잔여 수명 예측을 위한 다중 기간 푸리에 그래프 신경망
Multi-Term Fourier Graph Neural Network with Sample Relationship Learning for Enhanced Remaining Useful Life Prediction
arXiv예지 정비의 핵심인 잔여 수명(RUL) 예측은 기존 시공간 그래프 신경망(ST-GNN)이 고정된 데이터 길이와 복잡한 구조 설정 문제로 한계를 보여왔습니다.
- 이를 해결하기 위해 MTFGN-SRL은 데이터를 단일 완전 그래프로 보고 푸리에 GNN을 활용해 주파수 영역에서 정보를 추출하며, 다중 기간 및 샘플 관계 학습 모듈을 도입했습니다.
- 이 기술은 가변적인 데이터 길이와 샘플 간 상호 관계 파악 문제를 동시에 해결하여 예측의 정확도와 강건성을 획기적으로 높였습니다.
- CMAPSS 데이터셋에서 최고 성능을 입증한 MTFGN-SRL은 복잡한 시계열 예측 분야에 새로운 기준을 제시할 것으로 기대됩니다.
예지 정비에 필수적인 잔여 수명(RUL) 예측은 시공간 그래프 신경망(ST-GNN)을 통해 이루어지지만, 기존 모델들은 몇 가지 한계를 지닙니다. 첫째, GNN 적용 전 도메인 전문 지식이나 상당한 계산 능력을 요구하여 그래프 구조를 설정해야 합니다. 둘째, 고정된 크기의 룩백 창(lookback window)에 국한되어 가변적인 시계열 길이 문제를 해결하지 못하고 단기 또는 장기 의존성을 놓칠 수 있습니다. 마지막으로, 인접한 시간 창에서 생성된 샘플 간의 내재적 관계를 포착하는 데 어려움이 있었습니다.
이러한 문제들을 해결하기 위해 MTFGN-SRL이라는 새로운 프레임워크가 제안되었습니다. 이 모델은 데이터를 순차적인 그래프로 취급하는 대신 단일 완전 그래프로 보고, 푸리에 그래프 신경망(FGN)을 활용하여 주파수 영역에서 시공간 정보를 포착합니다. 또한, 가변적인 항(term)을 생성하기 위해 다중 기간 학습 모듈을 사용하고, 이질적인 GNN을 훈련시켜 샘플 간의 관계를 식별하는 샘플 관계 학습 모듈을 개발했습니다.
MTFGN-SRL은 이러한 접근 방식을 통해 예측의 정확도와 강건성을 높였습니다. CMAPSS 데이터셋에서 수행된 평가 결과, MTFGN-SRL이 기존 최첨단(state-of-the-art) 방법들보다 우수한 성능을 보이며 RUL 예측 분야에서의 뛰어난 성능을 입증했습니다.