미 공군 RSP 예측을 위한 인공지능 기반 수리부속 관리 모델 연구에 대한 고찰

 

• 해당 논문은 2024년 한국신뢰성학회 추계학술대회에서 발표되었습니다.

 

미 공군 RSP 예측을 위한 인공지능 기반 수리부속 관리 모델 연구에 대한 고찰*
A STUDY ON AI-BASED SPARE PARTS MANAGEMENT MODEL FOR
PREDICTING READINESS SPARES PACKAGES (RSP) IN THE U.S. AIR FORCE

 

배성재(㈜모아소프트) · 이기영(㈜모아소프트) · 이정행(㈜모아소프트) · 김가현(㈜모아소프트)

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

 

1. 서론

인공지능(AI) 기술의 발전함에 따라 국방 분야에서도 인공지능 기술 적용에 대한 연구가 활발하게 진행되고 있다. 특히 지속유지성을 위한 신뢰도 기반의 고장 예측, 수리부속 최적화에 대한 관심이 커지고 있다. 본 논문은 2024년 미국 RAND 연구소에서 수행한 미 공군의 RSP(Readiness Spare Package)에 대해 인공지능(AI) 기반 예측 기술을 활용하여 항공기 수리 부속을 효과적으로 관리하기 위한 연구를 통해 향후 인공지능 기술을 수리부속 예측에 적용할 때 어떤 문제점들이 있을지 그리고 어떤 것들이 준비되어야 하는지 고찰하였다. 그리고 기존의 포아송 분포를 이용한 예측 방식은 한계를 확인하고, 인공지능 모델을 적용함으로써 이 한계를 어떻게 극복할 수 있는지 그리고 향후 발전 방향을 제시하였다.

 

 

2. 준비태세 수리부속패키지(RSP)의 개념

 

그림1. 소모성 수리부속 프로세스

 

• 준비태세기반 수리부속패키지(RSP)는 미 공군에서 임무 지속성을 보장하기 위한 핵심요소로서, 필수적인 수리부속들을 준비해두는 패키지이다. 전투 상황에서 발생하는 우발적인 부품 고장에 대비해 특정 기간(30일) 동안 항공기 또는 군 장비가 외부 지원 없이 자급자족할 수 있도록 한다.

 

• RSP의 최적화가 필요한 이유는 다음과 같다.

• 임무 준비성 향상 : RSP는 부품 고장 시 신속한 교체를 위해 설계되었으며, 최적화되지 않으면 부품 부족으로 인해 임무 수행에 차질을 빚을 수 있다
• 비용 절감 : 과잉 재고를 방지하면서 필요한 부품을 제공하여 비용 효율성을 높일 수 있습니다. 최적화는 재고 부족이나 과잉 문제를 해결하는 데 중요하다.
• 고장 예측 : 기존의 확률적 예측 방식은 부정확한 경우가 많으며, AI 기반 모델을 통해 더 정확한 고장 예측과 수리부속 관리가 가능하다.
• 전시 및 평시 데이터 차이 문제 해결 : 평시 데이터를 기반으로 한 예측에는 한계가 있으므로, 전시와 평시의 데이터를 고려한 RSP 최적화가 필요하다

 

 

3. 고장 예측 모델: 확률적 방법의 한계

 

그림2. RSP 구성 계산 절차와 경험적 고장률 – ASM 모델 고장률 매개변수 비교

• RSP는 우발 상황에서의 부품 고장을 예측하도록 설계되었으나, 최근 수십 년간 관련 데이터가 부족하여 고장 예측에 어려움이 발생하고 있다. 특히, 포아송 분포와 같은 확률적 모델은 실제 고장 패턴을 제대로 반영하지 못하며, 많은 부품 고장은 비행 시간과 비례하지 않고 특정 조건에서 빈번하게 발생할 수 있어 단순 모델로는 복잡한 패턴을 설명하기 어렵다. 현재 RSP 고장예측은 평시 데이터를 기반으로 하고 있어 전시 상황에서의 고장을 정확히 예측하지 못하며, 확률적 방법은 희소한 데이터를 반영하는 데 한계가 있다. 또한, 고장 예측 모델은 데이터 갱신이 부족하여 과거 데이터에 의존하게 되고, 최신 경향을 반영하는 데 어려움이 있다. 경험적 고장률과 ASM의 확률적 예측 모델을 비교한 결과, 평시 데이터를 외삽하는 방식으로는 고장 예측에 한계가 있음을 확인할 수 있었다

 

 

