전투기의 임무 준비태세를 유지하려면 필요한 수리부속을 적절한 수량으로 확보하는 것이 중요합니다. 부품 재고가 지나치게 많으면 비용 부담이 커지고, 반대로 필요한 부품이 부족하면 임무 준비 상태에 영향을 줄 수 있기 때문입니다.
이번 콘텐츠에서는 RAND 연구소의 ‘전투기를 위한 인공지능의 한계’ 연구 보고서를 바탕으로, 확률분포 기반의 RSP(Readiness Spares Package, 준비태세 기반 수리부속 패키지) 예측 방식이 가진 한계와 통계 분포의 적절성을 살펴봅니다.
특히 현재 부품 고장 분석에 활용되는 포아송 분포와 TOIMDR을 중심으로 정리합니다.
준비태세 기반 수리부속 패키지(RSP)란?
RSP는 전투기 운용 과정에서 필요한 수리부속을 확보해 임무 준비태세를 지원하기 위한 체계입니다.
원문에 따르면 미 공군은 비행부대를 배치할 때 30일 동안 자급자족할 수 있도록 충분한 부품을 비축하는 것을 RSP 최적화의 목적으로 두고 있습니다.
여기에서 중요한 것이 재고 관리입니다. 과잉 재고는 비용 증가로 이어질 수 있지만, 재고가 부족하면 임무 준비 상태를 위협할 수 있습니다.
따라서 어떤 부품이 고장 날 가능성이 있는지를 정확하게 예측하는 것이 중요합니다.
이러한 기존 RSP 고장 분석을 개선할 수 있는 방법으로 인공지능 적용 가능성이 검토되고 있습니다.
현재 RSP 고장 분석 방법의 한계
현재 RSP 부품 고장 예측 방식에는 몇 가지 한계가 있습니다. 원문에서는 특히 포아송 분포 가정, 비행 시간 중심의 예측, 데이터 부족을 주요 문제로 설명합니다.
포아송 분포를 이용한 부품 고장 예측
현재 방법은 부품 고장이 포아송 분포(Poisson Distribution)를 따른다고 가정합니다.
그러나 원문에서 소개한 RAND 연구에서는 실제 부품 고장 데이터가 이러한 가정을 충분히 뒷받침하지 않는다고 설명합니다.
현재 데이터에는 반복적인 고장이 충분히 포함되지 않았으며, 차량 구성 데이터 역시 포아송 분포가 아닐 가능성을 보여주는 정황이 있지만 어떤 유형의 고장이 포함되어 있는지는 명확하지 않습니다.
즉, 특정 확률분포를 기반으로 부품 고장을 예측하려면 실제 고장 데이터가 해당 통계 분포를 적절하게 따르는지 먼저 검토할 필요가 있습니다.
비행 시간 기반 고장률 예측의 한계
현재 방식에서는 비행 시간을 바탕으로 고장률을 추정합니다.
하지만 부품 고장에 영향을 줄 수 있는 요인을 충분히 고려하지 않고 비행 시간만으로 고장률을 추정하면 실제 고장 특성을 반영하는 데 한계가 있을 수 있습니다.
특히 원문은 특정 부품 고장의 회귀성과 전시 데이터의 부재를 고려할 때 TOIMDR이 어떻게 도출되는지가 불분명하다고 설명합니다.
TOIMDR란?
TOIMDR(Total Organizational Intermediate Maintenance Demand Rate)는 원문에서 전체 조직 중간 정비 수요로 설명됩니다.
RSP의 부품 고장 예측에서는 이러한 TOIMDR 매개변수와 실제 경험적 고장 데이터를 비교함으로써 현재 예측 방식이 실제 부품 고장 특성을 얼마나 반영하고 있는지 살펴볼 수 있습니다.
전시·우발 상황 데이터 부족 문제
또 다른 문제는 데이터 부족입니다.
RSP는 우발 상황에서 발생할 수 있는 부품 고장을 예측하도록 설계되어 있지만, 원문에서 인용한 전문가 의견에 따르면 미 공군이 최근 수십 년간 우발 상황 작전을 수행하지 않아 관련 데이터가 부족합니다.
따라서 평시 데이터를 이용해 전시 또는 우발 상황에서 발생할 부품 고장을 정확하게 예측하는 데에는 근본적인 어려움이 존재합니다.
A-10C RSP 데이터로 본 포아송 분포의 한계
원문에서는 이러한 문제를 살펴보기 위해 A-10C RSP 부품의 월평균 고장 데이터와 포아송 분포 기반 예측값을 비교합니다.
RSP 예측에서 통계 분포 적절성이 중요한 이유
RSP는 필요한 수리부속을 적절하게 확보하여 전투기의 임무 준비태세를 지원하는 데 활용됩니다.
따라서 실제 고장 특성과 맞지 않는 통계적 가정을 사용하면 필요한 부품 수요를 정확하게 추정하는 데 한계가 생길 수 있습니다.
이번 사례에서 중요한 점은 단순히 인공지능을 적용하는 것보다 기존 고장 데이터의 특성, 확률분포의 적절성, 비행 시간 이외의 영향 요인, 전시·우발 상황 데이터의 부족 문제를 함께 고려해야 한다는 것입니다.
결국 전투기 RSP 고장 예측을 개선하기 위해서는 실제 데이터를 기반으로 기존 통계 모델의 가정을 검토하고, 향후 AI 적용 가능성을 평가할 수 있는 데이터 기반을 확보하는 과정이 중요합니다. 이는 원문에서 소개한 RAND 연구의 문제의식을 바탕으로 정리한 내용입니다.
문의 및 기술 협력
- 대표 문의: 02-420-3203
- 홈페이지: 기술 문의하기
