안전이 중요한 기계 시스템에서 AI 기반 진단의 신뢰할 수 있는 배포는 검증에 달려 있다. 예측이 조치에 들어가기 전에 물리적 현실과 대조하여 확인할 수 있는지 여부가 그것이다. 현재의 지능형 결함 진단기는 이 기준을 두 가지 방식으로 충족하지 못한다. 표준 출력인 소프트맥스 신뢰도 점수를 동반한 클래스 레이블은 분류기의 내부 통계에 불과하여, 독립적인 물리적 지식과 대조해 확인할 수 있는 것을 제공하지 않는다. 또한 유지보수 보고에 생성형 언어 모델의 사용이 늘면서, 환각된 내용이 의사결정의 근거가 되는 보고서에 유입된다는 두 번째 위험이 추가된다. 본 연구는 베어링 결함 진단을 테스트베드로 삼아, 출력 측면에서 두 문제를 모두 해결한다. 제안하는 Diagnostic Evidence Network(DENet)는 인코더에 구애받지 않는 다중 과제 프레임워크로, 출력을 구조화된 증거 기록으로 확장한다. 여기에는 분류, 베어링 기하와 샤프트 속도로 결정되는 이론값과 비교 가능한 예측 특성 주파수, 그리고 원시 파형에서 검사 가능한 과도적 충격의 시간적 위치 추정이 포함된다. 네 개의 인코더와 세 개의 공개 데이터셋에 걸쳐, 이 증거는 통계적으로 유의미한 정확도 비용을 발생시키지 않으며, 스펙트럼 추정이 구조적으로 적용 불가능한 1,024-포인트 세그먼트에서 약 6 Hz의 주파수 오차를 보인다. 핵심적으로, 예측 주파수와 이론 주파수 간의 편차는 라벨 없는 추론 시점 검증 신호를 구성한다. 이는 AUROC 0.970 및 0.871로 오분류를 검출하며, 신뢰도 기반 검출기가 무력해지는 고신뢰 구간에서도 판별력을 유지한다. 마지막으로, QLoRA로 적응된 언어 모델은 진단 내용을 생성하지 않고 번역만 하도록 제한하여, 근거 없는 주장 비율을 10–12%에서 2%로 낮추고 허구의 수치를 제거한다.
잔여 유효 수명(RUL) 예측과 고장 모드 분류는 예측 정비에서 핵심 과제이다. 많은 데이터 기반 파이프라인은 완전한 종단 레이블을 사용한 고정 윈도우 지도학습을 사용한다; 이러한 접근은 관측이 부분적이거나 장치 식별 정보가 없을 때 연속적인 열화 상태 예측을 연결하는 시간적 재귀를 자연스럽게 인코딩하지 못한다. 우리는 흡수성 열화 과정에서의 벡터 일반 가치 함수(GVF) 예측으로 예후 예측(prognostics)을 공식화하고, RUL과 고장 모드 확률을 독립적인 윈도우 수준 레이블이 아닌 시간적으로 일관된 목표로 취급하며, 다단계 시간차(temporal-difference) 추정기 TD($n,λ$)로 이를 추정한다. 이를 뒷받침하는 이론은 벡터 GVF의 Bellman 고정점을 확인하고, 선형 projected-TD 극한과 실현 가능성(realizability) 하에서 완전 수익 Monte Carlo 회귀와의 관계를 특성화하며, 부트스트랩 TD 목표가 Monte Carlo 수익보다 분산이 작은 경우를 설명한다. 이벤트 트리거 다중 모드 시뮬레이션과 NASA C-MAPSS 레이블 부족 stitch 데이터에서, TD는 동일 백본 지도학습 Monte Carlo 대조군 대비 RUL 및 고장 모드 예측을 개선하며, 특히 완전 레이블이 부족한 경우에 그렇다. 실용적으로, 파편화되고 식별 정보가 없는 열화 기록은 완전한 run-to-failure 레이블이 확보될 때까지 폐기되지 않고 지역 Bellman 전이에 기여할 수 있다.
