# 인공지능, 산업 설비의 잔여 수명을 예측해줘 - RUL예측

근래에는 공장에서 사용되는 산업 설비(로보암 등)의 예지 보전(Predictive Maintenance, PdM)을 위해서 인공지능이 사용되기도 한다. 예지 보전이란 반도체 공장 등에서 사용되는 산업 설비의 이상을 사전에 예측해서 이에 기인하여 산업 설비를 보수하는 것을 의미한다.

Source: https://www.iplexlaw.co.kr/forum/view/844148

HOME / NEWS & INSIGHTS NEWS & INSIGHTS 인공지능, 산업 설비의 잔여 수명을 예측해줘 - RUL예측 근래에는 공장에서 사용되는 산업 설비(로보암 등)의 예지 보전(Predictive Maintenance, PdM)을 위해서 인공지능이 사용되기도 한다. 예지 보전이란 반도체 공장 등에서 사용되는 산업 설비의 이상을 사전에 예측해서 이에 기인하여 산업 설비를 보수하는 것을 의미한다. 인공지능 2023.05.15 게시 IPLEX 5분 읽기 인공지능 기술은 다양한 분야에서 이용되고 있다. 근래에는 공장에서 사용되는 산업 설비(로보암 등)의 예지 보전(Predictive Maintenance, PdM)을 위해서 인공지능이 사용 되기도 한다. 예지 보전이란 반도체 공장 등에서 사용되는 산업 설비의 이상을 사전에 예측해서 이에 기인하여 산업 설비를 보수하는 것을 의미한다. 만약, 예지 보전을 하지 않으면 사후 보전(산업 설비가 고장으로 인해 정지된 경우 수행하는 보수)을 해야하는데 이 경우, 공장 가동이 중단되므로 큰 손해가 발생하게 된다. 그렇기에 산업 설비의 예지 보전은 상당히 중요하다. 종래에는 룰 기반으로 예지 보전을 수행했는데 점차 데이터 양이 방대해지고 실시간으로 빠르고 정확하게 산업 설비의 이상을 탐지해야 하는 것에 한계가 있었다. 그래서 요즘에는 인공 지능을 이용하는 것으로 기술로 발전 하고 있다. 산업 설비의 예지 보전을 수행하기 위해서 시계열 데이터를 분석하여 산업 설비의 잔여 수명(Remaining Useful Life, RUL)을 예측하는 기술이 사용될 수 있다. 이 포스팅은 인공지능을 이용해서 산업 설비의 잔여 수명을 예측하는 기술과 관련된 논문 하나를 간략히 설명하고 특허 출원 시 어떤 내용이 주요 특징이 될 수 있는지 살펴보고자 한다. * 본 게시물은 논문을 보고 필자가 이해한 내용에 기반하여 작성한 것으로 논문 내용과 약간의 차이가 있을 수도 있다. 참조 논문 Xiang Li & Qian Ding & Jian-Qiao Sun, 2017, Remaining Useful Life Estimation in Prognostics Using Deep Convolution Neural Networks, https://escholarship.org/content/qt5ns8r3fs/qt5ns8r3fs_noSplash_7d463f0d432194b63917f89e056f2644.pdf >> 산업 설비의 잔여 수명을 예측하는 접근 방법 << 먼저 산업 설비의 잔여 수명을 예측하기 위해 어떤 접근 방법들이 있는지 간략하게 짚고 넘어가겠다. 산업 설비의 잔여 수명을 예측할 때 크게 3가지 접근 방법 이 있는데 그 첫번째는 모델 기반 접근(Model-based approach) 방법 이다. 이는 기존 RUL 예측 모델(룰 기반 모델)을 이용해서 데이터 열화를 예측 하는 거라고 이해하면 된다. 예를 들어, Particle filter를 이용하거나 Eyring model을 이용해서 데이터 열화를 예측하는 것이 이에 해당한다. 두번째는 데이터 중심 접근(Data-driven approach) 방법 이다. 히스토리 데이터(history data)에 기반하여 데이터 열화를 예측하는 것이 이에 해당한다. 인공지능에 기초하여 RUL을 예측하는 것 이 이에 해당한다고 보면 된다. 세번째는 하이브리드 접근(Hybrid approach) 방법 이다. 이는 앞에서 설명드린 두가지 접근 방법을 모두 사용 하는 것이다. 오늘 설명할 논문 내용은 데이터 중심 접근 방법을 통해 RUL을 예측하는 것과 관련이 있다. >> 논문 내용 요약 << 본 논문은 항공 엔진과 관련된 데이터를 이용하여 엔진의 잔여 수명을 예측하는 것과 관련된 논문이다. DeepCNN을 이용해서 RUL과 관련된 최종 출력값을 예측하는 것이 특징으로, DeepCNN의 구조는 다음과 같다. 맨 좌측에 특징 맵 형태로 그려진 것이 이렇게 샘플링된 데이터이다. (x축 방향으로 서로 다른 센서들에서 획득된 값들이 들어가고 y축 방향으로 서로 다른 시간에 획득된 값들이 들어간다) 데이터 샘플링이 완료되면 이를 동일한 크기의 필터를 갖는 4개의 컨벌루션 레이어에 순차 입력한다. 그리고 마지막 컨벌루션 레이어는 4개의 컨벌루션 레이어에서 사용된 필터와 다른 크기의 필터를 갖는다. 마지막 컨벌루션 레이어에 4개의 컨벌루션 레이어의 마지막 출력값을 입력해준다. 이 경우, raw feature에 대한 high-level representation이 마지막 컨벌루션 레이어에서 출력된다. 그리고 마지막 컨벌루션 레이어는 완전 연결 레이어(fully connected layer) 에 연결되고 최종적으로 RUL예측을 위한 값이 출력되게 된다. 본 논문과 같은 DeepCNN 구조를 갖는 경우 DNN, RNN, LSTM 보다 RUL 예측 성능이 더 좋다는 실험 결과가 논문에 기재 되어 있다. >> 특허 출원을 위한 주요 특징 추출 << 이제 앞에서 설명드린 논문 내용에 기초해서 어떤 내용을 주요 특징으로 잡고 특허 출원하면 좋은지 설명 하겠다. 필자는 DeepCNN 구조를 이용해서 RUL을 예측한다는 것이 본 논문의 주요 특징이라 판단한다. DeepCNN 구조를 갖는 경우 다른 모델보다 성능이 좋다는 실험 결과가 있기 때문이다. 명세서 작성 시 실험 결과를 명세서 내에 같이 기재해 주면 향후 진보성 위반의 거절이유에 대응하기 수월해진다. 한편, DeepCNN의 세부 구조는 주요 특징을 뒷받침하는 내용이 될 수 있다. 구체적으로, 동일한 크기의 제 1 필터를 갖는 복수의 제 1 컨볼루션 레이어가 제 1 필터와 다른 크기의 제 2 필터를 갖는 제 2 컨볼루션 레이어와 연결되고 제 2 컨볼루션 레이어가 완전 연결 레이어에 연결되는 모델의 세부 구조는 본 논문의 주요 특징을 뒷받침해주는 내용이 될 수 있다. 부수적인 특징은 Time window를 이용하여 입력 데이터를 샘플링하는 것과 데이터 정규화와 관련된 내용이다. 만약 지금 읽은 논문 내용에 기초하여 특허 명세서를 작성한다면, 1. 복수의 컨벌루션 레이어와 하나의 완전 연결 레이어를 포함하는 deepCNN에 적어도 하나의 센싱 데이터를 포함하는 데이터를 입력하고, 2. deepCNN에서 출력된 값에 기초하여 잔여 수명을 예측한다 는 내용으로 독립항(권리범위가 가장 넓은 청구항)을 작성하고, 1. DeepCNN의 세부 구조(복수의 컨벌루션 레이어의 필터에 대한 특징, 레이어 연결 순서 등) 2. DeepCNN에 입력되는 데이터를 샘플링 하는 방법 3. 데이터 정규화 방법 을 종속항으로 한정하는 방향으로 청구항을 작성할 것이다. 이 글은 표시된 게시일을 기준으로 작성된 자료입니다. 개별 사안에 대한 검토는 상담을 통해 안내합니다. 관련 업무 상담 ↗ 전체 글 보기 TALK TO IPLEX 우리 기업에 맞는 IP 전략이 필요하다면 기술과 사업의 상황에 맞춰 필요한 업무를 함께 살펴봅니다. ↗ 상담 문의 최근 글 [기고문 등재] 인공지능 전문, 김용덕 변리사가 말하는 "인공지능 특허, 어떻게 확보하는 것이 좋은가?" ↗ 이전 글 『디자인 보호법 디자인을 보호하라』출판 안내 ↗ 함께 읽을 인사이트 인공지능 2026.10.01 AI가 잊는 방식까지 세밀하게, FiX 김용덕 변리사가 FiX의 특징별 망각 게이트, 수치 안정성과 캐시 설계, 실험 결과 및 적용 한계를 분석합니다. ↗ 본문 읽기 인공지능 2026.09.30 층의 정보를 다르게 읽는 MHAR 김용덕 변리사가 MHAR의 깊이 정보 선택 구조, 논문 실험 결과와 구현 비용을 살펴보고 기술적 구성과 효과를 분석합니다. ↗ 본문 읽기 인공지능 2026.09.28 [기고 소식] 클로드 Computer Use 특허 분석, AI는 어떻게 컴퓨터 사용법을 배울까? 김용덕 대표변리사의 클로드 Computer Use·AI 에이전트 특허 분석 칼럼이 인공지능신문(AI Times)에 게재되었습니다. ↗ 본문 읽기

