잔여 수명 예측Remaining Useful Life Prediction
설비의 열화 신호로 지금부터 기능 고장까지 남은 운전 시간을 추정하고, 그 값을 하나의 숫자가 아닌 분포로 내는 방법이다.
1요약
- 잔여 수명 예측은 ISO 13381-1(2025)이 정한 예측(prognostics)의 핵심 출력으로, 건강 지표가 고장 임계값에 닿을 때까지 남은 시간을 열화 모델 · 학습 모델 · 생존 분석으로 계산하며, 그 값 위에서 정비 일정과 부품 발주가 정해진다.
- 같은 모델에서 나온 설비도 수명이 크게 흩어져 평균으로는 짧은 개체를 놓친다 — 본문 사례의 합성 데이터 50대는 수명 78 ~ 248일로 세 배 넘게 갈린다.
- 「예측이 틀린다」는 치우침인가 흩어짐인가로 가른다 — 오차 부호가 한쪽으로 몰리면 열화 모델의 꼴을, 90% 구간이 실제 값을 덮는 비율이 90%에 못 미치면 불확실성 계산을 고친다.
2등장 배경
신뢰성 공학의 수명 분포(와이블 등)는 «이 기종의 평균 수명»을 주지만, 지금 돌고 있는 한 대가 언제 멈출지는 알려 주지 않는다. 고장 전에 정비로 끊긴 설비 기록도 버리기 쉬워 수명이 짧게 잡혔다.
Cox(1972)는 비례 위험 모형으로 중도절단된 수명 자료에 설명 변수를 넣는 길을 열었다. Gebraeel 외(2005)는 베어링 진동의 지수 열화 모델을 같은 기종 자료로 사전 분포를 세우고 한 대의 관측으로 베이즈 갱신해, 그 설비만의 잔여 수명 분포를 닫힌 꼴로 냈다. 2008년 NASA 는 엔진 시뮬레이터 자료 C-MAPSS 를 PHM08 경진 대회에 공개했고(Saxena 2008), Heimes(2008)의 순환 신경망이 상한을 둔 학습 목표와 함께 이 대회에서 쓰였다(Babu 2016 2절).
그 뒤 Babu(2016)가 시간 축 CNN 을, Zheng(2017)이 LSTM 을 C-MAPSS 에 적용하며 데이터 기반 방법이 늘었고, 2012년 베어링 가속 열화 자료 PRONOSTIA 가 함께 쓰인다(Nectoux 2012). Si 외(2011)는 통계 방법을 «상태를 직접 관측하는가»로 나눠 정리했고, 지금은 ISO 13381-1:2025 가 예측 과정의 요구를 맡는다.
3쉽게 이해하기 — 휴대폰 배터리의 «남은 시간»
회사원 지수는 3시간 뒤 끝나는 외부 회의까지 휴대폰을 써야 한다. 배터리는 40%이고, 지난 한 시간 동안 12%가 줄었다. 화면은 「약 3시간 20분 남음」이라고 하지만, 3년 쓴 이 휴대폰은 10%에서 꺼진 적이 있다. 지수는 남은 시간을 «2시간 30분 ~ 3시간 20분»으로 보고, 회의 전에 카페에서 30분 충전하기로 한다.
그림 1 · 지수는 지금 배터리 · 줄어드는 속도 · 꺼지는 지점 셋으로 남은 시간을 범위로 잡고, 회의가 끝나기 전 충전을 정한다.
그림 2 · 같은 40%와 같은 속도라도 꺼지는 지점이 휴대폰마다 달라 남은 시간이 50분 폭으로 벌어진다 — 실제 설비에서는 이것이 고장 임계값의 흩어짐이다.
