전투기와 같은 항공 무기체계에서는 필요한 수리부속을 적절한 시점에 확보하는 것이 매우 중요합니다.
부품을 지나치게 많이 준비하면 재고 및 운용 비용이 증가하고, 반대로 필요한 부품이 부족하면 정비 지연으로 인해 항공기의 임무 수행 능력에 영향을 줄 수 있기 때문입니다.
이러한 문제를 해결하기 위해 활용되는 것이 **RSP(Readiness Spares Package, 준비태세 기반 수리부속 패키지)**입니다.
이번 글에서는 RAND Corporation의 연구보고서 Understanding the Limits of Artificial Intelligence for Warfighters: Volume 3, Predictive Maintenance를 바탕으로, 전투기 부품 고장 예측에 인공지능(AI)을 어떻게 적용하고 기존 통계 기반 방식과 비교했는지 살펴보겠습니다.
특히 A-10C 항공기 데이터를 활용한 신경망 모델의 평가 과정과 아키텍처 선택 방법을 중심으로 알아보겠습니다.
RSP란 무엇인가?
RSP는 항공부대가 작전 중 필요한 수리부속을 확보할 수 있도록 구성하는 준비태세 기반 수리부속 패키지입니다.
어떤 부품이 언제, 얼마나 고장 날 것인지를 정확하게 예측할 수 있다면 필요한 부품을 보다 효율적으로 준비할 수 있습니다.
하지만 실제 부품 고장은 일정하게 발생하지 않습니다.
운용시간, 비행 횟수, 부품 특성, 정비 이력 등 다양한 요소에 따라 고장 발생 빈도가 달라질 수 있기 때문입니다.
따라서 RSP를 구성할 때는 단순히 과거 평균 고장 횟수를 사용하는 것보다 향후 고장 수요를 얼마나 정확하게 예측할 수 있는지가 중요합니다.
기존 RSP 예측과 AI 기반 예측의 차이
기존 RSP 분석에서는 일정한 확률분포를 가정해 부품 고장을 예측하는 방식이 활용됩니다.
RAND 연구에서는 이러한 기존 방식과 AI 기반 예측 모델을 비교해, 인공지능이 부품 고장 예측 성능을 개선할 가능성이 있는지 평가했습니다.
연구의 핵심 질문은 다음과 같습니다.
- 기존 확률분포 기반 예측 방식은 실제 과거 데이터와 비교했을 때 어느 정도 정확한가?
- AI를 적용하면 부품 고장 예측 성능을 개선할 수 있는가?
- 기존 분석 방법을 보완할 수 있는 다른 방법은 무엇인가?
이를 확인하기 위해 A-10C 항공기의 과거 데이터를 활용한 여러 머신러닝 모델이 개발됐습니다.
AI의 잠재력은 어떻게 평가했을까?
AI 기반 부품 고장 예측의 잠재력은 크게 세 단계로 평가할 수 있습니다.
1. 기존 통계 기반 예측 방법의 한계 분석
먼저 기존 RSP 예측 방식이 실제 부품 고장 데이터를 얼마나 잘 설명하는지 확인했습니다.
기존 방식은 특정 확률분포를 가정해 향후 부품 수요를 예측합니다. 예를 들어 과거 평균 고장 횟수를 기반으로 포아송 분포와 같은 확률 모델을 적용하는 방식입니다.
하지만 실제 부품 고장은 항상 일정한 패턴으로 발생하지 않습니다.
따라서 먼저 기존 통계 모델이 실제 운용 데이터의 변동성과 복잡성을 얼마나 반영할 수 있는지 평가했습니다.
2. AI 기반 신경망 모델 개발 및 예측 성능 비교
두 번째 단계에서는 LSTM(Long Short-Term Memory)을 포함한 여러 신경망 모델을 개발했습니다.
모델에는 A-10C 항공기의 과거 운용 데이터가 입력됐으며, 이를 기반으로 향후 부품 고장 발생량을 예측하도록 구성했습니다.
