항공기 엔진의 잔여 유효 수명(RUL, Remaining Useful Life) 예측은 엔진이 얼마나 더 안전하게 작동할 수 있을지 가늠하여 유지보수 계획을 세우는 데 필수적인 기술입니다. 하지만 실제 비행 데이터를 기반으로 한 기존 N-CMAPSS 같은 데이터셋은 방대한 양과 다양한 비행 조건 변화가 섞여 있어, 엔진 열화(degradation) 신호와 운항 환경 변화를 분리하기 어려워 RUL 모델 성능 비교를 복잡하게 만들었습니다.
이러한 문제를 해결하기 위해 푸 청(Pu Cheng)과 먀오 치앙(Qiang Miao) 연구팀은 '크루즈벤치(CruiseBench)'라는 새로운 벤치마크를 제안했습니다. 크루즈벤치는 N-CMAPSS 데이터셋에서 항공기가 일정한 고도와 속도로 비행하는 '순항(cruise)' 구간만을 선별적으로 추출합니다. 이를 위해 'CPM-N-CMAPSS (Cruising-Period Mask for N-CMAPSS)'라는 마스크 아티팩트를 도입하여 순항 구간을 식별하고, 이 구간의 데이터만을 사용하여 RUL 예측 모델을 평가합니다. 이 방식은 가상 센서나 건강 매개변수를 제외하고 실제 측정된 센서 데이터만을 입력으로 사용하며, 데이터 전처리 과정을 고정하여 모델 간의 공정한 비교를 가능하게 합니다. 연구팀은 LSTM, GRU, TCN, TSMixer 등 다양한 딥러닝 모델로 실험을 진행했으며, TSMixer가 가장 낮은 평균 RMSE(3.4±1.71)를 기록하며 우수한 성능을 보였습니다.
크루즈벤치는 RUL 예측 모델의 개발과 평가에 있어 중요한 진전을 의미합니다. 순항 구간이라는 통제된 환경에서 모델 성능을 비교함으로써, 비행 단계 선택, 시간 스케일링, RUL 상한선 설정 등 다양한 요소가 모델 결과에 미치는 영향을 명확히 파악할 수 있게 되었습니다. 이는 항공기 엔진의 예측 유지보수(predictive maintenance) 기술 발전을 가속화하고, 궁극적으로 항공 안전성을 높이며 운영 비용을 절감하는 데 크게 기여할 것입니다. 또한, CPM-N-CMAPSS는 향후 전이 학습(transfer learning) 및 도메인 적응(domain adaptation) 연구를 위한 중요한 데이터 기반을 제공할 것으로 기대됩니다.