전투기와 같은 항공무기체계에서는 부품의 고장을 사전에 예측하고 필요한 수리부속을 적절하게 확보하는 것이 안정적인 운용과 정비 효율성 확보에 중요합니다.
이번 글에서는 전투기 부품 고장 예측을 위한 인공지능(AI)의 적용 가능성을 살펴보기 위해 RNN과 LSTM 신경망의 특징을 비교하고, 실제 부품 고장 예측에 적용할 수 있는 세 가지 예측 모델 접근법을 살펴봅니다.
비교 대상은 선형 회귀, LSTM 회귀 신경망, 비대칭 비용을 고려한 LSTM 회귀 신경망입니다. 특히 과소예측에 따른 수리부속 부족과 초과예측에 따른 재고 비용을 함께 고려하여 각 모델의 특성을 비교합니다.
전투기 부품 고장 예측과 RNN·LSTM 신경망
부품 고장 예측 성능을 평가하기 위해 데이터를 처리하는 신경망으로 RNN(Recurrent Neural Network)과 LSTM(Long Short-Term Memory)을 비교할 수 있습니다.
두 모델 모두 순차적인 데이터를 처리하는 신경망이지만, 장기간 축적되는 시계열 데이터를 처리하는 방식에서 차이가 있습니다.
RNN(순환 신경망)이란?
RNN은 이전 단계의 정보를 다음 단계의 연산에 활용하는 순환 구조를 가진 신경망입니다.
그러나 RNN에서는 오차 역전파(Backpropagation) 과정에서 결과값의 기울기가 0에 가까워질 정도로 작아져 가중치를 제대로 변경하지 못하는 기울기 소실(Vanishing Gradient) 문제가 발생할 수 있습니다.
LSTM 신경망과 시계열 데이터 분석
LSTM 신경망은 RNN에서 발생하는 장기 의존성과 기울기 소실 문제를 개선하기 위해 개발된 모델입니다.
LSTM은 시계열 데이터처럼 장기간 연속되는 데이터를 처리하는 데 효과적이며, 망각 게이트(Forget Gate)를 이용해 불필요한 정보를 제거하고 중요한 정보를 장기간 유지하는 방식으로 작동합니다.
따라서 장기간 축적되는 부품 데이터를 이용한 고장 예측에서는 RNN의 단점을 보완할 수 있는 LSTM 신경망을 활용할 수 있습니다.
전투기 부품 고장 예측 모델 3가지 접근법
전투기 부품 고장 예측에는 다음 세 가지 모델 접근법을 비교할 수 있습니다.
선형 회귀 → LSTM 회귀 신경망 → 비대칭 비용을 고려한 LSTM 회귀 신경망
각 모델은 실제 부품의 평균 고장과 예측된 고장 사이의 차이를 바탕으로 초과예측(Overstock)과 과소예측(Understock) 성능을 비교합니다.
1. 선형 회귀 기반 부품 고장 예측
첫 번째 방법은 선형 회귀(Linear Regression)입니다.
원문의 분석 결과에서 선형 회귀는 경험적 실패율과 관계없이 0~2개 사이의 부품을 예측하는 경향을 보여 예측 성능이 좋지 않았습니다.
또한 매월 약 41만 달러 상당의 부품을 과도하게 구매하면서도 동시에 높은 수준의 과소예측, 즉 수리부속 부족이 발생하는 것으로 나
2. LSTM 회귀 신경망 기반 부품 고장 예측
두 번째 방법은 LSTM 회귀 신경망(LSTM Regression Neural Network)입니다.
원문의 분석에서는 LSTM 회귀 신경망의 초과예측과 과소예측 성능이 경험적 포아송 분포와 매우 유사하게 나타났습니다.
신경망은 대부분의 경우 매월 ±2개 부품 이내에서 예측했으며, 월평균 약 110만 달러 상당의 부품을 초과 구매하는 것으로 나타났습니다.
3. 비대칭 비용을 고려한 LSTM 회귀 신경망
부품 고장 예측에서는 단순히 예측 오차를 줄이는 것뿐만 아니라 초과재고와 과소재고가 발생했을 때의 비용 차이도 고려할 필요가 있습니다.
원문에서는 이러한 문제를 반영하기 위해 비대칭 비용 함수(Asymmetric Cost Function)로 LSTM 신경망을 재훈련했습니다.
그 결과 신경망은 과소예측보다 초과예측을 선호하는 형태를 보였으며 과소재고는 거의 발생하지 않았습니다.
월평균 약 4~5개의 부품을 초과 구매하면서 월 지출액은 약 590만 달러로 나타났으며, 원문에 따르면 기존 포아송 분포를 사용할 때와 비교하여 약 2,510만 달러가 절감된 결과입니다.
비대칭 비용 함수 계산 방법
비대칭 비용을 고려한 LSTM 회귀 신경망에서는 예측값과 실제값의 차이를 동일한 비용으로 처리하지 않고, 예측 방향에 따라 비용을 다르게 반영하는 방식을 사용합니다.
원문에서는 다음 비용 함수를 이용해 LSTM 회귀 신경망을 계산합니다.
AI 기반 전투기 부품 고장 예측의 활용 가능성
이번 사례에서는 전투기 부품 고장 예측을 위해 RNN과 LSTM 신경망의 특징을 비교하고, 선형 회귀와 LSTM 기반 예측 모델의 성능을 살펴봤습니다.
RNN은 순차적인 데이터를 처리할 수 있지만 기울기 소실과 장기 의존성 문제가 발생할 수 있으며, LSTM은 이러한 문제를 개선하여 장기간의 시계열 데이터 분석에 활용할 수 있습니다.
또한 실제 수리부속 관리에서는 단순히 예측 정확도만 높이는 것이 아니라 부품 부족으로 발생할 수 있는 비용과 초과재고 비용을 함께 고려하는 접근이 필요합니다.
원문의 분석 결과에서는 비대칭 비용을 고려해 재훈련한 LSTM 회귀 신경망이 과소재고를 줄이면서 기존 포아송 분포 대비 비용 절감 가능성을 보여주었습니다.
RSP LSTM 기반 AI 적용 관련 문의
- 대표 문의: 02-420-3203
- 홈페이지: 기술 문의하기
