TCN 기반의 데이터 전처리 중심 새로운Remaining Useful Life (RUL) 예측 방법
요약
본 논문은 항공기 엔진의 잔여 유효 수명(RUL) 예측 정확도를 높이기 위해 데이터 전처리 과정에 초점을 맞춘 새로운 파이프라인을 제안한다. 기존 연구들이 모델 구조 설계에 집중했던 것과 달리, 이 접근법은 시간적 시퀀스 전체를 활용하고 각 단계에서 RUL 추정을 생성하여 미세한 열화 동역학을 포착하는 데 중점을 둔다. NASA C-MAPSS 데이터셋을 사용한 실험 결과, 제안된 전처리 파이프라인이 다양한 최신 신경망 모델(CNN, RNN, TCN 등) 대비 일관되게 우수한 예측 성능과 견고성을 입증했다.
핵심 포인트
- RUL 예측의 핵심 개선점은 복잡한 모델 구조보다 데이터 전처리 파이프라인에 있음을 강조한다.
- 제안된 방법은 완전한 시간적 시퀀스를 활용하고 각 시간 단계별 RUL 추정을 생성하여 열화 동역학을 포착한다.
- NASA C-MAPSS 데이터셋에서 다양한 최신 신경망 모델(TCN, LSTM 등)과 비교했을 때 우수한 성능을 보였다.
- 이 연구는 예측 모델의 효과를 극대화하는 데 전처리가 결정적인 역할을 함을 입증했다.
항공기 엔진의 Remaining Useful Life (RUL) 정확한 예측은 예측 정비, 향상된 운영 신뢰성, 그리고 감소된 수명 주기 비용에 필수적입니다. 심층 학습 접근법은 이 분야에서 강력한 잠재력을 보여 왔으나, 대부분의 기존 방법은 모델 구조 설계에 주력하고 입력 특징을 균일하게 처리하며 데이터 전처리의 영향을 종종 간과합니다. 본 작업에서는 모델 훈련 전에 데이터 품질과 시간적 표현을 향상시켜 RUL 예측을 개선하는 새로운 전처리 파이프라인을 제안합니다. 우리의 접근법은 완전한 시간적 시퀀스를 활용하고 각 시간 단계에서 RUL 추정을 생성하여, 엔진의 수명 주기 동안 미세한 열화 동역학을 포착하고 연속적인 예측 통찰력을 제공할 수 있습니다. 제안된 파이프라인의 효과를 검증하기 위해 NASA C-MAPSS 데이터셋에 실험을 수행했습니다. CNN, RNN, LSTM, DCNN, TCN, BiGRU-TSAM, AGCNN, ATCN과 같은 최신 신경 모델들의 비교 평가는 우리의 접근법이 항공기 엔진 RUL 예측에서 일관되게 우수한 정확도와 견고함을 달성한다는 것을 보여줍니다. 이러한 결과는 신경 예측 모델의 효과를 극대화하는 데 전처리의 결정적인 역할을 강조합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기