이후 AI 모델의 결과를 기존 통계 기반 모델과 비교해 다음을 확인했습니다.
- 실제 고장 데이터를 얼마나 잘 예측하는가?
- 예측 오차가 얼마나 발생하는가?
- 기존 방식보다 개선 가능성이 있는가?
3. 실제 RSP 운영 관점에서 활용 가능성 평가
마지막 단계에서는 단순한 예측 정확도뿐 아니라 실제 군수 운영 측면에서 AI 모델이 의미가 있는지를 검토했습니다.
RSP에서는 모든 예측 오차가 같은 의미를 가지지 않습니다.
예를 들어 필요한 부품보다 적게 준비하는 경우는 정비 지연과 임무 수행 능력 저하로 이어질 수 있지만, 많이 준비하는 경우는 재고 비용 증가로 이어집니다.
따라서 AI 모델은 단순히 “예측값과 실제값의 차이가 작은가?”뿐 아니라, 아래의 관점에서도 평가해야 합니다.
- 부족 재고 위험을 얼마나 줄이는가?
- 재고 비용을 얼마나 최적화할 수 있는가?
- 실제 정비 운영 과정에서 활용 가능한가?
RSP에서는 ‘예측 오차의 방향’도 중요하다
일반적인 예측 모델에서는 실제값과 예측값의 차이를 줄이는 것이 중요한 목표입니다.
하지만 RSP 문제에서는 단순한 오차 크기만으로 모델을 평가하기 어렵습니다.
예를 들어 실제로 10개의 부품이 필요한 상황을 생각해 보겠습니다.
- 12개를 예측했다면 2개의 초과 재고가 발생합니다.
- 8개를 예측했다면 필요한 부품 2개가 부족해집니다.
두 경우 모두 수치상으로는 ‘2개’의 오차입니다. 하지만 실제 운용에서는 의미가 다를 수 있습니다.
부품을 조금 더 준비하는 경우에는 재고 비용이 증가하지만, 필요한 부품을 적게 준비하면 정비가 지연되고 임무 준비태세에 영향을 줄 가능성이 있기 때문입니다.
따라서 RSP 예측에서는 과소예측(underprediction)의 비용과 초과예측(overprediction)의 비용을 동일하게 볼 수 없습니다.
AI 모델을 평가할 때도 이러한 비대칭 비용(asymmetric cost)을 반영할 필요가 있습니다.
어떤 신경망 아키텍처를 사용했을까?
RAND 연구에서는 여러 형태의 신경망 구조를 비교했습니다.
각 아키텍처에는 공통적으로 6개월 동안의 A-10C 운용 관련 데이터가 입력됐으며, 이를 기반으로 향후 부품 고장을 예측하도록 구성했습니다.
모델은 크게 두 가지 접근 방식으로 나눌 수 있습니다.
네트워크 A: 부품 고장 수를 직접 예측
첫 번째 방식은 문제를 일반적인 회귀(regression) 문제로 처리합니다.
입력된 운용 데이터를 분석한 뒤 신경망이 예상되는 부품 고장 수를 직접 출력합니다.
구조가 비교적 단순하고 결과를 바로 확인할 수 있다는 장점이 있습니다.
네트워크 B·C·D: 확률분포를 이용해 예측
다른 신경망들은 부품 고장 수를 바로 출력하지 않습니다.
대신 특정 확률분포의 특성이나 파라미터를 출력하고, 해당 분포에서 값을 샘플링해 최종적인 예측 결과를 생성합니다.
이를 간단하게 표현하면 다음과 같습니다.
운용 데이터 입력 → 신경망 분석 → 확률분포 생성 → 확률분포에서 고장 수 추출
이 방식은 부품 고장이 항상 일정하게 발생하지 않는다는 불확실성을 모델 안에 포함시킬 수 있다는 특징이 있습니다.