| 비유 속 역할 | 실제 이름 | 실제로 하는 일 |
|---|---|---|
| 휴대폰 배터리 | 설비 · 열화 부품 | 쓸수록 상태가 나빠지다 기능을 잃는 대상(베어링 · 엔진) |
| 배터리 % 표시 | 건강 지표(HI) | 센서 값을 묶어 열화 정도를 숫자 하나로 만든다 |
| 지난 1시간 사용량 | 열화 속도 · 모델 | 최근 추세에 맞춘 곡선으로 앞날을 그린다 |
| 꺼지는 % | 고장 임계값(분포) | 기능 고장으로 볼 값 · 설비마다 흩어진다 |
| 「3시간 20분」 | RUL 점 추정 | 임계값까지 남은 시간의 대표 값 |
| 2시간 30분 ~ 3시간 20분 | 예측 구간 | 남은 시간의 분포에서 5 ~ 95% 범위 |
| 회의 끝 3시간 뒤 | 필요한 운전 기간 | 다음 정비 창까지 버텨야 하는 시간 |
| 카페 충전 | 정비 조치 | 예측을 받아 일정 · 발주를 정한다(예지 보전이 맡는다) |
⚠ 비유가 맞지 않는 곳: 배터리는 쓰는 만큼 거의 일정하게 줄고 충전하면 되돌아오지만, 설비의 열화는 끝으로 갈수록 빨라지고 정비 전에는 되돌아오지 않는다. 또 배터리 %는 휴대폰이 바로 알려 주지만, 설비의 건강 지표는 여러 센서에서 골라 만들어야 한다.
4구조 — 건강 지표 · 임계값 · 예측 모델 · 불확실성
잔여 수명 예측은 «무엇이 나빠지는가(건강 지표)», «어디서 멈추는가(임계값)», «어떻게 나빠지는가(모델)» 셋을 정한 뒤 남은 시간의 분포와 평가 지표를 낸다.
그림 3 · 건강 지표와 임계값이 모델의 입력이 되고, 모델은 남은 시간을 분포로 내며, 정비 결정은 그 분포를 받는 다음 단계다.
| 요소 | 역할 | 사례 값 | 근거 |
|---|---|---|---|
| 건강 지표 | 단조 · 추세가 같고 고장 값이 덜 흩어지는 신호를 고름 | ln(진동 RMS − 1.0) | 단조성 · 예후성 · 추세성(Coble 2009) |
| 고장 임계값 | 학습 설비의 고장 시점 값 분포 | 5.97 ± 0.53 mm/s(30대) | 사례 2단계 |
| 열화 모델 | 지수 꼴 S = φ + θe^(βt) 를 맞추고 사전 분포로 갱신 | β 0.0264 /일 | Gebraeel 2005 |
| 데이터 기반 | 센서 창(window) → RUL 회귀 · 상한 둔 목표 | 창 15 주기 · FD001 RMSE 18.45 | Babu 2016 3.1절 · 표 2 |
| RUL 분포 | 중앙값 + 5 ~ 95% 구간 | 34.4일(26.8 ~ 40.9) | 사례 6단계 |
| 평가 지표 | RMSE · 비대칭 점수(이른 오차 13 · 늦은 오차 10) · 구간 적중률 | 늦은 오차를 더 벌함 | Babu 2016 식 (1) |
생존 분석은 개체의 열화 곡선 대신 «이 시점까지 살아남은 설비가 곧 고장 날 위험»을 다룬다. Cox(1972)의 비례 위험 모형 h(t|x) = h₀(t)·e^(βx)는 온도 · 부하 같은 설명 변수 x 로 위험을 높이고, 고장 전에 정비로 끊긴 설비(중도절단)도 «그때까지는 살아 있었다»로 계산에 넣는다.
5동작 — 합성 진동 데이터로 설비 38 의 잔여 수명 계산
아래 값은 합성 데이터를 만들어 직접 돌린 결과다 — 실행 환경은 NumPy 2.4.3 의 default_rng(7) · polyfit · multivariate_normal(Python 3.14.0)이고, 진동 값과 임계값은 설명용 가정 값이다.
- 설비 50대를 만든다 — 하루 1번 진동 RMS S(t) = 1.0 + θ·e^(βt + ε)(Gebraeel 2005 의 지수 꼴) · ln θ ~ N(ln 0.2, 0.30) · β ~ N(0.025, 0.005) · ε 표준편차 0.12 · 고장 값 ~ N(6.0, 0.6) mm/s → 수명 78 ~ 248일 · 30대 학습 · 20대 시험.
- 학습 30대마다 ln(S − 1)에 직선을 맞춰 사전 분포를 세운다 — ln θ 평균 −1.61 · β 평균 0.0249 · 잡음 0.119 · 고장 값 5.97 ± 0.53 mm/s.
- 시험 설비 38 을 수명의 75%인 88일째에서 자른다 — S = 2.90 mm/s · 실제 고장은 118일(정답 RUL 30일).
- 선형 모델 — 최근 30일 직선(기울기 0.0401 mm/s/일)은 5.97 을 162일에 지나 RUL 74일, 44일 늦다.
