기존 머신러닝(Machine Learning) 분류기는 베어링 고장 진단 시 단순히 '확신 점수(confidence score)'만을 제공하여, 모델이 잘못 확신하는 경우와 실제로 예측이 모호한 경우를 구분하기 어려웠습니다. 이는 고장 진단 시스템의 신뢰성을 떨어뜨리는 주요 원인이었습니다. 최근 연구에서는 이러한 한계를 극복하기 위해 앙상블(Ensemble) 모델에 '뉴트로소픽(neutrosophic)' 분해 기법을 적용하여 예측의 불확실성을 더 정교하게 분석하는 새로운 접근 방식을 제안했습니다.
이 연구는 랜덤 포레스트(Random Forest), XGBoost, 로지스틱 회귀(Logistic Regression)로 구성된 앙상블 모델을 활용했습니다. 여기에 뉴트로소픽 분해를 통해 네 가지 지표를 도출했습니다. 바로 '최상위 클래스 증거(T-hat)', '최고 경쟁 클래스 증거(F-hat)', '예측 엔트로피(I1-hat)', 그리고 '결정 불일치(I2-hat)'입니다. 이 지표들은 CWRU 및 JNU 베어링 데이터셋에서 다양한 회전 속도 조건(600-1000 rpm)으로 평가되었으며, 특히 JNU 데이터셋의 어려운 조건에서는 로지스틱 회귀 모델이 다른 트리 기반 앙상블보다 훨씬 뛰어난 일반화 성능을 보였습니다. 흥미롭게도 예측 엔트로피(I1-hat)는 T-hat/F-hat을 넘어 오류와 강력한 연관성을 보였으며, 시간-영역 및 주파수-영역 모델을 융합하고 젠슨-섀넌 발산(Jensen-Shannon divergence)을 측정하는 방식이 단일 모델의 엔트로피보다 우수한 성능을 나타냈습니다.
이러한 불확실성 인식(uncertainty-aware) 접근 방식은 베어링 고장 진단 분야에 중요한 의미를 가집니다. 단순히 고장 여부를 예측하는 것을 넘어, 모델이 왜 특정 예측을 하는지, 그리고 그 예측이 얼마나 신뢰할 수 있는지에 대한 깊이 있는 통찰을 제공하기 때문입니다. 이는 오작동으로 인한 막대한 손실을 방지하고, 유지보수 일정을 최적화하며, 궁극적으로는 산업 현장의 안정성과 효율성을 크게 향상시킬 수 있습니다. 특히 예측이 모호한 상황에서 추가적인 검사나 개입이 필요한지 판단하는 데 결정적인 정보를 제공하여, 예측 오류로 인한 잠재적 위험을 줄이는 데 기여할 것으로 기대됩니다.