시스템의 고장 상태를 정확히 추정하고 잔여유효수명(remaining useful life, RUL)을 예측하는 것은 효과적인 예지정비를 위해 중요하며, 입자 필터(particle filter, PF) 방법은 비선형 시스템의 고장 상태 추정에 널리 적용되어 왔다. 그러나 PF 방법은 입자 붕괴(particle degeneracy)와 사후확률밀도함수(PDF)에서의 다중해(multiple solutions)와 같은 한계로 인해 성능 저하가 발생한다. 이러한 한계를 해결하기 위해 본 논문에서는 견고한 고장 상태 추정과 신뢰할 수 있는 RUL 예측을 위한 Enhancing Particle Filter(EPF) 알고리즘을 제안하며, 이는 가우시안 변이(Gaussian Mutation, GM)와 잡음이 포함된 응용 분야의 밀도 기반 공간 군집화(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)를 통합한다. 구체적으로 GM 방법은 저가중치 입자를 적응적으로 높은 가능도(likelihood) 영역으로 조정하여 붕괴를 완화하고 충분한 입자 다양성을 보장한다. 한편 DBSCAN 군집화는 상태 예측 결과에 대한 부분해(sub-solutions)의 영향을 분리하여 추정된 최종 시점의 정확도를 향상시킨다. EPF 개선을 바탕으로, EPF와 장단기 기억(long short-term memory, LSTM) 모델을 결합한 새로운 프레임워크를 제안하였다. EPF의 고장 상태 추정 능력과 LSTM의 학습 역량을 결합함으로써, 본 방법은 신뢰할 수 있는 장기 예측을 위한 데이터 기반 절차를 제공한다. 잘 알려진 비선형 벤치마크 시스템, 실제 리튬 이온 배터리, 베어링 데이터셋에 대한 실험 결과는 EPF+LSTM이 다른 방법들에 비해 RUL을 효과적으로 추적하고 예측할 수 있음을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.