신경망을 활용한 기계 및 부품 잔여 수명 예측

초록

본 논문은 신경망을 이용하여 기계와 부품의 잔여 수명을 예측하는 방법을 제시하고, 상태 모니터링 데이터를 결합함으로써 예측 성능을 향상시킬 수 있음을 검증한다. 두 개의 신뢰성 관련 데이터셋을 대상으로 다양한 신경망 구조를 학습·시험하였다. 첫 번째 데이터셋은 고장 후 완전 복구(renewal)된 시험편을 대상으로 하며, 유압 액추에이터에 의한 피로 하중 시험을 통해 수집하였다. 이 경우 평균 예측 오차는 431 ~ 841 초였으며, 시험편의 평균 수명은 8 971 초였다. 두 번째 데이터셋은 물‑마그네타이트 용액을 순환시키는 펌프군에서 얻은 것으로, 복구 후에도 신뢰성 저하가 진행되는 상황을 반영한다. 최적화된 다층 퍼셉트론(Levenberg‑Marquardt 학습)과 일반 회귀 신경망(GRNN)은 각각 전체 제곱 오차가 서로 11.1 % 차이 내에 수렴하였다. 두 사례 모두 신경망을 이용한 잔여 수명 예측 가능성과 상태 기반 데이터 통합의 장점을 입증하였다.

상세 요약

이 연구는 잔여 수명(RUL) 예측이라는 핵심 문제에 신경망(Neural Network, NN) 기반 모델을 적용함으로써 기존 통계적 혹은 물리 기반 접근법이 갖는 한계를 보완하고자 한다. 첫 번째 실험은 ‘renewal’ 상황을 가정한다. 즉, 고장이 발생한 부품을 완전 복구(good‑as‑new)한 뒤 동일한 시험조건에서 재시험하는 방식이다. 실험실에서 동일한 재질·형상의 시험편을 유압 액추에이터로 피로 하중을 가해 데이터를 수집했으며, 이는 데이터의 일관성과 잡음 최소화에 기여한다. 여기서 사용된 신경망 변형은 다층 퍼셉트론(MLP), 레키미터(Levenberg‑Marquardt) 최적화, 그리고 일반 회귀 신경망(GRNN) 등이다. 평균 예측 오차가 431841 초라는 결과는 전체 수명(≈9 000 초)의 59 % 수준으로, 실용적인 수준의 정확도를 보여준다.

두 번째 데이터셋은 실제 플랜트에서 운용되는 펌프군을 대상으로 하며, ‘repair’ 후에도 점진적인 신뢰성 저하가 진행되는 비‑renewal 상황을 반영한다. 이 경우 데이터는 온·압, 진동, 전류 등 다중 센서 기반 상태 모니터링 정보를 포함하고 있어, 입력 변수의 차원이 크게 증가한다. 연구진은 입력 변수 선택과 정규화를 통해 과적합(overfitting) 위험을 최소화했으며, Levenberg‑Marquardt 기반 MLP와 GRNN이 각각 전체 제곱 오차(SSE) 면에서 11.1 % 이내의 차이를 보이며 수렴함을 확인했다. 이는 두 모델이 서로 다른 학습 메커니즘(전역 최적화 vs. 비모수 회귀)을 갖지만, 충분히 최적화될 경우 유사한 예측 성능을 달성할 수 있음을 시사한다.

이 논문의 주요 기여는 다음과 같다. 첫째, 실험실 수준의 ‘renewal’ 데이터와 현장 수준의 ‘repair’ 데이터를 동시에 다루어 신경망 모델의 범용성을 검증하였다. 둘째, 상태 기반 모니터링 데이터를 통합함으로써 전통적인 수명 곡선 기반 예측보다 높은 정확도를 달성했으며, 이는 예방 정비(Condition‑Based Maintenance) 전략 수립에 직접적인 활용 가능성을 제공한다. 셋째, 다양한 학습 알고리즘(LM, GRNN 등)의 비교를 통해 모델 선택 시 고려해야 할 트레이드오프(학습 속도·복잡도·예측 정확도)를 명확히 제시하였다.

하지만 몇 가지 한계점도 존재한다. 첫 번째 데이터셋은 동일한 시험편을 반복 사용했기 때문에 실제 운영 환경에서 발생할 수 있는 제조 공정 변동성을 충분히 반영하지 못한다. 두 번째 데이터셋은 펌프군의 고장 메커니즘이 복합적이지만, 논문에서는 주요 변수만을 선택했으며, 변수 간 상호작용을 모델링하는 고급 기법(예: 딥러닝 기반 시계열 모델)과의 비교가 부족하다. 또한, 모델의 일반화 능력을 검증하기 위한 교차 검증(cross‑validation)이나 외부 검증 데이터셋이 제시되지 않아, 실제 현장 적용 시 성능 저하 위험이 존재한다.

향후 연구 방향으로는 (1) 다양한 제조 공정·재질을 포함한 대규모 ‘renewal’ 데이터베이스 구축, (2) 시계열 특성을 고려한 LSTM·GRU와 같은 순환 신경망(RNN) 도입, (3) 베이지안 최적화나 앙상블 학습을 통한 모델 불확실성 정량화, (4) 실시간 상태 모니터링 데이터 스트리밍 환경에서의 온라인 학습 및 예측 프레임워크 개발 등을 제안한다. 이러한 확장은 현재 연구가 제시한 초기 가능성을 보다 실용적인 유지보수 시스템으로 전환하는 데 필수적이다.