서론

상태기반정비는 장비의 상태를 기반으로 탐지한 결함 여부 및 수준과 예측 잔여유효수명을 근거로 정비 필요성을 판단하는 정비전략이다[1]. 고장 발생에 맞춘 적기 정비를 통해 가동률을 높이고, 수명 비용을 절감하는 등 장비 운용 효율성 향상을 기대할 수 있다[2-3]. 이에 따라 항공, 함정, 기동 등 여러 분야 무기체계에 상태기반정비 개념을 활발하게 적용하는 반면, 감시·정찰 분야 무기체계의 상태기반정비 적용은 미비하다.

본 기고문에서는 대표적인 감시·정찰 무기체계인 열상감시장비(TOD, Thermal Observation Device)를 대상으로, 운용데이터 기반 고장분석을 통해 이상 탐지 및 잔여유효수명 예측이 가능한 상태기반정비 적용 방안을 소개한다.

상태데이터 수집 및 분석

대상 품목 및 데이터 선정

상태기반정비 대상 품목 선정

열상감시장비 구성품의 고장분석 결과, 검출기-냉각기 조립체, 광학부 몸체 조립체, 정렬용 장착판의 고장치명도가 높아 상태 모니터링의 필요하다고 판단했다.

다만 광학부 몸체 조립체와 정렬용 장착판은 단순 구조물로 외견상 고장식별이 가능하므로, 핵심구성품이자 고장치명도가 높은 검출기-냉각기 조립체를 상태기반정비 대상 품목으로 선정했다.

대상품목 상태데이터 선정

검출기-냉각기 조립체는 물체가 방사하는 적외선 정보를 전기신호로 변환하는 검출기와 검출기를 극저온으로 냉각하는 냉각기로 구성된다(그림 1).

검출기-냉각기 조립체의 대표적인 고장 현상은 냉각능력 미달로 발생하는 냉각 에러로, 발생 사유에 따라 데이터 수집을 통한 상태 모니터링 가능성을 분석할 수 있다(표 2). 특히, 입력전력은 검출기-냉각기 조립체의 고장상태를 직접 확인할 수 있어 상태지표로서 적합하다. 그러나 상태데이터를 수집하기에 물리적 제한이 있어 대상 장비의 상태 모니터링에 부적합하다.

반면 냉각기의 출력 데이터인 검출기 온도는 직·간접적으로 고장상태를 확인할 수 있어 상태지표로서 적합하다. 또한, 검출기-냉각기 조립체에 제어 및 전시를 위해 구성된 온도 센서를 이용해 검출기 온도를 측정할 수 있다. 그러므로 검출기-냉각기 조립체 냉각 에러에 대한 상태지표로 검출기 온도를 선정하였다.

데이터 수집 및 분석

상태데이터 수집

실제 운용환경 데이터 수집이 제한적이기 때문에, 외부 조건이 통제된 실험실 환경에서의 운용 데이터와 제작사의 시험 데이터를 정상(normal) 데이터로 활용했다. 이상(abnormal) 데이터는 고장을 유발해 확보하는 것이 바람직하나, 검출기-냉각기 조립체의 수리 시간 및 비용으로 인해 의도된 고장이 제한적이다. 그러므로 고장으로 제작사가 회수한 품목의 고장 데이터를 이상 데이터로 활용하였다.

실험실 환경의 운용 데이터와 제작사의 시험 데이터를 확보하여, 정상 데이터 7개, 이상 데이터 2개로 600초 크기의 9개 데이터 셋을 구성하였다.

상태데이터 분석 및 이상상태 기준 수립

검출기 온도 프로파일은 냉각이 시작되는 냉각구간(cooling)과 냉각이 종료되어 검출기 온도가 일정 온도로 수렴하는 유지구간(converging)으로 나뉜다(그림 2).

정상 및 이상상태 검출기의 온도 프로파일을 비교하면, 유지구간에서는 냉각 완료 이후 수렴온도에 차이가 있으며, 냉각구간은 냉각 완료 시점과 수렴온도에 유의미한 차이를 확인하였다(그림 3).

