▶️25분
[영상] 머신러닝 예측모델 기반 예지보전 사례
Day 4: RUL 예측 (잔여수명 예측)
[영상] 머신러닝 예측모델 기반 예지보전 사례
예지보전 — 설비 고장 예측 시스템 > Day 4: RUL 예측 (잔여수명 예측)
학습 목표
RUL(잔여 유효 수명)의 정의와 예지보전 비즈니스 가치를 설명할 수 있다 LSTM이 다변량 센서 시퀀스로 RUL을 회귀 예측하는 구조를 이해할 수 있다 Survival Analysis(Cox)가 검열 데이터를 처리하는 원리를 설명할 수 있다 CMAPSS 데이터셋 기반 실습 코드를 해석하고 수정할 수 있다
영상 핵심 정리 — LSTM & Survival Analysis 기반 RUL
import tensorflow as tf
from tensorflow.keras import layers, models
SEQ_LEN, N_FEATURES = 30, 21
model = models.Sequential([
layers.LSTM(64, return_sequences=True,
input_shape=(SEQ_LEN, N_FEATURES)),
layers.Dropout(0.2),
layers.LSTM(32),
layers.Dense(1, activation='relu') # RUL은 음수 불가 → relu
])
model.compile(optimizer='adam', loss='mse', metrics=['mae'])| 접근법 | 데이터 요구 | 검열 처리 | 예측 형태 |
|---|---|---|---|
| LSTM 회귀 | 고장 데이터 필수 | 불가 | 연속값 |
| Survival/Cox | 검열 허용 | 가능 | 생존 함수 |
| CNN-LSTM 하이브리드 | 고장 필수 | 불가 | 연속값 |
| Transformer (TFT) | 대규모 | 부분 | 연속값 |
실제 제조 현장에서는 예방보전 정책으로 설비가 고장 전 교체되어 RUL = 0 데이터가 거의 없다. Cox 모델이 검열 데이터를 우도(likelihood)에 자연스럽게 통합해 이를 해결.
함정 주의: LSTM 훈련 시 relu 대신 linear 출력층 사용하면 음수 RUL이 출력되어 정비 일정이 과거로 잡히는 치명적 오류. 출력층은 항상 relu 또는 max(0, pred) 클리핑.
다음 task와의 연결
다음 reading에서 LSTM과 Cox를 실 설비 데이터에 적용하는 end-to-end 파이프라인을 다룬다. window_size=30 파라미터와 Cox 검열 처리를 코드 수준에서 비교.
AI로 학습하기 — 꿀팁
🧪RUL 예측 LSTM window 설계 질문AI 학습 팁
CMAPSS 벤치마크 기준 LSTM window size=30 설정의 이유와, 검열 데이터를 처리하는 Cox 모델의 원리를 AI에게 설명받아 RUL 회귀 문제 설계를 심화하세요.
제조 설비 RUL(잔여수명) 예측 모델을 설계할 때 LSTM window size를 30 사이클로 설정하는 CMAPSS 벤치마크 기준의 이유를 설명해줘. 실제 고장이 발생하지 않은 검열 데이터를 Cox 모델이 어떻게 활용하는지, RUL을 회귀 문제로 정의할 때의 레이블 설계 방법도 제조 데이터셋 예시와 함께 알려줘.
이 팁이 도움이 됐나요?
핵심 포인트
- • RUL = 고장까지 남은 사이클/시간 — 회귀 문제
- • LSTM window size = 30 사이클이 CMAPSS 벤치마크 표준
- • Cox 모델은 실제 고장 미발생(검열) 데이터를 그대로 활용 가능
- • 예측 오차 10% 이내면 정비 스케줄 최적화에 실용 적용 가능