항공 엔진 고장 예측을 위한 자기조직화 지도 활용

초록

본 논문은 항공 엔진의 다변량 센서 데이터를 자기조직화 지도(SOM)로 2차원에 투영하여 시간에 따른 데이터 궤적을 시각화하고, 정상 궤적에서 벗어나는 변화를 조기에 탐지함으로써 고장을 예측하는 방법을 제시한다.

상세 분석

본 연구는 항공 엔진 유지보수의 비용 절감과 안전성 확보라는 두 가지 핵심 목표를 동시에 달성하기 위해 데이터 기반의 고장 예측 프레임워크를 설계하였다. 첫 번째로, 엔진 운용 중 실시간으로 수집되는 핵심 파라미터(코어 속도, 오일 압력·양, 팬 속도 등)와 환경 변수(외부 온도, 고도, 비행 속도 등)를 다차원 벡터로 구성하였다. 이러한 고차원 데이터는 전통적인 통계 분석이나 단순 임계값 기반 경보 시스템으로는 복합적인 상관관계를 포착하기 어렵다. 따라서 저자는 비지도 학습 기법인 자기조직화 지도(SOM)를 선택하였다. SOM은 입력 공간을 보존하면서 고차원 데이터를 2차원 격자에 매핑하고, 유사한 데이터는 인접한 뉴런에 할당되는 특성을 갖는다. 이를 통해 엔진 상태의 “정상 클러스터”와 “비정상 클러스터”를 시각적으로 구분할 수 있다.

두 번째로, 시간에 따른 엔진 상태 변화를 궤적(trajectory) 형태로 표현하였다. 각 비행 혹은 엔진 사이클마다 측정된 다변량 벡터는 SOM 상의 특정 위치에 매핑되고, 연속적인 측정값은 지도 위에서 연속적인 점들의 연속선으로 연결된다. 정상 운용 시 이러한 궤적은 일정한 패턴을 유지하거나 점진적인 이동만을 보이며, 이는 엔진의 자연적인 마모와 환경 변화에 따른 정상적인 drift를 의미한다. 반면, 고장 전조는 궤적이 급격히 다른 영역으로 전이하거나 비정상적인 진동을 보이는 형태로 나타난다. 저자는 이러한 궤적 변화를 정량화하기 위해 거리 기반 메트릭(예: Euclidean distance, Mahalanobis distance)과 궤적 곡률, 전이 속도 등을 계산하였다.

세 번째로, 다중 엔진·다중 항공기 상황을 고려하였다. 동일 엔진이 여러 항공기에 장착될 경우, 각 항공기의 운용 환경 차이가 데이터에 반영된다. SOM은 이러한 이질성을 자연스럽게 통합하며, 엔진별·항공기별 레이블을 부여함으로써 개별 엔진의 고유한 정상 궤적을 학습한다. 따라서 엔진 교체·재배치 시에도 기존 학습된 지도 구조를 재활용할 수 있어, 모델 재학습 비용을 크게 절감한다.

마지막으로, 실험 결과는 실제 운용 데이터(수천 건의 비행 사이클)에서 SOM 기반 시각화가 기존 임계값 기반 경보에 비해 조기 탐지율을 20~30% 향상시켰음을 보여준다. 특히, 오일 압력 급감과 코어 속도 비정상 상승이 동시에 발생하는 복합 고장은 궤적 전이가 뚜렷하게 나타나, 사전 예방 정비가 가능했다. 전체적으로 본 논문은 고차원 엔진 상태 데이터를 직관적인 2차원 시각화와 궤적 분석을 결합함으로써, 엔진 고장 예측의 정확도와 해석 가능성을 동시에 높인 점이 가장 큰 공헌이라 할 수 있다.