Introduction

• 본 논문의 연구 배경은 다음과 같음. 항공기 엔진은 비행 안전과 직결되는 핵심 부품으로, 고온, 고압, 고속 회전 등 극한의 환경에서 작동함

• 엔진의 Health 는 열역학적 효율, 기계적 안정성 등을 포괄하는 개념으로 정확한 평가는 조기 결함 감지 및 최적의 유지보수 일정을 수립하는 데 필수적임

• 항공기 엔진에 대한 Health Assessment Task 에는 아래와 같은 3 가지 도전과제가 존재함

1. 공간적 복잡성 - 항공기 엔진은 압축기, 연소실, 터빈 등 여러 하위 시스템으로 구성되며 이들은 구조적, 기능적으로 밀접하게 결합되어 있음. 한 곳의 성능 저하는 다른 구성 요소에 연쇄적인 영향을 미치는 구조라고 할 수 있음
2. 시간적 비선형성 - 장기간의 극한 작동 조건은 엔진 부품의 기계적, 열역학적 거동을 비선형적으로 변화시킴
3. 동적 변동성 - 비행 단계에 따른 부하 변동과 환경 조건의 변화는 센서 데이터에 노이즈를 유발하여 실제 성능 저하와 일시적 변동을 구분하기 어렵게 만듦

• 기존 연구들에서 CNN, RNN, Transformer 등 딥러닝 기법이 다양하게 적용되어 왔으나, 공간적 의존성이나 시간적 의존성 중 하나에만 치중하는 경향이 존재함

• 또한, 다중 구성 요소가 결합된 복잡한 성능 저하 시나리오에서 중요한 센서와 시점을 동적으로 우선순위화하는 데 한계가 있었음

• 이에 따라 본 논문에서는 STAGCN 을 제안하며 이 모델은 시간적 상관관계를 모델링하고 공간적 관계를 reweighting 하여, 고차원 데이터에서 성능 저하와 밀접한 관련이 있는 핵심 센서 위치와 시점을 적응적으로 식별함

Proposed method

• 제안 모델은 Multivaraite Sensor data를 입력으로 받아 엔진의 현재 Health Index를 출력하는 Mapping function을 학습하는 것을 목표로 함
• 이를 위해 아래 세 단계를 거침

  1. 데이터 전처리 - 슬라이딩 윈도우 방식을 사용하여 불규칙한 길이의 시계열 데이터를 표준화된 3차원 블록으로 변환함
  2. 센서의 그래프 표현 - 센서 간의 물리적, 기능적 관계를 Adjacency Matrix로 Encoding하여 공간적 구조를 반영함
  3. STAGCN - Spatio-temporal Attention 과 Graph Convolution 을 결합하여 특징을 추출하고 Health Index로 변환함

Spatiotemporal Attention Model

• 해당 모델은 입력 데이터의 다차원적 관계를 활용하여 성능 저하 정보의 밀도 차이를 정량화함
• 또한, Temporal attention 이 먼저 성능 저하와 관련된 시점을 식별하고, 이 정보가 Spatial attention module로 전달되어 중요한 센서 channel을 찾는 Temporal-to-Spatial 흐름을 따름

Temporal Attention

• 항공기 엔진의 성능 상태 간의 시간적 상관관계를 포착함. 학습 가능한 파라미터를 통해 시간적 중요도 점수를 계산하고, Softmax를 통과시켜 정규화된 가중치를 생성함
• 이는 성능 저하에 민감한 특정 시간 구간을 강조하는 역할을 함

Spatial Attention

• Temporal attention이 적용된 입력을 바탕으로 센서 노드 간의 상관관계를 적응적으로 식별함. Spatial attention matrix는 각 센서 쌍 사이의 중요도를 나타내며, 이는 Graph convolution 과정에서 Adjacency matrix의 가중치를 동적으로 조정하는 데 사용됨

Turbofan engine health assessment model based on attention graph convolution network

• 입력된 센서 데이터를 기반으로 센서 네트워크를 그래프로 모델링하고 Chebyshev 다항식 근사를 사용하여 계산 효율성을 높인 Graph convolution 연산을 수행함
• 여러 개의 시공간 블록이 적층되어 동적인 시공간 상관관계를 추출하며, 마지막으로 Full-connected layer를 통해 Health Index를 출력함
• 또한, Spatial attention matrix를 사용하여 Chebyshev 다항식 항에 가중치를 부여함으로써 노드 간의 정보 전파를 동적으로 제어함. 이를 통해 모델은 성능 저하와 관련된 이웃 노드의 정보를 우선적으로 집계할 수 있음

