Prediction Remaining Useful Life of Aircraft Turbofans Using Transfer Learning Based CNN-LSTM

전이학습 기반 CNN-LSTM을 통한 항공기 터보팬 잔여 유효 수명 예측

The objective of research in the field of prognostics and health management is to predict the Remaining Useful Life of aircraft engines, a critical component of analysis within this domain. Nevertheless, there are difficulties in acquiring dependable failure information, and the limited availability of defect data hinders the development of predictive models. Current data augmentation techniques are utilized to enhance the insufficient defect data; however, the heuristic approaches might oversimplify the data characteristics, ultimately decreasing predictive accuracy. This study suggests a hybrid model that combines Transfer Learning, specifically integrating Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM). The hybrid CNN-LSTM model integrates the CNN's feature extraction capabilities with the LSTM's long-term time series learning capacity, facilitating the representation of intricate dynamic characteristics and temporal fluctuations in aircraft engine sensor data. The performance of predictive techniques is enhanced by applying data learned from various source domains to target domain data through transfer learning. The results obtained by applying this model to the C-MAPSS aircraft engine simulator dataset developed by the National Aeronautics and Space Administration (NASA) corroborate the idea that employing a pre-trained model through transfer learning improves predictive accuracy in comparison to the standard mixed model. Furthermore, the proposed model demonstrates improved predictive abilities when compared to various leading predictive models in the PHM field.

항공기 엔진의 잔여 유효 수명(RUL) 예측은 고장 예지 및 건전성 관리(PHM)를 좌우하는 중요한 역할이며 관련 연구가 활발히 진행되고 있다. 하지만 실제 고장 데이터를 확보하는 데 어려움이 있으며 결함 데이터의 희소성으로 인해 예측 모델 구축에 한계가 존재한다. 기존의 데이터 증대방법은 제한된 결함 데이터를 보완하기 위해 사용되지만, 휴리스틱한 접근법으로 인해 데이터 특성이 일반화되는 문제가 발생하며 예측 정확도가 저하될 수 있다. 이러한 문제를 해결하기 위해, 본 연구에서는 전이학습(Transfer Learning)에 기반한 CNN-LSTM 혼합모델을 제안한다. CNN-LSTM 혼합모델은 CNN의 특징 추출 기능과 LSTM의 장기 시계열 학습 능력을 결합하여, 항공기 엔진 센서 데이터의 복잡한 동적 특성과 시계열적 변화를 동시에 반영한다. 본 모델로 서로 다른 소스 도메인(Source Domain)에서 학습된 데이터를 전이학습을 통해 타겟 도메인(Target Domain) 데이터에 적용함으로써, 예측 기법의 성능을 향상시킨다. 미국항공우주국(NASA)에서 개발한 C-MAPSS 항공기 엔진 시뮬레이터 데이터 세트에 적용한 결과, 전이학습을 통한 사전 학습된 모델의 활용이 기본 혼합모델보다 예측 정확도 향상에 기여함을 확인하였다. 또한, 제안된 모델이 PHM 분야에서 주요한 여러 예측 모델들 대비 우수한 예측 성능을 보임을 확인하였다.