딥러닝 기반 비선형 모델을 이용한 항공기 엔진의 수명 예측
Deep Learning-Based Non-Linear Prediction of Remaining Useful Life of Aircraft Engines
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
항공기 터보팬 엔진의 잔여 유효 수명(remaining useful life, RUL) 예측은 부품 열화로 인한 고장을 사전에 탐지하여 정비 일정을 최적화하고안전사고를 예방하는 예지보전(prognostics and health management, PHM)의 핵심 과제이다. 최근 딥러닝 기반의 RUL 예측 연구가 활발히 진행되었으나, 대부분의 연구는 모델 구조 향상에 집중되어 있으며, RUL 라벨 설계에 관심을 두지 않았다. 본 연구는 엔진 열화의 비선형적 열역학 특성을반영하여 최신 연구에서 사용하는 사전학습 구조는 그대로 유지하되, 학습 목표인 RUL 라벨 함수만을 실제 열화 패턴과 유사한 비선형 오목(concave)함수로 대체하는 새로운 접근법을 제안한다. NASA C-MAPSS 데이터셋을 사용하여 CAE(convolutional autoencoder)-RNN 구조에 기반을 둔 예측모델을 다양한 파라미터로 평가한 결과, 제안한 비선형 라벨링 모델이 기존 조각선형(piecewise-linear) 모델에 비해 RMSE(root mean squarederror) 기준 예측 정확도와 NASA S-score 안전성 지표를 모두 향상시키는 것을 확인하였다.
Abstract
The prediction of the remaining useful life (RUL) of aircraft turbofan engines is a critical task in prognostics and health management(PHM), as it enables the early detection of component degradation, the optimization of maintenance schedules, and the prevention ofsafety incidents. Recent deep learning–based RUL prediction studies have made significant progress. However, most efforts have focusedon improving model architectures, while relatively little attention has been paid to the design of RUL labeling functions. This study proposesa novel approach that preserves the existing pre-training structure used in recent research while replacing the target RUL labeling functionwith a non-linear concave function that more accurately reflects actual degradation patterns. Using the NASA C-MAPSS (CommercialModular Aero-Propulsion System Simulation) dataset, we evaluate a CAE (convolutional autoencoder)–RNN-based prediction model undervarious parameter settings and demonstrate that the proposed non-linear labeling model improves prediction accuracy in terms of RMSE(root mean squared error) and simultaneously enhances the NASA S-score safety metric compared to the conventional piecewise-linearmodel.