4. RAND 연구소의 AI 모델 4건 비교

 

그림3. 신경망 아키텍처 평가

 

• RAND 연구소는 신경망 아키텍처 네 가지를 비교하여 RSP 예측 성능 분석을 수행했다. 각 아키텍처는 장단기기억(LSTM) 구조를 기반으로 하여 시간적 데이터를 학습하고 예측했다.
• 아키텍처 A : 단순 회귀 신경망으로 직접 예측 값을 출력.
• 아키텍처 B : 예측 결과를 포아송 분포 기반으로 결과를 샘플링하여 출력
• 아키텍처 C : 영-과잉(Zero-Inflated) 포아송 분포로 고장률이 낮은 부품을 더 정확히 예측
• 아키텍처 D : 양자화(Quantized) 분포 기반 아키텍처, 신경망 출력 값을 분포 기반으로 예측

 

결과적으로 아키텍처 A (단순 회귀) 방식이 다른 분포 기반의 아키텍처들과 비교했을 때 가장 성능이 우수하였다. 복잡한 분포 기반의 예측은 모두 비슷한 성능을 보였으며 특정 상황에서는 아키텍처 A보다 성능이 떨어지고, 특히 희소한 데이터를 다룰 때에도 영-과잉 포아송 분포보다 더 나은 결과를 보여준다는 것을 확인하였다.

 

 

5. LSTM 회귀 신경망과 포아송 분포 비교

 

그림4. LSTM 회귀 신경망과 포아송 추정치 비교

 

• LSTM 기반 회귀 신경망은 대부분의 부품 고장을 ±2개의 부품 내에서 정확하게 예측했으며, 실제 고장 수치 간의 차이를 줄이는 데 매우 우수한 성능을 보였다.
• LSTM 신경망은 매달 약 5.9백만 달러의 비용 절감 효과를 기록하였고, 이는 기존 포아송 분포 모델이 초래한 310백만 달러의 과잉 재고 비용에 비해 현저히 개선된 결과이다.
• 비대칭 비용 함수를 적용하여 과소 예측을 줄이도록 모델을 조정하였으며, 이를 통해 더 많은 부품 고장을 예측하면서도 재고 부족 문제를 완화하고 지속성을 높일 수 있었다. 이 조정된 모델은 약 5백만 달러의 추가 비용을 발생시켰지만, 여전히 기존 포아송 분포 모델보다 비용 절감 효과를 유지하였다.
• 하지만, LSTM 신경망은 고장이 거의 발생하지 않는 부품에 대해서는 성능이 저하되는 경향을 보였으며, 이러한 경우 기존 포아송 분포 모델이 더 나은 성능을 발휘하였다. 이를 해결하기 위해서는 지속적인 데이터 수집/관리와 모델 훈련이 필요하다.

 

 

6. 결론

RAND 연구소의 보고서를 통해 인공지능, 특히 신경망 모델을 통해 수리부속 예측을 개선할 수 있음을 확인하였다. 신경망 모델을 사용하였을 때 현재의 확률 기반 예측보다 더 정확하게 부품 고장을 예측하고 약 25.1백만달러의 비용을 절감할 수 있는 것으로 평가되었다. 하지만 인공지능이 보다 더 효율적으로 활용되기 위해서는 추가적인 연구 및 정책의 변화가 필요하다고 판단된다. 현재 정비 데이터는 여러 시스템에 분산되어 있어 데이터를 추출 및 처리하는 과정이 매우 복잡하고 비효율적이기 때문에 데이터를 체계적으로 관리하고 자동화된 방식으로 처리할 필요가 있다. 따라서, 수리부속 최적화를 위한 인공지능의 성과를 극대화하기 위해서 데이터 관리의 효율성을 높이고, 희소 데이터를 반영할 수 있는 추가 연구가 필수적이다. OASIS와 같은 국내 수리 부속 예측 도구의 사례를 보았을 때 한국은 아직 고전적인 확률 분포 기반의 방법을 사용하고 있는 것으로 보인다. RAND 연구소의 연구 사례를 통해 국내에서도 이와 같은 인공지능 기반의 수리부속 예측 기법을 개발하고 효과적인 적용을 위한 체계적인 데이터 관리 플랫폼 구축 및 데이터 수집 기반을 마련해야 부품 관리의 효율성을 크게 향상 시킬 수 있을 것이다.

 

• 군수분야 AI 예측 기술 관련 문의 : 02-6945-2156 / Contact us – (주)모아소프트 (moasoftware.co.kr)