본 연구는 베어링의 잔존 사용 수명(RUL)의 정확하고 신뢰할 수 있는 예측에 중점을 둔다. 최근 기계 학습 기반 RUL 예측은 산업 기계의 안전성, 효율성 및 비용 효과성을 보장하는 데 주목받고 있다. 그러나 전체 수명 운전 실험에서 수집된 원시 진동 신호는 보통 잡음이 많고 비정상적이며 고차원적 특성을 가지므로 직접적으로 열화 패턴을 학습하는 데 어려움이 있다. 이는 주어진 시점에서 RUL 예측이 일관되지 않아 예측 신뢰도를 저하시킨다. 이를 위해 본 연구는 견고한 신호 전처리, 데이터 기반 건강 상태 분류 및 딥러닝 기반 RUL 추정을 통합한 신뢰할 수 있는 다단계 예측 프레임워크를 제안한다. 이 과정은 세분화된 집계 근사를 통해 차원 축소를 수행하고 특이 스펙트럼 분석을 활용하여 잡음을 억제하며 중심 모멘트 기반의 변화점 탐지 방법을 도입하여 열화 시작점을 자동 식별한다. 이후 열화 과정과 유효 사용 수명을 특성화하는 건강 지표를 구축하였다. 극한 그래디언트 부스팅 분류기를 사용하여 진동 반응을 근거로 베어링의 건강한 운전 상태와 열화 운전 상태를 구분한다. 그 다음 잔존 수명을 예측하기 위해 혼합 합성곱 게이트 순환(CGR) 신경망을 제안하였다. 해당 방법은 다양한 작업 조건의 여러 전체 수명 베어링 데이터셋에서 검증되었다. 결과는 분류기의 평균 F1 점수가 약 0.993에 달하며 신뢰성 지표는 2.0 이상으로 건강 상태를 명확히 식별할 수 있음을 나타낸다. 제안한 CGR 네트워크는 우수한 성능을 보이며 RUL 예측에서 높은 회귀 정확도를 갖는다. 해당 네트워크의 효능은 양방향 장단기 기억 순환 신경망, 게이트 순환 유닛, 인과 확장 합성곱 기반 잔차 밀집 네트워크 채널 주의 메커니즘 결합, 트랜스포머 기반 시간 합성곱 네트워크 등 현재 최고 수준의 방법들과 비교 평가되었다. 종합적으로 결과는 제안된 프레임워크가 정확하고 계산 효율적이며 신뢰성을 고려한 RUL 예측을 가능하게 하여 회전 기계의 실시간 상태 모니터링 및 예측 유지보수 적용에 적합함을 확인한다.

고장 예측; RUL 예측 신뢰성 평가; 진동 신호 처리; 딥러닝