본 논문은 산업 기계의 잔여 수명(RUL)을 정확하게 예측하기 위해 Fast Temporal Transformer (FTT)와 게이트 순환 유닛(GRU)을 결합한 하이브리드 모델인 FTT-GRU를 제안합니다. 이 모델은 NASA CMAPSS 데이터셋에서 훈련되었으며, 글로벌 temporal dependency와 세밀한 degradation trend를 동시에 포착할 수 있습니다.
시사점, 한계점
•
FTT-GRU는 CMAPSS FD001 데이터셋에서 기존 딥러닝 기반 모델 대비 향상된 성능을 보였습니다.
•
RMSE, MAE, R² 지표에서 우수한 성능을 기록했으며, 특히 RMSE와 MAE에서 기존 모델 대비 개선을 보였습니다.
•
컴팩트한 아키텍처로 실시간 산업 예측에 적합합니다.
•
FTT와 GRU의 조합을 통해 글로벌 및 로컬 degradation pattern을 효과적으로 캡처합니다.
•
CMAPSS FD001 데이터셋에 국한된 성능 검증이며, 다른 데이터셋에 대한 일반화 성능은 추가 연구가 필요합니다.
•
Transformer-RNN 하이브리드 모델의 최적화 및 다른 종류의 산업 기기 데이터에의 적용 가능성은 추후 연구 과제입니다.