그림 3. 검출기 온도 프로파일 분석

정상상태 냉각구간은 검출기 온도가 제원에 따른 냉각 목표시간(10분) 내에 목표온도(80K)에 도달한다. 반면 고장상태의 냉각구간은 냉각 목표시간을 초과해 목표온도에 도달하거나, 시간과 무관하게 검출기 온도가 목표온도를 초과한다.

검출기 온도 프로파일의 이상상태 기준은 표 3과과 같다. 냉각구간에서는 냉각 목표온도(80K)와 목표시간(8분) 기준, 목표온도 미달, 목표시간 내 목표온도 미달 등 기준을 초과하는 경우, 이상상태라고 정의한다. 반면, 유지구간에서는 수렴온도가 냉각 목표온도 보다 일정(1K) 이상일 때 이상상태라고 정의한다.

상태기반정비 적용 방안

이상탐지 및 잔여유효수명 예측

이상탐지 모델

데이터 분류에 주로 사용되는 딥 러닝 모델은 DNN(Deep Neural Network)과 CNN (Convolution Neural Network)이다. DNN은 각 데이터를 독립적으로 보기 때문에 그래프 형태와 수치 변화를 민감하게 분류하는 데 한계가 있다. CNN은 DNN에 컨볼루션 필터를 추가해 데이터를 묶어 보기 때문에, 데이터 흐름과 그래프 형태 판별에 대한 신뢰도가 비교적 높다. 냉각 및 유지구간의 검출기 온도는 시계열 특성을 가지기 때문에 CNN 모델이 검출기-냉각기 조립체의 정상 및 이상 상태 분류에 적합하다.

검출기 온도 데이터의 CNN 모델은 Conv1D를 사용한 kernel size는 2, filter를 각 4, 16으로 설정한 2개 레이어를 설정하여 합성곱을 수행한다. Maxpooling 및 Flatten 레이어와 활성화 함수(ReLu, Softmax)를 사용하며, CNN 모델의 결과로 2개 확률을 출력한다. 출력 값은 정상‧이상상태와의 유사도이며, 정상상태 유사도가 0.75 이상이면 정상상태, 0.5 이상 0.75 미만이면 이상상태, 0.5 미만이면 고장상태라고 판별한다. 최적화 알고리즘을 적용하여 모델을 학습하고, 정확도(accuracy)와 손실(loss)함수를 사용하여 학습 결과를 검토하였다. 본 CNN 모델은 이진 분류이지만, 향후 다양한 고장 유형에 대한 적용 가능성을 고려하여, 이진 교차 엔트로피(binary cross-entropy)가 아닌 범주형 교차 엔트로피(categorical cross- entropy) 손실함수를 사용하였다.

확보한 데이터 셋 중 정상 데이터 셋 6개, 이상 데이터 셋 1개를 이상탐지 알고리즘의 학습 데이터로 활용하였다. 학습으로 구현한 CNN 이상탐지 모델에 시험 데이터를 적용한 결과, 정확도는 1.0, 손실률은 0으로 수렴하였다. 이는 분류된 결과와 실제의 차이가 없다는 것을 의미하므로 검출기-냉각기 조립체의 이상탐지 모델로서 적합함을 확인하였다.

잔여유효수명 예측 모델

잔여유효수명 예측 모델의 핵심은 과거 정보를 바탕으로 미래를 예측하는 것이다. LSTM(Long-Short Term Memory) 모델은 이전 상태를 관찰하여 가중치를 단계적 적용해 이후 상태를 예측하는 딥 러닝 기법이다. 검출기 온도 데이터의 시계열 특성을 고려하면 LSTM 모델은 검출기-냉각기 조립체의 잔여유효수명을 예측하기에 적합하다.