- 지수 모델 — ln(S − 1) 직선(β 0.0264)은 122.3일에 닿아 RUL 34일, 4일 늦다.
- 베이즈 갱신 — 사전 분포를 설비 38 의 88일치로 갱신하고 모수 · 고장 값을 4,000번 뽑아 RUL 중앙값 34.4일 · 90% 구간 26.8 ~ 40.9일을 얻는다. 정답 30 이 구간 안에 있다.
- 데이터 기반 회귀 — 학습 30대에서 이틀 간격 1,878행(특징 = ln(S − 1) 지금 값 · 최근 10일 기울기 · 목표 = 남은 일수, 120일 상한은 가정 값)으로 능형 회귀를 맞추면 42.4일, 12일 늦다.
- 시험 20대를 각자 수명 75%에서 같은 방법으로 계산해 비교표(아래 비교 절)를 만든다.
그림 4 · 설비 38 의 진동은 가속하며 오르므로, 최근 30일 직선은 162일에야 임계값에 닿고 지수 곡선은 122일에 닿는다 — 실제 고장은 118일이다.
그림 5 · 설비 38 의 고장일 분포 폭 14.1일 가운데 모수 불확실성은 4.9일뿐이고, 고장 값의 흩어짐이 13.2일을 만든다.
🔑 남은 수명의 폭은 곡선을 얼마나 잘 맞췄는가보다 «어느 값에서 고장 나는가»의 흩어짐이 더 넓힌다 — 임계값 하나로 고정하면 구간이 실제를 놓친다.
6비교 — 열화 모델 · 데이터 기반 · 생존 분석
| 기준 | 선형 열화 모델 | 지수 모델 + 베이즈 갱신 | 데이터 기반(회귀 · LSTM · CNN) | 생존 분석(Cox 등) |
|---|---|---|---|---|
| 입력 | 한 설비의 최근 추세 | 한 설비 추세 + 같은 기종 사전 분포 | 센서 창 원 값 · 특징 | 고장 · 중도절단 시각 + 설명 변수 |
| 필요한 고장 이력 | 임계값을 정할 만큼 | 사전 분포용 수십 대 | 수백 궤적(FD001 학습 100대 · Babu 2016 표 1) | 끊긴 기록까지 모두 |
| 출력 | 점 추정 | 분포(구간) | 점 추정 · 구간은 따로 | 생존 함수 · 조건부 남은 수명 |
| 사례 RMSE(수명 75%) | 51.4일 · 20대 모두 늦음 | 6.7일 · 적중 16/20 | 8.8일(능형 회귀) | 이 사례에서 계산하지 않음 |
| 사례 RMSE(수명 30%) | 437.8일 | 10.1일 · 적중 17/20 | 22.1일 | — |
| 약점 | 가속 열화에서 늦음 | 꼴을 잘못 고르면 치우침 | 학습 범위 밖 조건 · 해석 | 개체의 지금 상태는 설명 변수로만 |
분석열화의 꼴이 알려져 있고(마모 · 균열 성장) 고장 이력이 수십 대면 지수 모델 + 베이즈 갱신, 꼴을 모르고 고장 궤적이 수백 개면 LSTM · CNN, 고장 전에 정비로 끊긴 기록이 많으면 생존 분석을 고른다. 근거는 표의 「사례 RMSE(수명 30%)」 행 — 관측이 짧을 때 사전 분포를 쓴 쪽(10.1일)이 회귀(22.1일)보다 낫다.
7실무 진단 — 잔여 수명 오차의 단계 가르기
분석데이터 분할 → 건강 지표 → 모델 → 불확실성 순으로 본다. 분할이 새면 모든 지표가 좋게 나와 뒤 단계의 문제를 가리고, 지표가 단조롭지 않으면 어떤 모델도 임계값에 닿는 날을 모으지 못하기 때문이다(Coble 2009 · Babu 2016 2절).
