장비 운영 현장에서 고장 진단 모델의 강건성을 체계적으로 분석하고 최적화하는 새로운 방법론이 제안됐다. 2026년 6월 9일 arXiv에 등록된 이 연구는 센서 데이터에 의존하는 고장 진단 모델이 강건성 평가와 개선 두 문제를 동시에 다루지 못한다는 기존 한계를 해결하기 위해 신념 규칙 기반(BRB, Belief Rule Base) 접근법을 제시했다. 생산 설비의 가동 연속성과 안전성을 유지하려면 고장을 조기에 정확히 진단하는 것이 필수적이며, 이 과정에서 센서 판독값의 신뢰성이 진단 품질에 직결된다.
센서 판독값은 고장 진단의 핵심 입력이지만, 현장에서는 노이즈·측정 오차·환경 변동 등으로 인해 판독값의 품질이 일정하지 않다. 이런 불확실성이 그대로 모델 입력에 반영되면 진단 오류로 이어진다. 연구팀은 BRB 모델의 강건성을 체계적으로 분석하는 절차를 먼저 정립하고, 이를 바탕으로 고장 진단 모델의 강건성을 개선하기 위한 세 가지 강건성 제약 전략을 제안했다. 이 전략들은 모델이 센서 노이즈나 변동에 덜 민감하게 동작하도록 유도해, 입력 품질이 떨어지는 환경에서도 진단 일관성을 유지하게 한다.
연구팀은 WD615 디젤 엔진 고장 진단과 케이스 웨스턴 리저브 대학교(Case Western Reserve University) 베어링 데이터셋을 검증 사례로 활용했다. 두 사례 모두 산업 현장에서 실제로 수집된 데이터를 기반으로 하며, 실험 결과 제안된 방법은 정확도와 강건성 모두를 향상시켰다. 설비 가동의 연속성과 안전성을 유지하면서 운영 효율을 높이고 유지보수 비용을 절감하려는 제조업·에너지·물류 산업 현장에서 활용 가능성이 기대된다.
신념 규칙 기반은 전문가 지식과 데이터를 결합해 불확실성을 명시적으로 처리할 수 있는 추론 체계로, 전통적인 규칙 기반 시스템과 달리 신뢰도 분포를 출력해 의사결정의 근거를 투명하게 제시한다는 장점이 있다. 이번 연구는 그 프레임워크에 강건성 분석 단계를 통합함으로써, AI 기반 고장 진단을 실제 산업 환경에 적용할 때 발생하는 신뢰성 격차를 좁히는 방향을 제시했다.
저작권자 © STORIUM 무단전재 및 재배포 금지
