잔여 유효 수명(RUL) 추정을 위한 시계열 파운데이션 모델 임베딩

잔여 유효 수명(Remaining Useful Life, RUL) 예측은 산업용 예지 보전(predictive maintenance)에 필수적이지만, 많은 학습 기반 접근 방식들은 작업별 시퀀스 모델을 훈련하기 위해 광범위한 피처 엔지니어링이나 대규모 레이블 데이터셋에 의존합니다. 본 연구에서는 경량화된 학습 접근 방식을 소개하며, 동결된 사전 학습 시계열 파운데이션 모델(Time-Series Foundation Model, TSFM)을 활용하고 이를 다변수 센서 스트림으로부터 RUL 추정을 위한 작은 회귀 헤드와 결합합니다. 더 구체적으로, 우리는 Chronos-2를 동결된 백본으로 사용하여 컨텍스트 윈도우 피처를 추출하고, RUL 예측을 위해 경량 회귀 신경망을 훈련합니다. 두 가지 장치 유형의 실제 산업 센서 데이터에 대한 실험 결과, Chronos-2 피처가 동일한 전처리 및 평가 프로토콜 하에서 순환(recurrent), 컨볼루션(convolutional), 트랜스포머 기반(Transformer-based), 그리고 그래디언트 부스팅(gradient-boosting) 기준선보다 일관되게 성능이 향상됨을 보여줍니다. 또한, 우리는 컨텍스트 길이의 영향을 분석했으며, 더 긴 이력(history)에 따라 성능이 크게 개선된다는 것을 발견했습니다. 이는 TSFM 표현이 산업 환경에서의 RUL 추정을 위한 실용적이고 데이터 효율적인 대안을 제공함을 시사합니다.