산업 건전성 관리는 점점 더 상태 모니터링 시스템, 감시 제어 및 데이터 수집(SCADA) 시스템, 정비 기록, 검사 결과, 예후 모델 등 이질적인 정보원에 의존하고 있다. 대규모 언어 모델(LLM)은 다중 소스 추론을 위한 새로운 기회를 제공하지만, 산업 데이터와 분석 결과는 구조, 시간 해상도, 물리적 의미, 신뢰성 면에서 상당히 다르다. 이러한 이질적 정보를 단일 통합 모델에 직접 통합하면 해석 가능성, 추적 가능성, 설비 및 데이터 변화에 대한 적응성이 저하될 수 있다. 본 논문은 소스별 분석 결과를 구조화되고 기계가 해석 가능한 산업 증거 단위인 산업 토큰(Industrial Token)으로 변환하는 개념적 인터페이스인 산업 토큰화(Industrial Tokenization)를 제안한다. 원시 시계열 데이터를 인코딩하는 데 사용되는 수치 토큰과 달리, 산업 토큰은 출처, 시간 범위, 운영 맥락, 분석적 의미, 품질 또는 신뢰도 정보, 출처 추적(provenance)과 함께 도메인 그라운딩된 증거를 나타낸다. 이 개념을 바탕으로, 이질적 분석 하위 시스템이 자율성을 유지하면서 표준화된 산업 토큰을 중앙 추론 층에 노출하는 연합형 산업 아키텍처를 제안한다. 초기 구현으로, 본 연구는 진동 진단 출력, 규칙 기반 이벤트 집계, 구조화된 텍스트 토큰 생성, LLM 기반 해석에 기반한 end-to-end DiagnosisToken 경로를 제시한다. SCADA 기반 상태 모니터링 토큰, 정비 토큰, 예후 토큰 등 다른 산업 토큰은 향후 확장으로 남겨두었다. 제안된 프레임워크는 산업 토큰화를 원시 산업 데이터를 인코딩하는 또 다른 방법이 아니라, 도메인 특화 산업 지능과 LLM 또는 에이전트 기반 추론 사이의 의미론적 인터페이스로 위치시킨다.
디지털 트윈은 Industry 4.0 맥락에서 기초 기술로 부상했으며, 물리 시스템의 실시간 가상 표현을 위한 패러다임을 제공한다. 그러나 특히 분산 산업 환경에서 점점 커지는 복잡성을 관리하려면 자율적 의사결정, 동적 적응성, 에이전트 간 조율이 가능한 지능형 아키텍처가 필요하다. 본 체계적 문헌 고찰은 다중 에이전트 시스템과 디지털 트윈의 교차점을 탐구하며, 특히 자원 제약 환경에서의 예측 유지보수 적용에 중점을 둔다. IEEE Transactions, Nature, Elsevier, MDPI 등 고영향력 저널에 게재된 547편 이상의 논문에 대한 비판적 분석을 통해, 기존 하이브리드 아키텍처의 분류 체계를 수립하고, 지속적인 기술적 병목을 식별하며, 다음과 관련된 세 가지 미해결 연구 질문을 제시한다: (i) 자원 제약 마이크로컨트롤러에서의 인공지능(AI) 배포, (ii) 경량 통신 프로토콜을 통한 분산 다중 노드 조율, (iii) 잔여 수명 추정과 설명 가능한 인공지능(explainable AI)을 통합한 스마트 공장 제어를 향한 디지털 트윈의 계층적 오케스트레이션. 분석 결과, 상당한 진전에도 불구하고 Industry 5.0의 요구사항을 동시에 충족하는 통합 임베디드-분산 계층적 솔루션을 제공하는 기존 시스템은 없음을 보여준다.
The pantograph-catenary interface is essential for ensuring uninterrupted and reliable power delivery in electrified rail systems. However, electrical arcing at this interface poses serious risks, including accelerated wear of contact components, degraded system performance, and potential service disruptions. Detecting arcing events at the pantograph-catenary interface is challenging due to their transient nature, noisy operating environment, data scarcity, and the difficulty of distinguishing arcs from other similar transient phenomena. To address these challenges, we propose a novel multimodal framework that combines high-resolution image data with force measurements to more accurately and robustly detect arcing events. First, we construct two arcing detection datasets comprising synchronized visual and force measurements. One dataset is built from data provided by the Swiss Federal Railways (SBB), and the other is derived from publicly available videos of arcing events in different railway systems and synthetic force data that mimic the characteristics observed in the real dataset. Leveraging these datasets, we propose MultiDeepSAD, an extension of the DeepSAD algorithm for multiple modalities with a new loss formulation. Additionally, we introduce tailored pseudo-anomaly generation techniques specific to each data type, such as synthetic arc-like artifacts in images and simulated force irregularities, to augment training data and improve the discriminative ability of the model. Through extensive experiments and ablation studies, we demonstrate that our framework significantly outperforms baseline approaches, exhibiting enhanced sensitivity to real arcing events even under domain shifts and limited availability of real arcing observations.
