현장경험과 기계학습으로 예측정비 도전​

일본의 항공사 전일본공수(ANA)는 가혹한 환경에서 운용하는 항공기 정비에 있어서 정시성 (출발과 도착시간) 향상과 비용 절감을

목적으로 정비 현장의 풍부한 지식과 경험, 그리고 기계학습 기술을 조합한 「예측정비」에 도전하고 있다. 이 회사의 예측정비 추진 현황에 대하여 알아본다.

ANA 정비센터 부품사업실 장비품 정비부에서 아비오닉스(항공기 전자시스템)를 담당하는 시게토미 사다나리씨는 항공사 정비부문의 가장 큰 사명은

항공기 이용객들에게 안심과 안전, 쾌적성을 제공하는 것이라고 말한다. 정비 부문은, 항공기 메이커나 부품 메이커로부터 제공되는 정비 메뉴얼에 따라 매일 항공기 정비 업무를 실행하고 있다.

현대 항공기는 비행 중 만일 고장이 발생해도 안전하게 착륙할 수 있도록 철저히 설계되어 있다. 

문제는 해외 공항 등 정비 거점에서 멀리 떨어져 있는 장소에서 고장이 발생할 경우 현지에 정비사 파견과 부품, 공구 등을 준비하는 데 오랜 시간이 소요된다.

특히 수리 작업이 대규모로 이루어지면 운항 시간표와 비용에 큰 변화가 발생한다.

출발 지연이나 결항 같은 항공기 다운타임으로 이어지는 고장을 포함한 제반 문제를 가능한 한 줄이는 것이 정비 부문의 큰 목표 중 하나다.

정비 관점에서 항공기의 다운타임을 줄이는 접근법 중 하나는 기체를 구성하는 각종 기기나 시스템의 고장을 미연에 방지하는 예방보전이다.

시게토미씨에 의하면, 항공기는 전자화되어 있어 현재 기체에 탑재되는 다양한 센서에서 다종다양한 데이터를 취득할 수 있게 되어있다.

이러한 데이터를 활용해 정비 부문이 가지고 있는 풍부한 지식이나 경험, 기술력을 조합함으로써 예방보전을 실현해 나갈 수 있다.

ANA에서는, 이것을 독자적으로 「예측정비」라고 부른다.

정비 현장에는 매일 운항 데이터와 정비 기록 등 방대한 데이터가 축적되어 기체의 구조나 거동, 승무원의 조작 절차 등에 정통한 정비사들이 많이 활약하고 있다.

이러한 환경을 토대로 추진하고 있는 「예측정비」의 일환으로 시게토미씨 팀에서는, 미국 MathWorks의 수치 해석 소프트웨어 「MATLAB」를 이용해, 방대한 데이터와

기계학습으로 고장 징후를 파악하기 위한 알고리즘을 개발하여 점검 정비 업무에 활용하기 위한 프로젝트에 도전하고 있다.

추진 내용은, 미 Boeing사 787형 비행기(B787)의 공조 시스템으로, 외기를 흡입하여 압축하는 장치 「CAC:Cabin Air Compressor」의 「예측정비」에 관한 내용이다.

ANA는 B787을 세계 최초로 도입한 항공사로 2011년부터 B787을 국제선 및 일본 국내선 주력 기종 중 하나로 운항하고 있어 전세계 항공사 중에서 B787의 비행 실적이 가장 많다고 할 수 있다.

항공기 공조 시스템은 객실의 공기압력과 쾌적한 공조 상태를 유지하는 데 중요한 역할을 한다.

B787에는 안전을 위해 동일한 공조시스템이 2기 장착되어 있는데 객실 중앙 바닥 아래에 설치되어 있다.

지상과 달리 항공기가 수평 비행하는 고도 약 10㎞의 외기는 매우 저온 저압의 가혹한 환경이다.

CAC는 이 외기를 압축해 고온 고압 상태의 공기를 생성한다. CAC 원심압축기 구조의 내부는 과도한 회전과 진동, 온도변화가 매우 심하여 고장나기 쉽다.

CAC 개요와 공조장치의 관계

공조 시스템의 문제나 고장은 운항에 크게 영향을 미치므로 이 회사가 직접 분해 점검과 정비를 하고 있다. 따라서, 경험과 데이터, 노하우가 풍부하다.

전자 시스템에 밝은 시게토미씨와 공조 시스템에 정통한 정비사 코토 나오야씨 팀은 CAC를 구성하는 「Journal Bearing」 베어링부에서

데이터를 수집하여 이것을 토대로 고장의 전조 현상을 검출하는 알고리즘 개발을 목표로 세웠다.

이 회사의 과거 데이터를 보면 CAC에서 발생하는 부품의 문제 중 51%가 Journal Bearing이 차지한다.

