산업 시스템의 신뢰성 확보, 가동 중단 최소화, 유지보수 최적화를 위해 건강 예측이 중요하며, 잔여 수명(RUL) 예측이 그 핵심이다. 기존 모델들은 세분화된 시간적 의존성을 포착하고, 중요한 특징을 동적으로 우선순위화하는 데 어려움을 겪는다. 본 논문은 국소적인 시간적 특징 추출을 위한 TCN과 Bi-LSTM 인코더-디코더로 강화된 수정된 TFT를 통합한 새로운 프레임워크를 제안한다. 이는 단기 및 장기 의존성을 효과적으로 연결하고, 두드러진 시간적 패턴을 강조한다. 또한, 다중 시간 창 방법론을 통해 다양한 작동 조건에 대한 적응성을 향상시킨다. 벤치마크 데이터셋에 대한 광범위한 평가 결과, 제안된 모델이 평균 RMSE를 최대 5.5%까지 감소시켜 기존 최첨단 방법보다 예측 정확도를 향상시켰다. 이 프레임워크는 현재 접근 방식의 주요 격차를 해소하여 산업 예지 시스템의 효과를 향상시키고, RUL 예측을 위한 고급 시계열 변환기의 잠재력을 강조한다.