Evaluation Metrics

• 제안 모델은 아래 3가지 지표로 평가됨

  1. RMSE - 예측된 HI와 실제 HI 사이의 오차를 측정하여 정확성을 평가함
  2. Robustness - 노이즈나 외란에도 불구하고 HI 곡선이 안정된 추세를 유지하는지 평가함
  3. Trendability - HI와 시간 간의 상관관계를 통해 엔진의 장기적인 성능 저하 패턴을 얼마나 잘 반영하는지 평가함

Experiments and Analysis

Single component performance degradation assessment

HPT 결함

• HPT 성능 저하는 전체 압력비 감소와 배기가스 온도 상승을 유발함. STAGCN 모델의 Attention map은 P2와 P40 등 물리적으로 관련된 파라미터에 높은 가중치를 부여하였으며 평가 결과 실제 HI와 매우 유사한 추세를 보임

Fan 결함

• Fan 성능의 저하는 연료 흐름과 배기가스 온도에 직접적인 영향을 줌. 모델은 Wf에 가장 높은 Attention을 집중시켰으며, 이는 물리적 메커니즘과 일치함

Multi-component coupling performance degradation assessment

HPT와 LPT의 결합

• HPT와 LPT의 성능 저하는 서로 상반되거나 복합적인 영향을 미침.
• HPT가 지배적인 구간에서는 Nf, SmFan 등에 Attention이 집중되었고, LPT가 지배적인 구간에서는 압축기 측 변수 등에 Attention이 이동함
• 모델은 이러한 상호작용을 감지하고, 하위 시스템 간의 결합 효과에 따라 Attention을 동적으로 조정함을 확인함

HPC와 LPC의 결합

• HPC와 LPC의 효율 및 유량 저하가 결합된 시나리오에서도 모델은 Nf, T50, P15 등 핵심 변수에 가중치를 두며 높은 정확도로 HI를 추정하였음

Compariative evaluation

Attention results

• 상위 5개의 Attention channel만을 사용했을 때 성능이 하락한 것을 통해, 모든 센서 데이터가 유의미한 정보를 포함하고 있음을 확인함.
• 또한, Spatiotemporal attention을 제거한 GCN 모델은 정확도와 강건성이 크게 떨어짐

Comparison of similar methods

• LSTM, GRU, 일반 GCN 등의 모델과 비교했을 때, STAGCN은 RMSE, 강건성, 추세성 모든 지표에서 우수한 성능을 보임

Comparison of SOTA methods

• Diffusion model 및 인과 모델과 비교했을 때, STAGCN은 RMSE 면에서는 Diffusion model과 비슷하거나 약간 낮았지만, Robustness와 Trendability 에서는 월등히 앞선 성능을 보임
• 이는 STAGCN이 노이즈가 많은 상황에서도 일관된 성능 저하 추세를 잘 포착함을 의미함

Discussion

Interpretability

• STAGCN은 단순히 정확한 예측을 하는 것을 넘어, Attention mechanism을 통해 어떤 센서와 어떤 시점이 성능 저하 판단에 중요한지를 시각적으로 보여줌
• 이는 실제 PHM 시스템에서 엔지니어에게 중요한 통찰력을 제공함

Complexity vs Performance

• STAGCN은 복잡한 모델 구조로 인해 훈련 시간이 일반 GCN이나 RNN 계열보다 약 2배 더 소요됨
• 그러나, 안전이 중요한 항공 엔진 분야에서는 이러한 계산 비용을 감수하더라도 높은 신뢰성과 정확도를 얻는 것이 중요함

Conclusion

• 본 논문은 복잡한 다중 구성 요소의 성능 저하가 결합된 시나리오에서 항공기 터보팬 엔진의 건전성을 평가하기 위한 STAGCN 방법을 제안함
• Spatiotemporal attention과 Graph Convolution의 통합은 성능 저하와 관련된 특징을 적응적으로 강조하고 추출하는 데 기여함
• 또한, N-CMAPSS 및 CMAPSS 데이터셋 검증을 통해 기존 방법론 및 최신 SOTA 방법론 대비 우수한 정확도, 강선성, 추세성을 입증함