최근 통합체계지원(ips) 분야에서는 장비의 가동률 극대화 및 총 수명주기 비용(lcc) 절감을 위해 상태기반정비(cbm+) 체계 도입이 활발히 진행되고 있다. 그러나 고신뢰성 디젤 엔진은 실제 고장 데이터 획득이 제한되어 인공지능 기반 예측 알고리즘의 학습에 한계가 존재한다. 본 연구는 대상 엔진의 시험성적서와 디지털 트윈 환경을 결합하여 다변량 가상 고장 데이터를 합성하는 방법론을 제안한다. 고장유형, 영향 및 치명도 분석(fmeca) 결과를 토대로 열화 시나리오를 선정하고, 시스템의 지수적 열화 로직을 적용하여 다변량 센서 간 '물리적 모순 패턴'을 모사한 동적 시계열 데이터를 구축하였다. 이를 바탕으로 딥러닝 기반 알고리즘을 학습시키고, 타 기계학습 모델들과 예측 성능 및 고장 조기 경보 리드 타임을 비교 분석하였다. 실험 결과, 물리적 인과관계를 학습한 제안 모델이 이상 징후를 선제적으로 감지하여 가장 우수한 조기 경보 성능을 입증하였다. 본 연구는 데이터 희소 환경에서 신뢰성 높은 Cbm+ 체계를 구축하는 가이드라인을 제시하며, 향후 Ips 체계의 정비 소요 최적화에 기여할 것으로 기대된다.
Seo et al. (2026) studied this question.