최종적으로 네트워크 A를 선택한 이유
흥미로운 점은 네트워크 구조가 달라도 예측 성능 차이가 매우 크지는 않았다는 것입니다.
연구에서는 여러 신경망 아키텍처의 성능이 유사한 수준을 보였고, 분석을 단순화하기 위해 고장 수를 직접 예측하는 네트워크 A를 중심으로 이후 연구를 진행했습니다.
이 부분은 AI 모델 개발에서 중요한 시사점을 제공합니다.
모델의 구조가 복잡하다고 해서 반드시 더 좋은 예측 결과가 나오는 것은 아닙니다.
비슷한 성능을 얻을 수 있다면 데이터 처리와 운영, 유지보수가 쉬운 구조를 선택하는 것도 하나의 방법입니다.
AI를 적용하면 기존 RSP 예측을 완전히 대체할 수 있을까?
RAND 연구 결과를 보면 AI는 특정 부품의 고장 예측 성능을 개선하는 데 활용될 가능성이 있습니다.
특히 과거 운용 데이터를 학습해 기존 확률분포가 제대로 설명하지 못하는 패턴을 찾아낼 수 있다는 점이 장점입니다.
하지만 실제 국방 및 항공 분야에서 AI를 적용하려면 예측 정확도 외에도 해결해야 할 문제가 있습니다.
대표적인 것이 데이터 확보와 전처리입니다.
AI 모델을 학습하려면 충분한 과거 정비 및 운용 데이터가 필요하며, 여러 시스템에 분산된 데이터를 수집하고 정제하는 과정도 필요합니다.
또한 평시 운용 데이터만으로 학습한 모델이 전시와 같이 운용 환경이 크게 달라진 상황에서도 동일한 성능을 보장한다고 단정할 수 없습니다.
따라서 AI 기반 예측 모델을 실제 RSP 업무에 적용하기 위해서는 알고리즘 자체뿐 아니라 데이터 관리 체계와 실제 운용환경에 대한 검증까지 함께 고려해야 합니다.
전투기 부품 고장 예측에서 중요한 것은 ‘AI 자체’보다 적절한 모델 선택
전투기 부품 고장 예측에 AI를 적용하는 목적은 단순히 기존 통계 모델을 새로운 기술로 교체하는 것이 아닙니다.
중요한 것은 실제 부품 고장 데이터를 더 정확하게 설명하고, 필요한 수리부속을 적절하게 준비할 수 있는 예측 방법을 찾는 것입니다.
RAND의 연구는 기존 확률분포 기반 예측 방법과 LSTM을 포함한 AI 모델을 실제 데이터에 적용해 비교함으로써 이러한 가능성을 검토했습니다.
특히 이번 연구에서 살펴볼 수 있는 핵심은 다음과 같습니다.
- RSP에서는 부품 고장 예측 정확도가 재고 비용과 임무 준비태세에 직접적인 영향을 줄 수 있습니다.
- AI 모델은 기존 확률분포 기반 접근법을 보완할 가능성이 있습니다.
- 과소예측과 초과예측의 비용이 서로 다르기 때문에 이를 모델 평가에 반영해야 합니다.
- 복잡한 신경망이 항상 더 높은 성능을 보장하는 것은 아닙니다.
- AI 적용을 위해서는 충분한 데이터와 체계적인 데이터 처리 환경이 필요합니다.
결국 전투기 수리부속 예측에서 중요한 것은 특정 알고리즘 자체가 아니라 부품의 특성과 실제 운용 데이터를 가장 적절하게 반영할 수 있는 예측 모델을 구축하는 것이라고 할 수 있습니다.
향후에는 각 신경망과 예측 모델이 실제로 어떤 방식으로 구성되고, 기존 통계 기반 모델과 비교해 어떤 차이를 나타내는지 보다 구체적으로 살펴볼 수 있습니다.
RSP 내용 결정에 대한 인공지능 적용 가능성 평가 관련 문의
- 대표 문의: 02-420-3203
- 홈페이지: 기술 문의하기
