심우주 서식지 자가진단을 위한 무감독 잔여수명 예측 프레임워크

초록

본 논문은 라벨이 없는 고장 데이터와 수천 개에 달하는 센서 스트림을 활용해, 딥스페이스 서식지(DSH)의 다중 미지 고장 모드를 자동으로 식별하고, 각 모드에 최적화된 센서를 선택한 뒤 실시간으로 잔여수명(RUL)을 예측하는 무감독 프로그노스틱 프레임워크를 제안한다. 오프라인 단계에서는 가우시안 회귀 혼합 모델과 EM 알고리즘을 이용해 고장 모드와 센서 중요도를 동시에 클러스터링하고, 온라인 단계에서는 다변량 함수주성분분석(MFPCA)과 가중 함수 회귀를 결합해 현재 고장 모드를 진단하고 RUL을 추정한다. 시뮬레이션 데이터와 NASA C‑MAPSS 벤치마크 실험에서 기존 방법 대비 예측 정확도가 크게 향상되었으며, 센서 선택과 고장 모드 식별의 해석 가능성도 높아졌다.

상세 분석

이 연구는 딥스페이스 서식지와 같이 극한 환경에서 장기간 자율 운용이 요구되는 복합 시스템의 고장 예측 문제를 무감독 학습으로 해결하고자 한다. 핵심 아이디어는 고장 시간(TTF)을 설명 변수와 결합한 가우시안 회귀 혼합 모델(Mixture of Gaussian Regressions, MGR)을 도입하고, EM(Expectation‑Maximization) 절차를 통해 두 가지 목적을 동시에 달성한다. 첫째, 각 고장 사례를 잠재 고장 모드에 할당함으로써 라벨이 없는 데이터에서도 모드별 군집을 형성한다. 둘째, 각 모드에 대해 센서 선택을 수행하는데, 이는 회귀 계수의 스파스성을 촉진하는 Adaptive Sparse Group Lasso(ASGL)와 같은 정규화 기법을 EM 단계에 통합함으로써 구현된다. 결과적으로 모드별로 가장 정보량이 높은 센서 집합이 자동으로 도출된다.

온라인 단계에서는 오프라인에서 선정된 센서들의 시계열을 다변량 함수주성분분석(MFPCA)으로 저차원 특징 벡터로 압축한다. 이 특징은 K‑Nearest Neighbor(KNN) 분류기로 현재 진행 중인 고장 모드를 실시간 진단하는 데 사용된다. 진단된 모드에 대응하는 가중 함수 회귀 모델(weighted functional regression)은 시간에 따라 변하는 센서 신호와 고장 진행 정도 사이의 비선형 관계를 학습하고, 이를 기반으로 남은 사용 가능 시간(RUL)을 추정한다. 가중치는 최근 데이터에 더 큰 비중을 두어 급격한 환경 변화에도 민감하게 반응하도록 설계되었다.

실험에서는 두 가지 데이터셋을 활용하였다. 첫 번째는 DSH 텔레메트리 특성을 모사한 시뮬레이션 데이터로, 센서 수천 개, 신호대잡음비(SNR) 변동, 라벨 없는 다중 고장 모드 등을 포함한다. 두 번째는 NASA의 C‑MAPSS 터보팬 엔진 데이터로, 실제 항공우주 시스템에서 널리 사용되는 벤치마크이다. 두 데이터 모두에서 제안 방법은 기존의 단일 모드 기반 회귀, 전통적 PCA‑Lasso 조합, 그리고 최근의 딥러닝 기반 다중 모드 모델보다 평균 절대 오차(MAE)와 근접도(R²) 측면에서 우수한 성능을 보였다. 특히 센서 선택 단계에서 도출된 센서 집합은 도메인 전문가가 확인한 물리적 고장 메커니즘과 높은 일치도를 보여, 해석 가능성 측면에서도 강점을 가진다.

이와 같이 논문은 (1) 라벨이 없는 고장 데이터에서 고장 모드와 센서 중요도를 동시에 추정하는 통계적 프레임워크, (2) 실시간 진단과 RUL 예측을 위한 효율적인 저차원 특징 추출 및 가중 회귀 모델, (3) 복잡한 우주 서식지와 항공 엔진 등 다양한 실제 시스템에 적용 가능한 범용성을 제공한다. 다만 EM 수렴 속도와 초기값 의존성, 고장 모드 수 사전 지정 필요성 등 몇 가지 제한점이 남아 있어 향후 연구에서 베이지안 비모수 모델이나 온라인 EM 변형을 통해 개선할 여지가 있다.