Remaining Useful Life Prediction of Industrial Shot Blast Blades

본 연구는 산업 현장의 쇼트 블라스트 장비에서 실제 운용 조건으로 수집된 진동 데이터를 활용해 블레이드의 잔여 수명(RUL)을 예측하는 것을 목표로 한다. 연구팀은 고정밀 가속도 센서를 설치하고 약 10개월 동안 연속 데이터를 확보했으며, 신뢰도 향상을 위해 이상치 제거, 결측 보간, 가우시안 노이즈 기반 증강 등 다단계 전처리를 수행하였다. 이후 Ridge Regression, XGBoost, SVR, LSTM, GRU 등 다섯 가지 알고리즘을 동일한 학습·검증 절차로 평가하고, 모델 간 성능을 체계적으로 비교하였다. 각 알고리즘은 로그 변환 미적용/적용 두 가지 경우로 RUL 예측을 수행하였으며, 평가는 RMSE, MAE, R², Training time, RUL 오차율의 지표를 사용해 성능을 비교하였다. 실험 결과, XGBoost는 가장 낮은 예측 오차와 안정적인 일반화 성능을 보여 최적 모델로 선정되었고, Ridge Regression은 높은 오차율을 기록해 RUL 예측에는 부적합한 것으로 판단되었다. 본 연구는 수집 데이터에 노이즈가 많으며, 고장 데이터가 부족한 실제 산업 데이터 기반 접근의 타당성을 검증하고 현장 적용을 위한 근거를 제공한다.