항공기 엔진 상태 모니터링을 위해 C-MAPSS 벤치마크에서 리퀴드 신경망(liquid neural network)을 잠재 동역학 모델로 적용하고, 잠재 상태를 열화(degradation)와 운전 조건 성분으로 분리하는 방법을 제안한다. GRU 기준 모델 대비 센서 예측 RMSE를 0.2438에서 0.2266으로 개선하며, 특히 다중 조건 서브셋에서 해석 가능한 열화 상태 궤적을 학습하는 데 효과적임을 보였다.
회전 기계의 롤링 베어링 결함 진단 정확도는 산업 안전 확보와 예측 정비(predictive maintenance)에 필수적이다. 기존 통계적 특징 기반 방법은 사전 정의된 기술자(descriptor)에 의존하며, 고정된 구성과 다양한 결함 조건에 대한 제한된 적응성으로 인해 진단 민감도가 제약된다. 심층 학습 접근법은 강한 표현력을 제공하지만, 높은 데이터 요구량과 해석 가능성 저하로 인해 효과가 종종 제한된다. 본 연구에서는 특징 특성을 수동으로 지정하는 대신 데이터로부터 직접 학습하는 모수화 적응형 특징 추출 프레임워크를 제안한다. 진동 신호로부터 절대 특징(신호 에너지 분포 포착), 부호 모멘트 특징(파형 비대칭성 반영), AC 결합 모멘트 특징(동적 변동 강조) 등 여러 상보적 표현을 추출하고, 다중 센서 채널 간 상호작용은 구조화된 융합 메커니즘을 통해 모델링하여 결함 표현을 강화한다. 제안 방법은 정상 운전 및 여러 결함 유형을 포함한 다섯 가지 건강 상태로 구성된 벤치마크 기어박스 베어링 데이터셋에서 평가되었다. 교차 검증(cross-validation)에서도 일관된 결과가 관찰되어 강한 일반화 능력을 보였으며, 기존 방법 대비 향상된 분류 성능이 확인되었다. 또한 저차원 투영에서 더 뚜렷한 클러스터링 패턴을 통해 향상된 특징 분리성이 입증되었다. 학습된 표현은 광범위한 신호 특성을 효과적으로 포착하여 진단 성능 향상과 산업 모니터링 시스템에서의 실용적 적용 가능성을 모두 뒷받침한다.
Vibration-based health monitoring of rotating machinery requires reliable fault diagnosis under operational data constraints, yet condition assessment remains challenged by structural scarcity of fault events and heterogeneous sim-to-real gaps in digital twin-generated signals. Each fault type generates impulses with distinct periodicity, amplitude modulation, and spectral character, making feature-space discrepancies fundamentally heterogeneous across fault classes. Existing domain adaptation methods apply a class-agnostic global transformation that cannot close all fault-specific gaps without distorting inter-class separability, while uniform source-target mixing introduces distributional noise into the data-abundant Normal class. These limitations stem from treating a sequential, state-dependent alignment problem as a one-shot optimization. Each corrective transformation simultaneously reshapes all class distributions, creating state dependencies that static gradient descent cannot resolve. We formulate feature alignment as a continuous-action Markov decision process solved via Proximal Policy Optimization, where the learned policy issues fault-type-specific affine corrections responsive to the current feature-space configuration, with a dual-objective reward balancing gap minimization against separability preservation. An asymmetry-aware strategy reserves real data for the Normal class while augmenting fault classes with policy-aligned simulated samples. Validation across XJTU-SY, CWRU, and a self-built slewing bearing testbed confirms the dominant gain from reinforcement learning-driven alignment, and cross-equipment linear probing achieves 92.8% without encoder retraining, demonstrating transferable monitoring capability.
