혁신적인 예측 정비: 연합 학습 기반의 잔여 수명 예측 프레임워크 등장

정철준, Yue Xubo, Chung Seokhyun 연구팀이 제안한 Fed-Joint는 연합 학습 기반의 비모수적 모델을 사용하여 잔여 수명을 예측하는 혁신적인 프레임워크입니다. 데이터 기밀성 및 비선형성 문제를 해결하여 예측 정비의 효율성을 높일 것으로 기대됩니다.

산업 현장의 예방 정비는 비용 절감과 안전 운영에 필수적입니다. 특히 기계의 잔여 수명(RUL, Remaining Useful Life)을 정확하게 예측하는 것은 효율적인 예방 정비 전략 수립에 매우 중요합니다. 하지만, 기계의 상태 모니터링(CM, Condition Monitoring) 신호는 각 공장 및 생산 라인마다 다르게 기록되며, 데이터 양이 제한적일 뿐만 아니라 데이터 기밀성, 소유권 문제, 그리고 데이터 전송 비용 등으로 인해 데이터 공유가 어려웠습니다. 또한, 기존의 RUL 예측 방법들은 CM 신호의 비선형성을 고려하지 못하는 경우가 많았습니다.

정철준, Yue Xubo, 그리고 Chung Seokhyun 연구팀은 이러한 문제점을 해결하기 위해 'Fed-Joint: 연합 학습을 이용한 비선형 열화 신호 및 고장 사건의 공동 모델링을 통한 잔여 수명 예측' 이라는 획기적인 프레임워크를 제시했습니다. 이 프레임워크는 연합 학습 기반의 비모수적 모델을 사용하여 각 공장의 데이터를 직접 공유하지 않고도 협업하여 RUL을 예측합니다.

Fed-Joint: 어떻게 작동할까요?

Fed-Joint는 두 가지 핵심 요소로 구성됩니다.

1. 연합 다출력 가우시안 프로세스(Federated Multi-output Gaussian Process): 비선형 열화 신호를 모델링하는 데 사용됩니다. 이는 기존의 선형 모델의 한계를 극복하고, 데이터의 비선형적인 특성을 효과적으로 포착할 수 있게 합니다. 연합 학습을 통해 각 공장의 데이터를 개별적으로 학습하여 모델을 생성하기 때문에 데이터 공유의 문제를 해결합니다.
2. 연합 생존 모델(Federated Survival Model): 시간에 따른 고장 발생 확률을 예측하는 데 사용됩니다. 이 모델은 가우시안 프로세스로부터 얻은 정보를 활용하여 기계의 잔여 수명을 예측합니다.

연구팀은 시뮬레이션과 실제 터보팬 엔진 데이터를 이용한 실험을 통해 Fed-Joint의 성능을 검증했습니다. 그 결과, 기존 방법보다 우수한 RUL 예측 성능을 보임을 확인했습니다. 이는 산업 현장에 즉각적인 영향을 미칠 수 있는 중요한 성과입니다. 데이터 공유의 어려움을 해결하고, 비선형적인 데이터의 특성을 효과적으로 고려하는 이 새로운 방법은 향후 예측 정비 분야의 혁신을 가져올 것으로 기대됩니다.

향후 전망: 본 연구는 다양한 산업 분야의 예측 정비 기술 발전에 기여할 것으로 예상되며, 특히 데이터 보안 및 프라이버시가 중요한 분야에서 더욱 큰 활용성을 가질 것으로 기대됩니다. 연구팀은 앞으로도 더욱 발전된 예측 모델 개발을 통해 산업의 효율성 증대에 기여할 계획입니다.