| # | 증상 | 의심 원인 | 단계 | 확인 자료 | 판정 기준(근거) |
|---|---|---|---|---|---|
| 1 | 검증 오차는 작은데 새 설비에서 크게 빗나감 | 같은 설비의 시점이 학습 · 검증에 섞임 | 데이터 분할 | 분할 목록의 설비 번호 | 설비 단위로 나눔(C-MAPSS 학습 · 시험 = 다른 엔진 · Babu 2016 2절) |
| 2 | 지표가 오르내려 임계값을 여러 번 넘나듦 | 단조성 · 추세성 낮은 지표 | 건강 지표 | 단조성 · 예후성 · 추세성 점수 | 세 점수가 낮으면 지표 재선정(Coble 2009) |
| 3 | 초기 예측이 한 값에 붙어 움직이지 않음 | 상한 둔 학습 목표 | 모델 | 예측 RUL 시계열 · 상한 값 | 상한 구간은 «열화 시작 전»으로 읽음(Heimes 2008 · Babu 2016 2절) |
| 4 | 90% 구간이 실제를 덮는 비율이 낮음 | 고장 값 흩어짐을 빼고 구간 계산 | 불확실성 | 시험 설비 구간 적중률 | 사례 16/20 · 임계값 고정이면 폭 4.9일로 좁아짐(그림 5) |
| 5 | 수명 분포가 실제보다 짧게 잡힘 | 정비로 끊긴 설비를 버림 | 데이터 · 생존 | 정비 기록의 중도절단 수 | 중도절단을 넣는 위험 모형(Cox 1972) |
구간 적중률은 시험 설비가 20대 정도로 적어도 매번 센다 — 80%처럼 명목 90%에 못 미치면 모델을 바꾸기 전에 임계값 분포와 잡음 추정부터 다시 본다.
8시험 대비
시험에서는 잔여 수명의 정의와 방법 분류(열화 모델 · 데이터 기반 · 생존 분석)를 묻는 정의 · 특징형, 그리고 딥러닝 · 불확실성 · 공개 데이터셋으로 넓어지는 흐름을 묻는 동향 · 발전형이 나올 수 있다. 점 추정이 아닌 분포와 비대칭 평가까지 쓰면 정의 수준을 넘는다.
- 개요 — 정의(ISO 13381-1:2025 예측 과정의 출력) · 건강 지표 · 고장 임계값 · 예지 보전과의 관계
- 구성 — 그림 3 건강 지표 → 모델 → RUL 분포 → 평가 · 지표 선정 세 기준(Coble 2009)
- 방법 비교 — 선형 · 지수(베이즈 갱신) · 데이터 기반(LSTM · CNN) · 생존 분석(Cox 1972) 표
- 계산 사례 — 그림 4 선형 162일 · 지수 122일 · 실제 118일(합성 데이터 설비 38)
- 불확실성과 평가 — 그림 5 구간 폭 분해 · RMSE · 비대칭 점수(13 · 10) · 구간 적중률
- 발전 방향 — C-MAPSS · PRONOSTIA 공개 자료 · 고장 이력 부족 · 운전 조건 변화
꼭 쓸 키워드
잔여 수명(RUL)건강 지표(HI)고장 임계값지수 열화 모델베이즈 갱신LSTM비례 위험 모형중도절단예측 구간비대칭 점수
다른 답안과 차이를 내는 한 가지는 그림 5 처럼 예측 구간을 «모수 4.9일 · 고장 값 13.2일»로 나눠 보이는 것이다 — 「불확실성을 고려한다」 한 줄 대신 어디서 폭이 생기는지를 숫자로 보인다.
9오해와 사실
- 오해잔여 수명은 하나의 날짜로 나온다.사실같은 관측에서도 고장 값이 설비마다 흩어져, 사례의 설비 38 은 26.8 ~ 40.9일의 90% 구간으로 나오고 정답 30일은 그 안에 있다.
- 오해LSTM · CNN 이 언제나 열화 모델보다 정확하다.사실사례에서 수명 30% 지점의 RMSE 는 베이즈 갱신 10.1일 · 회귀 22.1일이고, Babu 2016 의 CNN 도 학습 엔진 100대(FD001)를 쓰고 RMSE 18.45 주기였다(표 2).
- 오해열화 모델은 고장 이력 없이도 쓸 수 있다.사실사례의 사전 분포와 임계값 5.97 ± 0.53 mm/s 는 학습 30대의 고장 기록에서 나왔고, 임계값을 한 값으로 두면 90% 구간이 4.9일로 좁아져 실제 고장 118일을 덮지 못한다.
