[논문 리뷰] Remaining Useful Life Prediction for Aircraft Engines using LSTM

Anees Peringal, Mohammed B. Mohiuddin외 1명|arXiv (Cornell University)|2024. 01. 15.

Fault Detection and Control Systems인용 수 5

한 줄 요약

본 논문은 LSTM을 사용하여 NASA C-MAPSS 시계열 데이터로 제트 엔진의 남은 사용 수명(RUL)을 예측하고, MLP 기준선보다 우수한 정확도를 보인다.

ABSTRACT

This study uses a Long Short-Term Memory (LSTM) network to predict the remaining useful life (RUL) of jet engines from time-series data, crucial for aircraft maintenance and safety. The LSTM model's performance is compared with a Multilayer Perceptron (MLP) on the C-MAPSS dataset from NASA, which contains jet engine run-to-failure events. The LSTM learns from temporal sequences of sensor data, while the MLP learns from static data snapshots. The LSTM model consistently outperforms the MLP in prediction accuracy, demonstrating its superior ability to capture temporal dependencies in jet engine degradation patterns. The software for this project is in https://github.com/AneesPeringal/rul-prediction.git.

연구 동기 및 목표

• 정비 계획 및 안전 강화를 위해 제트 엔진의 정확한 RUL 예측의 중요성을 제고한다.
• 정적 스냅샷이 아닌 센서 시계열 데이터를 활용한 데이터 기반 예지보전을 선보인다.
• RUL 추정을 위한 시계열 모델(LSTM)의 이점이 전통적인 피드포워드 네트워크(MLP)보다 뛰어나다는 점을 입증한다.

제안 방법

• 노이즈 제거 및 Min-Max 스케일링으로 데이터를 전처리하고 LSTM 입력을 위한 20-타임스텝 시퀀스를 생성한다.
• 지정된 에포크 수와 학습률로 Adam 옵티마이저를 사용하여 LSTM 네트워크를 정의하고 학습한다.
• 정적 데이터 스냅샷으로 학습된 MLP 기반의 기준선과 LSTM을 비교한다.
• 평가 지표로 MSE를 사용하여 NASA C-MAPSS 데이터셋에서 성능을 평가한다.
• LSTM이 MLP보다 더 낮은 MSE와 더 나은 시계열 패턴 포착을 달성한다는 것을 보고한다.

실험 결과

연구 질문

• RQ1 시계열 센서 시퀀스를 활용한 LSTM 모델이 제트 엔진의 RUL 예측에서 MLP보다 우수한가?
• RQ2 C-MAPSS 데이터셋에서 시계열 맥락이 RUL 예측 정확도에 어떤 영향을 미치는가?
• RQ3 이 작업에서 LSTM와 MLP의 학습 역학 및 일반화 특성은 무엇인가?

주요 결과

• LSTM은 796.42의 더 낮은 테스트 MSE로 수렴하여 MLP보다 예측 정확도가 더 우수함을 시사한다.
• MLP는 1745의 더 높은 테스트 MSE에 도달하여 시계열 열화의 모델링이 더 열악하다는 것을 시사한다.
• LSTM 예측은 엔진 전반에 걸쳐 실제 RUL 경향을 밀접하게 따르는 반면, MLP는 분산이 더 크고 열화 패턴의 정확도가 낮다.
• 학습 곡선은 LSTM이 MLP에 비해 과적합이 거의 없는 급격한 손실 감소를 달성함을 보여준다.
• 연구는 LSTM이 제트 엔진 열화의 시간적 의존성을 포착하는 우수한 능력을 확인한다.