earticle

영어

This paper proposes an integrated approach combining Predictive Maintenance (PdM) and Fuel Efficiency optimization to address the dual challenges of 'Safety' and 'Environmental Sustainability' facing the modern aerospace industry. To this end, we constructed a hybrid AI model using BiGRUT and Transformer that effectively learns long-term time-series dependencies and causal relationships between variables, based on gas turbine parameter correction theory and damage propagation modeling. To verify the validity of the proposed model, empirical experiments were conducted using NASA's C-MAPSS FD001 dataset. The experimental results showed that the proposed model achieved an RMSE of 12.38, an improvement of approximately 23% compared to the existing LSTM model, and demonstrated excellent performance with a score of 245 in the NASA Scoring Function, proving the accuracy and reliability of the prediction. Finally, by presenting a meta-heuristic-based dynamic scheduling strategy that minimizes maintenance costs and fuel loss costs based on this RUL prediction information, we identify the industrial value of data-driven efficiency preservation strategies.

한국어

본 논문은 현대 항공우주산업이 직면한 ’안전(Safety)’과 ’환경적 지속가능성(Environmental Sustainability)’이라는 이중적 과제를 해결하기 위해, 예측 정비(PdM)와 연료 효율(Fuel Efficiency) 최적화를 결합한 통합적 접근법을 제안한다. 이를 위해 가스 터빈 파라미터 보정 이론과 손상 전파 모델링을 기반으로, 장기 시계열 의존성과 변수 간 인과관계를 효과적으로 학습하는 BiGRUT 및 Transformer 하이브리드 AI 모델을 구축하였다. 제안된 모델의 유효성을 검증하기 위해 NASA의 C-MAPSS FD001 데이터셋을 활용하여 실증 실험을 수행하였다. 실험 결과, 제안 모델은 기존 LSTM 모델 대비 RMSE가 약 23% 개선된 12.38을 기록하였으며, NASA Scoring Function에서도 245점이라는 우수한 성능을 보여 예측의 정확도와 신뢰성을 입증하였다. 최종적으로 이러한 RUL 예측 정보를 바탕으로 정비 비용과 연료 손실 비용을 최소화하는 메타 휴리스틱 기반의 동적 스케줄링 전략을 제시함으로써, 데이터 기반의 효율성 보존 전략이 갖는 산업적 가치를 규명한다.