10핵심 정리
| 구분 | 맡는 일 | 입력 | 출력 | 사례 값 | 근거 |
|---|---|---|---|---|---|
| 건강 지표 | 열화 정도를 숫자 하나로 | 센서 값 | HI 시계열 | ln(S − 1.0) | Coble 2009 |
| 고장 임계값 | 기능 고장으로 볼 값 | 학습 설비 고장 시점 | 값의 분포 | 5.97 ± 0.53 mm/s | 학습 30대 |
| 선형 모델 | 최근 추세를 직선으로 연장 | 한 설비 HI | 점 추정 | 162일(늦음 44) | NumPy polyfit |
| 지수 · 베이즈 | 지수 꼴을 사전 분포로 갱신 | HI + 같은 기종 | RUL 분포 | 34.4일(26.8 ~ 40.9) | Gebraeel 2005 |
| 데이터 기반 | 창 → RUL 회귀 | 센서 창 | 점 추정 | 42.4일 · CNN FD001 18.45 | Babu 2016 · Zheng 2017 |
| 생존 분석 | 설명 변수로 위험 조정 | 고장 · 중도절단 | 생존 함수 | 이 사례 미실행 | Cox 1972 |
| 평가 | 오차 크기 · 방향 · 구간 | 예측과 정답 | RMSE · 점수 · 적중률 | 6.7일 · 16.1 · 16/20 | Babu 2016 식 (1) |
| 공개 데이터 | 모델 비교 기준 | 고장까지 달린 궤적 | 학습 · 시험 묶음 | FD001 100대 · 베어링 17개 | NASA C-MAPSS · Nectoux 2012 |
11참고 문헌
- 먼저 볼 문헌
- ★ ISO 13381-1:2025 Condition monitoring and diagnostics of machine systems - Prognostics - Part 1: General guidelines and requirements — 예측(prognostics) 과정에서 잔여 수명의 정의와 요구를 볼 때
- ★ Residual-life distributions from component degradation signals: A Bayesian approach (IIE Transactions 37(6) 543-557) — 지수 열화 모델을 설비마다 베이즈로 갱신해 잔여 수명 분포를 얻는 법을 볼 때
- ★ Deep Convolutional Neural Network Based Regression Approach for Estimation of Remaining Useful Life (DASFAA 2016 LNCS 9642 214-228) — 비대칭 점수 · 상한을 둔 학습 목표 · 시간 축 CNN 을 볼 때
- ★ CMAPSS Jet Engine Simulated Data — 고장까지 달린 공개 데이터로 모델을 비교할 때
- 본문 근거
- Damage Propagation Modeling for Aircraft Engine Prognostics (PHM 2008) — NASA Ames Research Center · 2008-10 ·
ntrs.nasa.gov/citations/20090029214· 확인 2026-11-04 - Recurrent neural networks for remaining useful life estimation (PHM 2008 1-6) — IEEE · 2008-10 ·
doi.org/10.1109/PHM.2008.4711422· 확인 2026-11-04 - Long Short-Term Memory Network for Remaining Useful Life estimation (IEEE ICPHM 2017 88-95) — IEEE · 2017-06 ·
www.aminer.org/pub/59ae3c3a2bbe271c4c71f833/long-short-term-memory-network-for-remaining-useful-life-estimation· 확인 2026-11-04 - Regression Models and Life-Tables (Journal of the Royal Statistical Society Series B 34(2) 187-220) — Royal Statistical Society · 1972-01 ·
doi.org/10.1111/j.2517-6161.1972.tb00899.x· 확인 2026-11-04 - Remaining useful life estimation - A review on the statistical data driven approaches (European Journal of Operational Research 213(1) 1-14) — Elsevier · 2011-08 ·
doi.org/10.1016/j.ejor.2010.11.018· 확인 2026-11-04 - Identifying Optimal Prognostic Parameters from Data: A Genetic Algorithms Approach (Annual Conference of the PHM Society 2009) — PHM Society · 2009-09 ·
papers.phmsociety.org/index.php/phmconf/article/view/1404· 확인 2026-11-04 - PRONOSTIA: An Experimental Platform for Bearings Accelerated Degradation Tests (IEEE PHM 2012) — FEMTO-ST · 2012-06 ·
hal.science/hal-00719503· 확인 2026-11-04 - NumPy 2.4 Reference numpy.polyfit — NumPy Developers · 2026-11 ·
numpy.org/doc/2.4/reference/generated/numpy.polyfit.html· 확인 2026-11-04 - NumPy 2.4 Reference numpy.random.Generator.multivariate_normal — NumPy Developers · 2026-11 ·
numpy.org/doc/2.4/reference/random/generated/numpy.random.Generator.multivariate_normal.html· 확인 2026-11-04