동향

딥러닝 기반 항공안전 이상치 탐지 기술 동향

분야

건설/교통,기계

발행기관

한국전자통신연구원

발행일

2021.10.01

URL


초록

This study reviews application of data-driven anomaly detection techniques to the aviation domain. Recent advances in deep learning have inspired significant anomaly detection research, and numerous methods have been proposed. However, some of these advances have not yet been explored in aviation systems. After briefly introducing aviation safety issues, data-driven anomaly detection models are introduced. Along with traditional statistical and well-established machine learning models, the state-of-the-art deep learning models for anomaly detection are reviewed. In particular, the pros and cons of hybrid techniques that incorporate an existing model and a deep model are reviewed. The characteristics and applications of deep learning models are described, and the possibility of applying deep learning methods in the aviation field is discussed.
 

항공안전이란 지속적인 위해요인의 발굴과 위험관리를 통하여 인명피해나 재산 손실을 야기할 수 있는 위험을 수용 가능한 수준 이하로 유지하는 것을 말한다. 또한 항공안전 위해요인은 사고, 준사고 및 항공안전을 해치거나 해칠 우려가 있는 잠재적인 원인 또는 요인을 뜻한다[1].

시스템 분석 또는 운영 단계에서 발견된 항공안전 위험 분석을 위해서는, 안전활동에서 수집된 정보로부터 사후적(Reactive) 또는 사전적(Proactive)으로 위해요인, 발생 가능성, 심각도 등을 분석하여 잠재적 위험을 분석하고 정량화한다. 하지만, 이러한 방식은 항공안전의 위험을 예방한다는 측면에서 한계가 있으며, 항공비행자료(Flight Data)의 모니터링을 통한 예측적(Predictive) 방식으로 위해 요인을 식별할 필요가 있다.

항공산업은 과거의 기계적 결함을 거쳐 현대에는 종합적 결함을 식별하고, 예방하여 항공사고와 사고율을 줄이기 위한 다양한 접근을 시도하고 있다. 국제민간항공기구(ICAO)는 항행 안전과 사고예방을 위한 국제적 안전 표준 및 기준을 마련하여 193개의 체약국이 따를 것을 권고하고 있으며(ICAO Doc 10004, 2016), 전반적 안전관리 및 항공안전 향상을 위해 항공안전관리시스템(SMS: Safety Management System)의 실시를 의무화하였다.

인천국제공항의 SMS에 따르면 위해요인 식별은 다음과 같은 경우에 시행한다.

• 안전정보에서 사건의 원인, 불안전 상황, 위험의 전조가 기존에 확인되지 않았던 새로운 사항이 발견될 경우

• 기존에 확인되지 않았던 새로운 비정상 상태 및 운영 상태가 발견되고, 그 원인과 영향도를 평가할 수 없는 경우

• 정기적인 안전성과 모니터링 결과 설정된 관리범위를 초과한 경우

• 위험경감을 위한 새로운 안전대책, 또는 수정조치가 시행된 경우

• 조직의 변화, 규정의 변화, 새로운 기기의 도입 등 변화가 발생한 경우

이와 같이, 정상적인 비행 운영 상태에서 기존에 없던 새로운 사항 및 비정상 상태, 즉 이상치를 탐지(Anomaly Detection)하는 것은 항공안전 위해요인 식별에 중요한 역할을 한다. 이상치 탐지를 이용하여 특정 상황에서 비정상 비행의 원인이 되는 요소(Causal Factor)를 분석함으로써 항공안전 위험관리가 가능하다. 이상치 검출은 항공 분야뿐만 아니라 다양한 분야에서 기계학습(ML: Machine Learning)과 통계적 방법을 이용하여 연구가 진행되었다. 최근 딥러닝(Deep Learning) 분야에서는 빅데이터의 특성상 데이터 자체를 AI가 분석하여(Data-driven) 정상 상태에서 이상치를 검출해내는 연구가 진행되고 있다.

리포트 평점  
해당 콘텐츠에 대한 회원님의 소중한 평가를 부탁드립니다.
0.0 (0개의 평가)
평가하기
등록된 댓글이 없습니다.