CMAPSS 데이터의 잔여 유효 수명 예측을 위한 병렬 연결 구성의 딥러닝 기반 모델

Abstract

터보팬 엔진의 RUL(Remaining useful life) 예측은 엔진이 고장 나기 전 예방 정비를 통해 엔진의 성능을 보장하고, 고장 전 엔진의 상태를 평가할 수 있다. 최근 많은 딥러닝 모델들이 RUL 예측을 시행하고 있으며 RUL 예측에 대한 좋은 성능을 보여주고 있다. 하지만 다소 복잡한 전처리 방법을 사용하여 RUL 예측을 위해 모델을 학습하는 경우가 많다. 이 방법은 비효율적인 노력이 소요될 수 있고, 모델의 복잡함에 의한 과적합을 초래할 수도 있다. 따라서 본 논문에서는 이러한 문제를 해결하기 위해 간단한 전처리 과정과 2차원 합성곱층(2D convolutional layer)을 병렬로 연결한 새로운 구조를 통해 문제를 해결할 수 있는 딥러닝 기반 방법을 제안한다. 먼저, 제안한 알고리즘의 구조에 대해서 설명하고 학습 데이터의 RUL 데이터 구성, 제안한 알고리즘에 대한 다양한 실험들과 RMSE 9.99로 기존 알고리즘들 성능 대비 0.5% 상승했음을 증명했다. The prediction of the Remaining Useful Life (RUL) of a turbofan engine allows for evaluating the engine's condition before failure and ensuring performance through preventive maintenance. Recently, many deep learning models have been applied to RUL prediction, demonstrating good performance. However, many of these models rely on complex preprocessing methods for training, which can require inefficient effort and lead to overfitting due to model complexity. Therefore, this paper proposes a deep learning-based method to address these issues by using a simple preprocessing process and a novel structure that connects two-dimensional convolutional layers in parallel. Firstly, the structure of the proposed algorithm is explained, along with the configuration of the RUL data in the training dataset. Through various experiments conducted on the proposed algorithm, it demonstrated a 0.5% improvement over existing algorithms with an RMSE of 9.99.