TCN 기반의 데이터 전처리 중심 새로운Remaining Useful Life (RUL) 예측 방법

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.