[영상] 머신러닝 예측모델 기반 예지보전 사례
Day 4: RUL 예측 (잔여수명 예측)
[영상] 머신러닝 예측모델 기반 예지보전 사례
설비 예지보전 > Day 4: RUL 예측 (잔여수명 예측)
- 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 다루는 원리를 개념 수준에서 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) # 선형 출력. 음수 RUL 은 추론 뒤 클리핑으로 자른다
])
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 모델은 「이 시점까지는 고장나지 않았다」는 검열 데이터를 우도(likelihood)에 그대로 넣을 수 있어 이 공백을 메운다.
다만 이번 주차의 실습은 LSTM 회귀만 다룬다. Cox 는 여기서 개념까지만 소개하고 코드로 내려가지 않으니,
사업장 데이터에 고장 라벨이 거의 없다면 lifelines 의 CoxPHFitter 를 따로 살펴보기 바란다.
함정 주의: 회귀 출력층에 relu 를 두면 학습 초기에 사전활성값이 음수로 몰릴 때 기울기가 0 이 되어
예측이 0 에 고정되는 dead ReLU 가 실제로 일어난다. 표준 처방은 선형 출력 + 추론 시 클리핑이고,
매끄러운 양수 출력이 필요하면 softplus 를 쓴다. 음수 RUL 이 정비 일정을 과거로 보내는 문제는
출력층이 아니라 np.clip(pred, 0, 125) 로 막는다. 이 주차의 p8w11-d4-lstm-rul 실습도 그렇게 되어 있다.
다음 task와의 연결
다음 reading 에서 RUL 라벨링 전략(Linear · Piece-wise Linear · 지수 변환)을 정리하고, 이어지는 실습에서 회귀 모델과 LSTM 으로 window_size=30 시퀀스를 만들어 RUL 을 예측한다.
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.
- • 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
- • RUL 은 절대 오차만큼이나 방향이 중요하다 — 늦게 예측하는 쪽이 위험하다(NASA Score 의 비대칭 페널티)