비행시험 데이터 기반 AI 이상탐지의 필요성
항공기 제작 시에는 다양한 비행 시험을 진행하는데, 실제 비행 환경에서 시험을 수행할 경우 예상치 못한 상황으로 위험성을 초래할 수 있습니다. 이를 줄이기 위해 실제와 유사한 환경 및 방법으로 지상에서 통합 비행시험을 수행하면서 보다 위험이 적고 다양한 상황을 반복 재현할 수 있는 시뮬레이터를 사용하고 있습니다. 이러한 환경에서 제공되는 데이터는 항공기 운항 중 정상/이상 여부를 판단할 수 있는 AI 모델 학습에 최적의 기반을 제공합니다. 이를 활용한 비행시험 데이터 기반 AI 시스템은 단순히 알려진 이상 상태만이 아니라, 발생 원인을 직관적으로 파악할 수 있는 기여도 기반 분석까지 가능해야 하며, 특히 이상이 정의되지 않은 Unknown anomaly까지 탐지할 수 있는 체계로 확장될 필요가 있습니다.
Unknown anomaly 대응력 확보와 MLOps 환경 구축
Transformer 기반 시계열 분류 모델을 활용해 Normal, Warning, Dangerous, Fail 등 비행 상태를 구간별로 예측했습니다. OpenMax 기법을 도입해 학습에 포함되지 않은 Unknown anomaly까지 탐지할 수 있도록 했습니다. Integrated Gradients 기반 변수 기여도 분석을 통해 이상 발생 시 어떤 입력 변수가 주요 원인이 되었는지 시각적으로 해석했습니다. 또한, 마키나락스의 Runway Lite 플랫폼을 기반으로 MLOps 환경을 구축해 모델 개발부터 운영까지 자동화했습니다.
엔지니어 의사결정 지원과 대응 속도 향상
알려진 이상 탐지에서 F1-score 0.9946(Normal: 0.9985, Warning: 0.9766, Dangerous: 0.9796, Fail: 0.9737)을 달성했습니다. 이상 발생 시 구간별 변수 기여도를 시각화해 현장 엔지니어가 원인을 빠르게 파악하고 대응할 수 있도록 지원했으며, Unknown anomaly 탐지 기능을 확보해 기존에 정의되지 않은 시나리오에도 대응할 수 있는 역량을 강화했습니다.
