우주 전력 시스템 건강관리 혁신: 인간‑AI 협업 기반 올인루프 솔루션

초록

본 논문은 위성 메가컨스텔레이션 시대에 급증하는 우주선 전력 시스템(SPS) 수명을 보장하기 위해 인간‑AI 협업(Human‑AI Collaboration, HAIC) 프레임워크인 SpaceHMchat을 제안한다. 작업 상태 인식, 이상 탐지, 고장 위치 파악, 유지보수 의사결정의 전 과정을 LLM 기반 대화형 에이전트와 도구 연동으로 자동화하고, 전문가와 조수의 역할을 최적화한다. 하드웨어‑실감형 결함 주입 플랫폼과 70만 개 이상의 타임스탬프를 포함한 XJTU‑SPS 데이터셋을 공개하며, 23개 정량 지표에서 90% 이상 정확도를 달성한다.

상세 분석

본 연구는 위성 메가컨스텔레이션(SMC) 시대의 특수성을 정확히 파악하고, 기존의 전통적 All‑in‑Loop Health Management(AIL HM) 프로세스가 직면한 세 가지 근본적 문제—인력 비용 폭증, 텍스트 정보 과부하, 운영 복잡성—에 대한 해결책을 제시한다. 핵심 아이디어는 ‘Underlying Capabilities Alignment (AUC) 원칙’으로, 각 서브태스크(작업 상태 인식, 이상 탐지, 고장 위치 파악, 유지보수 의사결정)의 본질적 특성을 분석하고, 인간이 수행하는 핵심 능력(논리적 추론, 도구 운용, 경험 기반 학습, 지식 검색)을 대형 언어 모델(LLM)의 대응 기능(체인‑오브‑쓰(Chain‑of‑Thought), 함수 호출, 파인‑튜닝, RAG)과 매핑한다.

1️⃣ 작업 상태 인식: 논리적 규칙과 의사결정 트리를 LLM에 프롬프트와 CoT 기법으로 주입함으로써, 인간 전문가와 동일한 수준의 논리적 추론을 구현한다. 실험 결과, 논리적 결론 정확도가 100%에 달한다.

2️⃣ 이상 탐지: LLM의 함수 호출(Function Calling)과 Model Context Protocol(MCP)을 활용해 기존 통계·머신러닝·딥러닝 기반 탐지 알고리즘을 자동으로 호출·실행한다. 99% 이상의 성공률을 보이며, 실시간 도구 연동이 가능함을 증명한다.

3️⃣ 고장 위치 파악: 과거 결함 데이터와 텔레메트리 시계열을 LoRA, SFT, GRPO 등으로 파인‑튜닝한 ‘전문가 LLM’에 학습시켜, 데이터 기반 패턴 인식을 통해 90% 이상의 정밀도로 고장을 식별한다. 이는 인간 전문가의 경험 축적 속도를 크게 앞선다.

4️⃣ 유지보수 의사결정: Retrieval‑Augmented Generation(RAG)과 지식베이스 쿼리를 결합해 방대한 설계·매뉴얼·로그 문서를 몇 분 내에 요약·제시한다. 평균 검색·응답 시간이 3분 미만이며, 의사결정 근거와 사고 과정을 투명하게 제공한다.

또한, 논문은 하드웨어‑실감형 결함 주입 실험 플랫폼을 구축해 실제 SPS와 동일한 전력, 전압, 온도, 전류 변동을 재현하고, 이를 기반으로 시뮬레이션 모델을 오픈소스화하였다. XJTU‑SPS 데이터셋은 4개의 서브데이터셋(Work Condition, Anomaly Detection, Fault Localization, Maintenance)으로 구성되며, 17종의 결함 유형과 700,000+ 타임스탬프를 포함한다. 이는 현재 공개된 우주 시스템 데이터 중 가장 규모가 크고, 인간‑AI 협업 연구에 최적화된 자료이다.

인력 구조 최적화 측면에서, SpaceHMchat은 ‘전문가‑조수‑AI’ 3계층 모델을 제안한다. 일상적인 모니터링·진단은 AI와 조수가 담당하고, 고난이도 판단·전략 수립은 인간 전문가가 개입한다. 이를 통해 수백 명 규모의 24/7 운영팀을 수십 명 수준으로 축소하면서도, 유지보수 효율성을 2배 이상 향상시킨다.

마지막으로, 투명성·해석 가능성 확보를 위해 LLM이 생성한 사고 흐름과 근거를 로그 형태로 저장하고, 사용자 인터페이스에 실시간으로 시각화한다. 이는 우주 임무의 높은 신뢰성 요구사항을 만족시키는 중요한 설계 요소이다.