Deep Learning for Predictive Maintenance and Fault Diagnosis
연구 내용
회전/가스터빈/가공 설비 데이터를 활용해 남은수명과 고장을 추정하는 딥러닝 기반 예지보전 연구
본 분야는 회전기계 및 가공·터보 장비의 상태 데이터를 기반으로 Condition Monitoring과 예지보전을 수행하는 딥러닝 연구입니다. 진동·운전 조건·시계열 신호를 입력으로 하여 고장 발생 양상을 학습하고, Transformer 기반 추정과 reweighting 기법, 저예산 환경을 고려한 active learning 전략을 적용해 진단 성능을 안정화합니다. 또한 Fisher-informed continual learning으로 운전 조건이 바뀌는 상황에서도 모델의 지식 전이를 유지하는 방향으로 접근합니다. 이를 통해 점검 주기 산정과 신뢰도 중심 의사결정을 지원하는 예지보전 체계를 구축하는 데 차별성을 둡니다.
관련 연구 성과
관련 논문
4편
관련 특허
0건
관련 프로젝트
1건
연구 흐름
초기에는 회전기계 진동 기반 고장진단에서 딥러닝 방법론을 정리하고 적용 가능성을 분석하는 검토 연구를 수행했습니다. 이후 2023~2024년에는 설비의 남은수명 추정 문제로 확장하여 Transformer와 reweighting을 활용한 추정 프레임워크를 구축하고, 가공 공구의 예지보전을 continual learning 관점에서 다루기 시작했습니다. 최근에는 조건 변화에 강건한 학습을 위해 Fisher-informed continual learning과 저예산 시나리오에서의 hybrid deep active learning으로 연구 축을 고도화했습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Recent advances in the application of deep learning for fault diagnosis of rotating machinery using vibration signals
Using transformer and a reweighting technique to develop a remaining useful life estimation method for turbofan engines
Fisher-informed continual learning for remaining useful life prediction of machining tools under varying operating conditions
Towards efficient data-driven fault diagnosis under low-budget scenarios via hybrid deep active learning
관련 프로젝트
구분
제목
인공지능(AI) 기반의 예지보전 및 생산 스케줄링 통합 최적화 연구