이 데이터와 과거의 분해 정비 경험(도메인 지식)을 이용하여 Journal Bearing과 주변 부품의 상태를 확인하고 베어링 내부가 열화(劣化)되어 문제가 유발된다는 가설을 세웠다.

또 기술문서와 운항 데이터에서 CAC의 사용 및 주변 장비품 거동에 대한 통찰력을 동원하여 CAC 주변과 공조시스템, 객실 관련, 전기계통, 외적 환경 등 약 100개의 파라미터를 선정했다.

위의 가설 검증에는 약 300개의 운항 데이터(1기체의 1년간 비행 횟수)를 사용했다.

운항 데이터를 서버에서 CSV 파일로 출력하고 MATLAB에서 처리하는 형식의 파일로 변환해 수치해석으로 Journal Bearing이 열화되는 특징을 조사했다.

그러나 저널베어링은 가혹한 운항환경에서 가동되고 있어 시계열(時系列)적 운항 데이터로 열화 징후를 파악하기가 매우 어려운 것으로 나타났다. 

예를 들어 지상 주행 시(공항 내 이동)의 평균 외기온만을 수집해도 공항 소재지나 계절, 또 시각에 따라 조건이 크게 달라

이에 따른 Journal Bearing 거동의 변동 폭이 크고 기체에 탑승하는 이용객의 수 등도 Journal Bearing 거동에 영향을 주기 때문이었다.

검출 결과

위에 설명한 바와 같이 B787에는 동일한 공조시스템이 2기 설치되어 있다.

어떤 범위에서의 CAC 가동상태 평균값을 산출하고 병행 운전하는 2개의 CAC 차분(差分)을 계산하였다.

그 결과 2기의 CAC를 병행운전 할 때 어느 시점에서 균형 붕괴 현상이 생기는 것으로 나타났다.

단, 2기의 CAC 비교를 역치로 하여 이상을 찾아내기에는 불충분했기 때문에 과거 몇 년 분의 기체 센서 데이터와

정비기록을 티칭데이터로 이용하여 MATLAB의 「Statistics and Machine Learning Toolbox」에서 CAC의 이상을 파악하는 알고리즘을 작성했다.

이 알고리즘을 사용해 과거 데이터를 토대로 Journal Bearing의 이상을 찾아내도록 했더니 CAC의 고장으로 교환하기 직전 타이밍에 이상 현상이 증가하는 것을 알았다.

이 알고리즘을 이용함으로써 앞서 기술한 CAC 오류의 51%를 차지하는 Journal Bearing 오류를 포함한 23%의 오류를 검측했으며 정확도는 77%였다.

시게토미씨에 의하면, 가설 검증으로부터 알고리즘의 작성까지 약 4개월, 작성한 알고리즘 검증에 약 6개월 걸렸다고 한다.

이상 검측 모델 평가

현재 ANA의 정비 부문에서 개발한 알고리즘을 다수의 CAC 감시에 활용할 수 있도록 업무 시스템에 도입시키고 있다.

기체의 센서 데이터에서 특징을 추출하고 기타 외부 데이터를 조합하여 애드온 제품의 「MATLAB Compiler」

기능을 이용하여 특징량 추출, CAC 이상도(異常度)추정, 대시보드와 연계되는 데이터 출력 등을 일정 시간 간격으로 처리하여 이상도가 높은 순서대로 일람표 형태로 작성되어 나타낸다.

이상과 같이 ANA는 CAC의 이상(異常) 전조 현상 감시 업무를 효율화하고 있다. 현재까지 CAC의 이상 전조 현상을 여러 건 검측할 수 있었다고 한다.

이러한 방식으로 점검하여 고장을 사전에 방지할 수 있는 수법을 개발하기 위해 시험을 점점 높여가고 있다.

이번 프로젝트 추진을 통하여, 항공기 시스템의 고도화와 취득할 수 있는 데이터량의 증가에 따라, 「예측정비」의 적용 범위를 확대할 수 있게 되었다.

그리고 기계학습 기술의 활용으로 복잡한 시스템에서의 이상 검측에 적용할 가능성이 높아지고 있다.

한편, 항공기의 가혹한 운항 환경에서는 시계열적 데이터일지라도 변동이 큰 이상을 검측하기 위한 포인트 판별이 매우 어려워, 실제로 항공기를 운항하는

항공사 고유의 방대한 데이터나 정비 도메인 지식 활용이 그 과제 해결의 열쇠가 된다고 한다.

시스템이나 기기에 따라 센서의 종류나 취득 가능한 데이터의 종류가 달라지기 때문에, 이번 성과를 곧바로 확대해 가기는 어렵지만, 항공사의 경험이나 통찰력과

데이터를 융합하여 보다 더 좋은 솔루션을 제공할 수 있도록 「예측 정비」를 보다 더 적극적으로 추진해 갈 예정이라고 한다.

참조 | https://japan.zdnet.com/article/35205916/?utm_source=wpp&utm_medium=browser_push&utm_campaign=editorial-push