광섬유 증폭기 수명 예측을 위한 경량 트랜스포머 기반 프로그래스틱스

본 논문은 광섬유 증폭기(OPA)의 신뢰성을 높이고 네트워크 가용성을 향상시키기 위해, 상태 기반 모니터링(CBM) 데이터를 활용한 남은 유용 수명(RUL) 예측 모델을 제안한다. 기존의 반응형·정기형 유지보수 방식은 서비스 중단 위험과 불필요한 교체 비용을 초래하지만, 데이터 기반 프로그래스틱스는 실제 장비 상태를 반영해 최적 시점에 유지보수를 수행한다. OPA는 비선형 동작, 피드백 제어, 제한된 센서 데이터 등으로 RUL 예측이 어려운 대상이므로, 이를 해결하기 위한 경량 트랜스포머 모델인 ‘Sparse Low‑Ranked Self‑Attention Transformer (SLAT)’를 설계하였다. SLAT는 두 가지 핵심 기술을 결합한다. 첫째, 전역(global)과 밴드(band) 형태의 구조적 희소 어텐션 마스크(M)를 적용해 각 쿼리 토큰이 제한된 키 토큰에만 집중하도록 함으로써 어텐션 연산의 복잡도를 O(N²)에서 O(N·k) 수준으로 낮춘다. 이 과정에서 장기 의존성을 유지하면서도 연산량을 크게 절감한다. 둘째, 어텐션 가중치 행렬 W_Q, W_K, W_V를 저랭크(r ≪ d_k) 파라미터화해 모델 파라미터 수를 감소시키고, 데이터가 제한된 상황에서도 과적합을 방지한다. 입력 전처리 단계에서는 원시 센서 시계열 X={x₁,…,x_T}를 슬라이딩 윈도우(N_stw) 기법으로 겹치는 다변량 텐서로 변환한다. 각 윈도우는 평균, 선형 추세 등 통계적 기술자를 추가해 센서 신호의 변화를 강조한다. 이렇게 전처리된 텐서는 두 개의 병렬 인코더(시간 인코더와 센서 인코더)로 전달되어 각각 시간적 상관관계와 센서 간 상관관계를 학습한다. 인코더 블록은 8개의 헤드와 구조적 희소 어텐션을 사용하며, 저랭크 파라미터화된 어텐션 가중치를 통해 파라미터 효율성을 높인다. 두 인코더의 출력은 결합된 뒤 디코더에 입력되어 최종적으로 1차원 회귀값인 RUL을 예측한다. 모델 하이퍼파라미터는 베이지안 최적화를 통해 선정되었으며, 최종 구성은 입력 임베딩 64차원, 시간·센서 인코더 각각 4개의 블록, 디코더 2개의 블록, 헤드 8개, GELU 활성화 함수를 포함한다. 이러한 설계는 높은 예측 정확도와 낮은 연산 비용을 동시에 만족한다. 실험은 제어된 OPA 테스트베드에서 수행되었다. 테스트베드는 두 단계 Erbium‑Doped Fiber Amplifier(EDFA)와 펌프 레이저(PL), 전력 검출기(PD), 가변 광 감쇠기(VOA), 수동 부품(PC) 등 다양한 센서를 포함한다. 하드웨어‑인‑더‑루프(HIL) 시뮬레이터를 통해 펌프 노화, 검출기 감도 저하, 감쇠기 변동, 수동 부품 열화 등 네 가지 고장 모드를 인위적으로 주입해 데이터셋을 구축하였다. 각 고장 시나리오별로 4개의 서브데이터셋을 생성하고, 동일한 학습·평가 환경에서 SLAT와 기존 모델(BiLSTM, DCNN, Dual‑Aspect Self‑Attention Transformer(D‑AST))을 비교하였다. 성능 평가는 RMSE를 기준으로 했으며, 결과는 다음과 같다. PL 서브셋에서 SLAT는 1.34의 RMSE를 기록해 기존 모델(10.18~9.72)보다 크게 개선했으며, PD에서는 7.67(기존 9.03~8.28), VOA에서는 1.34(기존 3.73~2.70), PC에서는 8.29(기존 10.81~9.99)를 달성했다. 전체 평균 RMSE는 6.56으로, D‑AST(7.50), BiLSTM(7.72), DCNN(7.85)보다 약 10‑15% 낮았다. 또한 Run‑to‑Failure(RTF) 곡선 분석에서 SLAT의 예측은 실제 RUL과 좁은 신뢰구간을 유지하며, 시간적 안정성도 입증되었다. 결론적으로, SLAT는 구조적 희소 어텐션과 저랭크 파라미터화를 통해 경량화된 트랜스포머 모델을 구현함으로써, 제한된 데이터와 실시간 요구 사항을 동시에 만족한다. 이는 엣지 디바이스에 배치 가능한 AI‑드리븐 유지보수 솔루션을 제공하며, 광네트워크의 다운타임 감소와 가용성 향상에 크게 기여한다. 향후 연구에서는 다양한 광통신 장비에 대한 일반화 검증과, 실제 운영망에서의 온라인 학습 및 적응 메커니즘을 탐색할 계획이다.