- https://www.iplexlaw.co.kr/
- https://www.iplexlaw.co.kr/%EC%9D%B8%EC%82%AC%EC%9D%B4%ED%8A%B8-%EB%B0%8F-%EB%89%B4%EC%8A%A4/category/ai
- https://www.iplexlaw.co.kr/%EC%97%B0%EB%9D%BD%ED%95%98%EA%B8%B0
- https://www.iplexlaw.co.kr/%EC%9D%B8%EC%82%AC%EC%9D%B4%ED%8A%B8-%EB%B0%8F-%EB%89%B4%EC%8A%A4
- https://www.iplexlaw.co.kr/%EC%97%B0%EB%9D%BD%ED%95%98%EA%B8%B0
- https://www.iplexlaw.co.kr/forum/view/845881
- https://www.iplexlaw.co.kr/forum/view/843161
- https://www.iplexlaw.co.kr/ko/blog/fix-fine-grained-forgetting-attention
- https://www.iplexlaw.co.kr/ko/blog/fix-fine-grained-forgetting-attention
- https://www.iplexlaw.co.kr/ko/blog/mhar-multi-head-attention-residuals
- https://www.iplexlaw.co.kr/ko/blog/mhar-multi-head-attention-residuals
- https://www.iplexlaw.co.kr/forum/view/1546549
- https://www.iplexlaw.co.kr/forum/view/1546549