본 논문은 베어링 예지 보전에서 물리적으로 일관된 건강 지표를 개발하기 위한 제약 조건 기반 심층 학습 프레임워크를 제시합니다. 기존의 데이터 기반 방법은 물리적 타당성이 부족하고, 물리 기반 모델은 시스템 지식이 불완전하여 한계가 있습니다. 이를 해결하기 위해, 단조성을 강제하고, 출력 값을 0과 1 사이(건강한 상태에서 고장난 상태를 나타냄)로 제한하며, 신호 에너지 추세와 건강 지표 추정치 간의 일관성을 보장하는 제약 조건을 사용하여 도메인 지식을 심층 학습에 통합합니다. 이를 통해 복잡한 손실 항 균형을 필요 없게 합니다. 오토인코더 아키텍처 내에서 제약 조건 기반 경사 하강법을 구현하여 제약 조건이 적용된 오토인코더를 생성합니다. 하지만 이 프레임워크는 다른 아키텍처에도 적용 가능합니다. Pronostia 데이터셋의 가속도계 신호의 시간-주파수 표현을 사용하여 제약 조건이 적용된 모델은 기존 방법과 비교하여 더 부드럽고 신뢰할 수 있는 열화 프로파일을 생성하며, 예상되는 물리적 동작과 일치합니다. 성능은 추세성, 강건성, 일관성 세 가지 지표를 사용하여 평가합니다. 기존 기준 모델과 비교하여 제약 조건이 적용된 모델은 세 가지 지표 모두에서 성능이 향상됩니다. 소프트 순위 손실 함수를 통해 단조성을 통합한 또 다른 기준 모델은 추세성에서는 성능이 우수하지만, 강건성과 일관성에서는 부족합니다. 추가 분석 연구는 단조성 제약 조건이 추세성을 향상시키고, 경계 제약 조건이 일관성을 보장하며, 에너지-건강 일관성 제약 조건이 강건성을 향상시킨다는 것을 확인합니다. 이러한 결과는 제약 조건 기반 심층 학습이 신뢰할 수 있고 물리적으로 의미 있는 건강 지표를 생성하는 데 효과적임을 강조하며, 향후 예지 보전 응용 분야에 유망한 방향을 제시합니다.