LSTM 모델을 학습하기엔 데이터 수가 충분하지 않기 때문에 동일 장비의 정상 및 이상 데이터 셋 각 1개를 이용해 중간 데이터를 확보하였다. 선형보간법을 적용해 중간 데이터를 생성한 후, 정상부터 이상까지 데이터를 결합하여 데이터 셋을 생성했다. 검출기 온도 데이터의 LSTM 모델은 32개 셀로 이루어진 단층이며, TimeDistributed 함수와 과적합을 방지하는 Dropout을 적용하였다. LSTM 모델의 결과는 각 시간별 예측 값을 출력한다.

모델 학습 횟수(epoch), Batch size, 레이어 수와 같은 LSTM 모델 입력 조건을 조합한 여러 모델의 결과를 비교 분석하였다. (epoch, Batch size, 레이어)=(100, 8, 2)로 구성된 LSTM 모델이 비교적 데이터 예측이 양호하고 모든 손실률이 0에 가깝게 확인되었다. 이는 예측된 결과가 시험(검증) 데이터와 차이가 미미함을 의미하므로 검출기-냉각기 조립체의 잔여유효수명 예측 모델로서 적합함을 확인하였다.

상태기반정비 적용 방안

딥 러닝 모델 설계를 적용한 검출기-냉각기 조립체의 냉각구간에 대한 상태기반정비 로직은 그림 6과 같다. 냉각구간에서 수집된 온도 데이터 셋에 이상탐지 모델에 적용하여 정상상태로 판별되면 다음 데이터를 수집한다. 이상상태로 판별되는 경우, 잔여유효수명 예측 모델을 적용해 해당 시점부터 30일 전의 온도 데이터를 분석해 이후 30일 동안의 냉각구간 온도를 예측한다. 예측결과를 다시 이상탐지 모델에 적용하여 이상상태라고 판별되면 고장 경고를 전시하고, 정상상태라면 앞서와 같이 다음 데이터를 계속 수집한다.

수렴구간의 온도 데이터는 냉각구간과 달리, 큰 변화 없이 거의 일정하다. 그러므로 수렴구간의 상태기반정비 로직에는 특별한 모델을 적용하지 않고 특정 값을 기준으로 그 이상일 때 결함과 고장에 대한 경고를 장비에 전시한다.

결론

본 기고에서는 열상감시장비를 대상으로 상태지표 선정, 데이터 수집 및 분석 등 거쳐 상태기반정비의 기반인 이상탐지 및 잔여유효수명 예측 기술을 구현하여 상태기반정비를 적용하는 방안을 제시한다.

구현한 이상탐지 및 잔여유효수명 예측 모델의 검증 결과는 양호하였다. 그러나 수집할 수 있는 데이터 수가 적고 데이터 다양성이 부족하여 딥 러닝 모델 검증 결과에 대한 신뢰도를 확신할 수 없다. 그뿐만 아니라 통제된 환경에서 수집한 단일 데이터를 상태지표로 사용했고, 운용환경, 다른 고장 원인 및 사례 등을 고려하지 않았기 때문에 실제 무기체계에 적용하는 것은 제한적이다.

고장 메커니즘, 상태지표, 이상탐지 및 잔여유효수명 예측 모델을 단순화했다는 한계점은 있으나, 검출기-냉각기 조립체는 IR(Infrared) 기반 감시정찰 장비의 필수 구성품으로 유사 무기체계에 광범위하게 적용할 수 있는 기술적 기초 연구라는 점에서 그 의의는 분명하다. 향후 실제 운용조건을 반영하고, 복합지표 적용, 야전 데이터 확보 등을 통해 이상탐지 및 잔여유효수명 예측 모델을 보완한다면, 본 기고에서 제시한 열상감시장비뿐 아니라 냉각식 검출기를 사용하는 감시·정찰 임무 장비에 최적화된 상태기반정비를 적용할 기반이 될 것이다.

국방 분야에 상태기반정비를 도입하려면, 기술적 연구를 실제 무기체계에 적용 및 운용하여 그 효과를 실증하는 연구가 뒷받침되어야 한다. 기술과 실증으로 이어지는 일련의 상태기반정비 연구를 통해 상태기반정비가 국방 분야에 안정적으로 정착되어 전군 무기체계 운용성 향상에 기여할 수 있기를 기대한다.