증거 기반 도메인 적응을 통한 불완전 열화 상황에서의 잔여 수명 예측

본 연구는 라벨이 없는 목표 도메인에서 잔여 유용 수명(RUL) 예측을 수행할 때, 목표 도메인에 후기 열화 단계가 결핍된 상황을 다루는 새로운 도메인 적응 프레임워크 ‘EviAdapt’를 제안한다. 기존의 무감독 도메인 적응(UD‑A) 기법은 전체 데이터 분포를 전역적으로 정렬하는 방식에 의존한다. 그러나 목표 도메인에 후기 사이클 데이터가 없으면 초기 단계와 후기 단계가 혼동되어, 모델이 잘못된 조건을 학습하게 된다. 또한, 동일 열화 단계 내에서도 운영 조건 차이로 인해 센서 패턴이 크게 달라질 수 있어, 단순 특징 정렬만으로는 충분한 도메인 정합을 이루기 어렵다. EviAdapt은 이러한 두 문제를 해결하기 위해 (1) 단계별 정렬(stage‑wise alignment)과 (2) 증거 기반 불확실성 정렬(evidential uncertainty alignment)이라는 두 축을 도입한다. 1. **단계별 정렬** - 소스 도메인은 실제 RUL 라벨을 활용해 ‘건강 지수(Health Index)’를 계산하고, 이를 기반으로 초기, 중간, 후기 3개의 열화 단계로 구분한다. - 타깃 도메인은 라벨이 없으므로, 사전 학습된 소스 모델이 제공하는 불확실성 추정치와 센서 신호 변화율을 이용해 유사한 단계로 매핑한다. - 이렇게 하면 동일 단계 간에만 정렬이 이루어져, 후기 단계가 결핍된 상황에서도 초기 단계가 잘못 정렬되는 위험을 최소화한다. 2. **증거 기반 불확실성 정렬** - 증거 학습(evidential learning)은 단일 결정적 네트워크가 입력에 대해 평균(γ)과 분산(σ²) 등 NIG(Normal‑Inverse‑Gamma) 파라미터를 직접 출력하도록 설계한다. 이를 통해 예측값과 함께 모델의 불확실성을 정량화한다. - EviAdapt은 동일 단계에 속하는 소스와 타깃 샘플의 불확실성 분포 차이를 최소화하는 손실 L_U 를 정의한다. 불확실성은 2차 통계량이므로, 두 도메인의 조건 차이를 완화하면서도 특징 자체는 자유롭게 변형될 수 있다. **학습 절차**는 세 단계로 구성된다. ① **증거 사전 학습**: 소스 인코더 E_S와 예측기 R을 Deep Evidential Regression 기반으로 학습한다. 여기서는 NIG 사전분포와 Student‑t 예측분포를 이용해 음의 로그우도와 tilted loss(증거 페널티)를 동시에 최소화한다. ② **단계 구분**: 사전 학습된 모델을 이용해 소스와 타깃 데이터를 각각 3단계로 분류한다. 소스는 라벨 기반 HI, 타깃은 추정된 불확실성 및 변화율을 활용한다. ③ **타깃 인코더 학습**: 타깃 인코더 E_T를 학습하면서, 동일 단계의 불확실성 차이를 최소화하는 L_U와 함께 도메인 구분자 기반 적대적 손실을 적용해 전역적인 도메인 차이도 억제한다. 최종적으로 E_T는 소스와 구조적으로 유사하지만, 실제 특징은 타깃 환경에 맞게 조정된 표현을 학습한다. **실험**에서는 NASA의 C‑MAPSS, N‑CMAPSS, 그리고 PHM2010 데이터셋을 사용해 다양한 운영 조건과 결함 유형을 시뮬레이션하였다. 특히 목표 도메인에서 후기 사이클(예: 80%~100% 수명) 데이터를 인위적으로 제거한 ‘불완전 열화’ 시나리오를 구성하였다. 비교 대상은 DDC, CORAL, DANN, ADARUL, CADA, ConsDANN 등 기존 UDA 기법이며, 평가 지표는 RMSE와 SCORE(불확실성 기반 가중 평균 오차)이다. EviAdapt은 모든 설정에서 평균 RMSE를 10%~25% 개선하고, SCORE에서도 현저히 낮은 값을 기록하였다. 특히 불확실성 정렬이 없는 단순 단계 정렬만 적용한 변형 모델보다도 성능 차이가 크며, 이는 불확실성 정렬이 단계 내 패턴 차이를 효과적으로 보정함을 증명한다. **한계 및 향후 연구**로는 단계 경계 설정이 사전 지식에 의존한다는 점과, 증거 회귀가 Gaussian 가정에 기반해 NIG 파라미터를 추정하기 때문에 비정규적 열화 패턴에 민감할 수 있다는 점을 제시한다. 향후 자동 단계 탐지(베이지안 변화점 검출)와 비가우시안 증거 모델(혼합 분포) 도입을 통해 이러한 제약을 완화하고, 실제 산업 현장에 적용 가능한 실시간 적응 메커니즘을 개발할 계획이다.