Bi-LSTM이 적용된 전이학습을 활용한 항공장비 잔존 유효 수명 예측 = RUL Prediction of Aerospace Equipment Using Transfer Learning with Bi-LSTM

국문 초록 (Abstract)

일반적으로 가동장비를 유지보수하는 전략에는 크게 사후 정비(CM)와 예방 정비
(PM)가 있다. 이 방법들은 가동 중인 장비의 불확실성에 취약하며 장비의 수명을 정
확하게 예측하지 못함으로써 장비에 대한 과잉 정비 또는 과소 정비로 인한 불필요한
지출을 증가시키는 경향이 있다. 이러한 한계를 극복하기 위한 기술로 센서 데이터를
기반으로 장비의 잔존수명(Remaining Useful Life, RUL)을 예측하는 건전성 예측 및
관리(Prognostics and Health Management, PHM)가 대안으로 떠올랐다. PHM은 설
비의 건전성을 예측하여 설비에 관련한 의사 결정을 돕는 학문 분야이다. 군사대비태세
유지해야하는 군은 장비의 가동률을 일정 수준 이상으로 유지해야하기 때문에 장비의
상태를 예측하는 것이 매우 중요하다. 이는 장비의 상태 예측에 실패하여 장비의 가동
률이 목표치보다 낮아질 경우 군사대비태세에 직접적인 영향을 줄 수 있기 때문이다.
하지만 여기에는 또 다른 문제가 있다. 현재 군이 운용하는 항공기, 함정 등의 첨단
장비들은 비용 문제로 인하여 운용되는 수가 제한되고 그에 따라 상태 예측을 위한 데
이터의 절대적인 양에서도 그 한계가 명확하게 드러난다.
이러한 문제를 해결하기 위하여 본 연구에서는 전이학습(Transfer Learning, TL)
기법을 도입하여 절대적인 데이터 양의 한계를 극복하고자 하였다. 이를 통해 제한된
데이터를 유사 영역으로 확장하여 예측함으로써 유지보수 소요를 예측하고 장비의 가
동률을 일정 수준 이상으로 유지하는 것을 목표로 한다.

다국어 초록 (Multilingual Abstract)

Maintenance strategies for operating equipment are generally classified into corrective
maintenance (CM) and preventive maintenance (PM). However, these approaches
are vulnerable to uncertainties inherent in operating environments and
often fail to accurately predict the equipment’s lifespan. As a result, they frequently
incur unnecessary costs due to both overmaintenance and under-maintenance. To
overcome such limitations, Prognostics and Health Management (PHM), which predicts
the Remaining Useful Life (RUL) of equipment based on sensor data, has
emerged as a promising alternative. PHM provides decision-making support by forecasting
the health status of assets. In the military domain, where maintaining operational
availability of combat equipment above a certain threshold is critical, accurate
prediction of equipment condition is essential. Failure in prediction can cause operational
availability to fall below target levels, thereby directly impacting combat
57readiness. Nevertheless, challenges remain. Advanced military assets, such as aircraft
and naval vessels, are often limited in number due to high acquisition and
maintenance costs. Consequently, the absolute amount of conditionmonitoring data
available for prediction is highly restricted, underscoring a fundamental limitation.
To address this issue, this study introduces Transfer Learning (TL) techniques as
a means to overcome data scarcity. By leveraging knowledge from related domains
and extending predictive capacity to new contexts, the proposed approach aims to
improve forecasting accuracy for maintenance needs and sustain operational availability
of military equipment at a satisfactory level.

목차 (Table of Contents)

• 초록 i
• 목차 iii
• 표 목차 iv
• 그림 목차 v
• 제 1 장 서론 1
• 1.1 연구 배경 1
• 1.2 연구 동기 및 목적4
• 1.3 논문 구성 7
• 제 2 장 선행연구 8
• 2.1 Bi-LSTM 8
• 2.2 Transfer Learning 10
• 2.3 XGBoost 12
• 2.4 데이터 소개 13
• 2.5 딥러닝을 활용한 RUL 예측 연구에 대한 선행연구 16
• 2.6 CBM+에 대한 선행연구 18
• 제 3 장 방법론 제안 20
• 3.1 Bi-LSTM 모델 학습 22
• 3.2 Transfer Learning을 활용한 수명 예측 24
• 3.3 XGBoost를 활용한 잔차 보정26
• 3.4 평가지표28
• 3.4.1 Root Mean Square Error(RMSE)29
• 3.4.2 R²-Score 30
• 3.4.3 S-Score 31
• 제 4 장 실험 및 결과 33
• 4.1 실험 데이터 33
• 4.2 실험 설계 35
• 4.3 결과 및 분석 41
• 4.3.1 RMSE 결과 41
• 4.3.2 R²-Score 결과 43
• 4.3.3 S-Score 결과 45
• 4.3.4 종합 분석 및 시사점 47
• 제 5 장 결론 50
• 참고문헌 53
• Abstract 57