4차 산업혁명과 센서 기술의 발전으로 인해 센서 데이터의 활용이 증가하고 있다. 현대 사회에서는 데이터의 복잡성이 증가하며, IT(Information Technology) 기술의 빠른 변화에 따라 데이터에서 얻을 수 있는 정보의 중요성 또한 증가하고 있다. RNN(Recurrent Neural Network)과 LSTM(Long Short-Term Memory)과 같은 모델은 자연어 처리(Natural Language Processing, NLP)에서 널리 사용되었으며, 이러한 모델은 시계열 예측에도 우수한 성능을 보여왔다.
이에 기반하여 NLP 분야에서 뛰어난 성능을 보이는 모델이 시계열 예측 분야에서도 우수한 성능을 발휘할 가능성이 매우 크다고 판단된다. 그러나 현재는 트랜스포머(Transformer) 모델을 활용한 시계열 예측에 관한 연구가 아직 미흡한 실정이다. 현재 빅데이터 분석 분야에서는 기존의 RNN, LSTM 모델이 트랜스포머 모델보다 더 우수한 성능을 보여주고 있다. 그러나 트랜스포머 모델의 지속적인 발전과 함께 GPT-2(Generative Pre-trained Transformer 2)와 ProphetNet 모델이 시계열 예측 분야에서 주목받고 있는 추세이다.
본 연구는 발전된 트랜스포머 모델을 활용하여 시계열 데이터를 패턴별로 분류하는 분류 성능과 잔여수명 범위의 구간 예측 성능을 확인하고자 한다. 절단 블레이드의 건전성 지표(Health Index, HI)를 수립하는 데 각 모델의 성능을 활용하였으며, 이를 통해 실시간으로 기계의 건강 상태를 확인할 수 있는 프로세스를 제안한다. 이 연구결과는 산업 현장에 적용될 경우, 발전된 트랜스포머 모델의 시계열 분야에서의 성능을 확인하고 기계의 모니터링, 평가, 관리에 유용하게 활용할 수 있을 것으로 기대된다.