습니다. 이러한 '어마티즈드(amortized)' 신경망의 특성은 거의 즉각적인 추론(near-instantaneous inference)을 가능하게 하여, SBI를 복잡한 공학 시스템에서 확률적 고장 진단 및 디지털 트윈(digital twin) 구현을 위한 매우 확장성 높은 실시간 대안으로 확립합니다.