수리 소요 시간의 정확한 예측은 자원 배분, 고객 만족, 운영 성능에 미치는 영향으로 인해 제품 유지보수에서 중요한 과제이다. 본 연구는 제품의 과거 데이터를 바탕으로 차량 수리점이 수리 시간을 정확하게 분류할 수 있도록 돕는 심층 학습 프레임워크를 개발하는 것을 목표로 한다. 본 연구는 자동차 수리 및 유지보수 데이터셋을 사용하고, 표 형식 데이터를 위해 설계된 멀티헤드 어텐션 네트워크를 활용하여 종단간 예측 프레임워크를 구축한다. 개발된 프레임워크는 임베딩과 어텐션 메커니즘을 통해 변환된 범주형 정보와 수치적 과거 데이터를 결합하여 다양한 데이터 특징의 통합 및 학습을 용이하게 한다. 대규모 데이터셋의 클래스 불균형 문제를 극복하기 위해 가중 손실 함수를 도입한다. 또한 변화하는 운영 환경에서 예측 정확도를 유지하기 위해 지속적인 점진적 모델 업데이트를 위한 온라인 학습 전략을 사용한다. 실험 결과, 멀티헤드 어텐션 메커니즘은 피드포워드 신경망 및 랜덤 포레스트 모델에 비해 차량 식별자와 수리 유형 간의 의미 있는 상호작용을 추출함을 보여준다. 또한 과거 유지보수 데이터와 온라인 학습 전략을 결합하면 변화하는 패턴에 대한 실시간 조정을 가능하게 하고 새 데이터에 대한 모델의 예측 성능을 향상시킨다. 모델은 2013년부터 2020년까지의 실제 수리 데이터에 대해 검증되며 78%의 정확도를 달성하고, 어텐션 가중치 분석이 특징 상호작용을 보여준다.
예지 보전을 위한 잔존 수명(RUL) 추정에서 비선형 열화와 고차원 비볼록 탐색 공간의 한계를 줄이기 위해, 양자 어닐링의 샘플링과 Q-learning을 결합한 QAQL 프레임워크를 제안하고 각 Q-값 갱신을 QUBO로 인코딩해 D-Wave Advantage에서 해결합니다. NASA C-MAPSS와 장치 플릿 예지 보전 벤치마크에서 6가지 오차 지표 기준으로 고전·양자 기준선을 통계적으로 유의하게 능가했습니다.
대형 트럭의 예지 보전(PdM)을 위해 마모 상태를 단조 비감소 시계열로 가정하고 최신 관측치를 표 형식 데이터로 변환하여 분류하는 방법론을 제안한다. 이 방법은 Scania Component X 데이터셋에서 기존 최신 기술(SOTA) 대비 비용을 절감하면서 AutoML을 통해 모델링 과정을 단순화하는 결과를 보였다.
잔여 유효 수명(RUL) 예측은 산업 예측 정비에 필수적이지만, 많은 학습 기반 접근법은 광범위한 특징 공학이나 대규모 라벨 데이터셋에 의존하여 과제별 시퀀스 모델을 학습한다. 본 연구에서는 동결된 사전학습 시계열 파운데이션 모델(TSFM)을 활용하고, 다변량 센서 스트림으로부터 RUL을 추정하기 위해 소형 회귀 헤드와 결합하는 경량 학습 접근법을 제안한다. 보다 구체적으로, Chronos-2를 동결 백본으로 사용하여 컨텍스트 윈도우 특징을 추출하고, RUL 예측을 위한 경량 회귀 신경망을 학습한다. 두 가지 장치 유형의 실제 산업 센서 데이터에 대한 실험 결과, 동일한 전처리 및 평가 프로토콜 하에서 Chronos-2 특징이 순환, 합성곱, 트랜스포머 기반, 그래디언트 부스팅 베이스라인보다 일관되게 성능이 향상됨을 보여준다. 또한 컨텍스트 길이의 영향을 분석한 결과, 더 긴 이력에서 성능이 크게 향상됨을 확인하였으며, 이는 TSFM 표현이 산업 환경에서 RUL 추정을 위한 실용적이고 데이터 효율적인 대안을 제공함을 시사한다.