A Time-axis Alignment Framework for Multi-fidelity Data in Remaining Useful Life Prediction

Abstract

The importance of degradation trend prediction and remaining useful life (RUL) estimation for predictive maintenance of industrial equipment has been increasing in recent years. Although physics-based degradation models can achieve high predictive performance by explicitly reflecting degradation mechanisms, their practical deployment is often limited because identifying degradation mechanisms and developing accurate models require substantial time and domain expertise. Accordingly, various data-driven approaches have been proposed to predict RUL without sufficient physical knowledge, and neural network models leveraging multi-fidelity data, such as MDA-CNN and lightweight MFNN have been developed. However, in real industrial environments, high-fidelity data are often scarce, and differences in operating conditions and sensor environments frequently lead to inconsistent degradation patterns across data sources. Under such conditions, existing multi-fidelity neural network models can learn the overall trend along the y-axis reasonably well, but they have limited capability to capture temporal inconsistencies, such as mismatched degradation transition timing. This paper proposes a time-axis alignment framework to mitigate degradation transition mismatch between low-fidelity and high-fidelity data. The proposed method repeatedly updates the time axis of low-fidelity degradation data based on high-fidelity degradation information observed up to the prediction time and performs multi-stage training on the aligned data. Through this iterative process, the degradation patterns between low-fidelity and high-fidelity data become progressively aligned, leading to improved degradation trend prediction performance. To validate the effectiveness of the proposed framework, we conduct extensive case studies and evaluate performance using quantitative metrics including MAE, MAPE, and SMAPE. When a physics-based model is sufficiently established, the baseline and the proposed method exhibit comparable performance; in contrast, for cases using real data from similar systems, the proposed method achieves lower prediction errors than the baseline. These results demonstrate that the proposed time-axis alignment framework can improve RUL prediction accuracy even in scenarios where physics-based modeling is difficult and degradation patterns differ across data sources, thereby supporting more efficient maintenance decision-making.|최근 산업 설비의 예지정비를 위한 열화 추세 및 잔여 유효 수명(RUL) 예측 기술의 중요성이 커지고 있다. 물리 기반 열화 모델은 열화 메커니즘을 직접 반영할 수 있어 높은 예측 성능을 기대할 수 있으나, 실제 현장에서는 열화 메커니즘 규명과 모델 구축에 많은 시간과 전문 지식이 요구되어 적용이 제한적이다. 이에 따라 물리 지식이 부족한 상황에서도 데이터만으로 RUL을 예측하기 위한 다양한 데이터 기반 접근이 제안되어 왔으며, 특히 다중충실도 데이터를 활용한 신경망 모델(MDA-CNN, Lightweight MFNN) 등이 개발되어 왔다. 그러나 현장에서는 고충실도 데이터 확보가 어렵고, 운전 조건 및 센서 환경 차이로 인해 데이터 원천 간 열화 경향성이 달라지는 문제가 빈번하게 발생한다. 이때 기존 다중충실도 신경망 모델은 y축 방향의 경향은 비교적 잘 학습하지만, 열화 전이 시점과 같은 시간 정보의 불일치를 충분히 반영하지 못한다는 한계가 있다. 본 논문에서는 저충실도와 고충실도 데이터 간 열화 전이 시점 불일치 문제를 완화하기 위한 시간 축 정렬 프레임워크를 제안한다. 제안 방법은 예측 시점까지 관측된 고충실도 열화 정보를 기준으로 저충실도 열화 데이터의 시간 축을 반복적으로 갱신하며, 이를 기반으로 다단계 학습을 수행한다. 이러한 과정을 통해 저충실도와 고충실도 데이터 간 열화 경향성이 점진적으로 정렬되고, 결과적으로 열화 추세 예측 성능이 향상됨을 확인하였다. 성능 검증을 위해 다양한 사례 연구를 수행하였으며, MAE, MAPE, SMAPE 등 정량적 지표를 통해 비교 평가하였다. 물리 모델이 충분히 구축된 경우에는 기존 방법과 제안 방법이 유사한 성능을 보였으나, 유사 시스템의 실제 데이터를 사용하는 사례에서는 제안 방법이 기존 방법 대비 더 낮은 예측 오차를 나타냈다. 본 연구는 물리적 열화 모델을 정립하기 어렵고 데이터 간 열화 경향성이 상이한 환경에서도 시간 축 정렬을 통해 RUL 예측 정확도를 향상시켜, 효율적인 유지보수 의사결정에 기여할 수 있음을 보여준다.