Lightweight Neural Network for Remaining Useful Life Prediction Using Multi-Fidelity Data

Abstract

잔여 유효 수명 예측을 위한 다중 충실도 데이터 활용 경량 신경망 본 논문은 전체 수명 주기(Run-to-failure) 데이터를 직접 확보하기 어려운 산업 환경에서도 신뢰성 높은 잔여 유효 수명 예측을 가능하게 하는 경량 다중충실도 신경망 기반 프레임워크를 제안한다. 제안한 프레임워크는 고장에 도달하는 전체 수명 주기 데이터를 상대적으로 쉽게 확보할 수 있는 저충실도 데이터를 활용하여 고장(run-to-failure) 데이터가 부족한 구간에서도 장기 열화 경향을 예측하고, 실제 운전 데이터와 결합함으로써 전체 수명 주기 데이터를 필요로 하지 않으면서도 높은 예측 신뢰도를 달성하였다. 또한, 기울기 기반 적응형 샘플링 기법을 도입하여 열화 단계 전이 구간에서 견고한 예측 성능을 확보하고 데이터 중복성을 효과적으로 줄였으며, 잔차 입력(Residual input)을 활용한 효율적인 데이터 구성과 적응형 평균 풀링, 와이드 커널 합성곱 계층 등 경량 신경망 설계를 통해 계산 비용과 파라미터 수를 크게 절감하였다. 실험 결과, 제안된 방법은 기존 방식 대비 MAPE를 약 30% 감소시키고, 계산 복잡도(FLOPs)와 파라미터 수를 각각 88%, 99%까지 줄이면서도, 노이즈 환경에서도 뛰어난 강건성을 보였다. 특히, 고장 데이터 없이도 실시간 운전 데이터만으로 잔여 유효 수명을 연속적으로 갱신할 수 있었고, 계산 복잡도의 효과적인 감소로 인해 데이터가 지속적으로 유입되는 산업 환경에서도 빠르고 효율적인 예측 업데이트가 가능함을 확인하였다. 이러한 결과는 데이터 부족, 실시간 예측, 계산 효율성 등 실제 산업 현장의 요구를 충족하는 예지보전 프레임워크의 설계 및 적용에 중요한 기여를 할 것으로 기대된다.