본 연구는 항공 우주 예지에서 중요한 과제인 잔여 수명(RUL) 예측과 불확실성 정량화를 위한 새로운 불확실성 인식 딥러닝 프레임워크를 제시한다. 이 프레임워크는 확률적 모델링을 통해 aleatoric 불확실성을 직접 학습하며, 이는 기존 CMAPSS 기반 연구에서 시도되지 않은 접근 방식이다. 다중 스케일 Inception 블록, 양방향 Long Short-Term Memory 네트워크, 그리고 센서 및 시간 차원에 대한 이중 레벨 어텐션 메커니즘을 통합하는 계층적 구조를 사용한다. 베이지안 출력 레이어는 평균 RUL과 분산을 예측하여 데이터 내재적 불확실성을 학습하도록 한다. 조건 인식 클러스터링, 웨이블릿 디노이징, 지능형 특징 선택을 활용한 포괄적인 전처리 과정을 거쳤다. NASA CMAPSS 벤치마크(FD001-FD004)에서 실험적 검증 결과 RMSE 값은 각각 16.22, 19.29, 16.84, 19.98을 기록했다. 특히, 임계 영역(RUL <= 30 사이클)에서 RMSE는 5.14, 6.89, 5.27, 7.16을 달성하여 기존 방식 대비 25-40% 향상을 보였다. 학습된 불확실성은 93.5%에서 95.2%의 범위를 갖는 잘 보정된 95% 신뢰 구간을 제공하여, CMAPSS 문헌에서 불가능했던 위험 인식 유지 보수 일정을 가능하게 한다.
