KR20230066871A - 비행 궤적 학습을 통한 비정상 운행 구간 검출 방법 및 장치 - Google Patents

Abstract

비행 궤적 학습을 통한 비정상 운행 구간 검출 방법 및 장치가 제공된다. 검출 장치가, 항공기 운항에 관련된 항공 데이터를 획득하고, 항공 데이터를 학습된 모델에 입력하여 비정상적인 항로가 발생하는 비정상 궤적을 구분하는 이상 탐지를 수행한다. 이상 탐지 결과에 따라 비정상 궤적이 검출되면, 상기 비정상 궤적이 검출된 운행 구간에 대응하는 항공 데이터를 선택하고, 비정상 궤적이 검출된 운행 구간에 대응하는 항공 데이터를 분석하여 상기 비정상 궤적이 검출된 오류 원인을 획득한다.

Description

비행 궤적 학습을 통한 비정상 운행 구간 검출 방법 및 장치{Method and apparatus for detecting abnormal operation section through flight trajectory learning}

본 개시는 항공기 비행 궤적 검출에 관한 것으로, 더욱 상세하게 말하자면, 비행 궤적 학습을 통해 비정상 운행 구간을 검출하는 방법 및 장치에 관한 것이다.

최근 항공 교통은 비약적으로 발전하고 있으며, 이에 따라 과거와는 비교할 수 없는 많은 데이터들이 끊임없이 생성되고 있다. 특히, 기존의 정형 데이터 위주에서 점차적으로 비정형 데이터와 반 정형 데이터 위주로 변화하고 있고 실시간으로 데이터가 생성되고 있기 때문에, 이러한 데이터들을 인력으로 분석하기 어려운 상황에 이르렀다. 인공 지능 기술의 발전에 따라 이러한 항공 데이터를 효과적으로 분석하기 위해 머신 러닝, 딥러딩, 강화 학습(Reinforcement Learning) 등 학습에 기반한 데이터 분석 방법이 점차적으로 활용되고 있다.

항공 사고는 단순한 경고 수준에서부터 수많은 인명 피해가 날 수 있는 수준까지 존재하며 이러한 문제가 발생할 수 있는 경우를 미리 파악하고 예방할 수 있도록 항공 데이터의 특성을 분석하고 이에 맞는 학습 모델을 선정하여 적용하는 것이 중요하다. 기존에 항공 교통 시스템은 사고가 발생한 후 항공기의 블랙박스 등을 수집하여 사고 경위를 분석하였지만 최근에는 사전 안전 패러다임을 기반으로 리스크 수준 측면에서, 비정상적인 항공 사건의 심각성을 예측하여 시스템의 안정성을 높이는 방향으로 변화하고 있다.

그러나 항공기 관련 데이터가 대부분이 정상적으로 운행되는 항공기에 관련된 것이므로, 이러한 데이터를 분석하여 비정상적인 상황을 판별하기가 어렵다.

본 개시가 해결하고자 하는 과제는 비정상적인 상황을 판별하기 위해 항공 데이터를 학습하고, 학습된 데이터를 기반으로 비정상적인 궤적이 발생하는 비정상 운행 구간을 검출하는 방법 및 장치를 제공하는 것이다.

또한, 본 개시가 해결하고자 하는 과제는 검출된 비정상 운행 구간에 대응하는 데이터를 기반으로 비정상 원인을 분석하는 방법 및 장치를 제공하는 것이다.

본 개시의 일 실시 예에 따르면, 항공기의 비정상 운행 구간을 검출하는 방법이 제공된다. 상기 방법은, 검출 장치가, 항공기 운항에 관련된 항공 데이터를 획득하는 단계; 상기 검출 장치가, 상기 항공 데이터를 학습된 모델에 입력하여 비정상적인 항로가 발생하는 비정상 궤적을 구분하는 이상 탐지를 수행하는 단계; 상기 검출 장치가, 상기 이상 탐지 결과에 따라 비정상 궤적이 검출되면, 상기 비정상 궤적이 검출된 운행 구간에 대응하는 항공 데이터를 선택하는 단계; 및 상기 검출 장치가, 상기 비정상 궤적이 검출된 운행 구간에 대응하는 항공 데이터를 분석하여 상기 비정상 궤적이 검출된 오류 원인을 획득하는 단계를 포함한다.

일 구현 예에서, 상기 비정상 궤적이 검출된 운행 구간에 대응하는 항공 데이터를 선택하는 단계는, 상기 비정상 궤적이 검출된 운행 구간에 속하는 항공 데이터들 중에서, 정상 궤적으로 판단된 경우에 대응하는 정상 궤적 항공 데이터와 비정상 궤적으로 판단된 경우에 대응하는 비정상 궤적 항공 데이터를 선택할 수 있다.

일 구현 예에서, 상기 비정상 궤적이 검출된 오류 원인을 획득하는 단계는, 상기 정상 궤적 항공 데이터와 상기 비정상 궤적 항공 데이터를 비교하고, 비교 결과가 설정 조건을 만족하지 않는 경우에 해당 비정상 궤적 항공 데이터가 오류 원인인 것으로 판단할 수 있다.

일 구현 예에서, 상기 비정상 궤적이 검출된 오류 원인을 획득하는 단계는, 상기 오류 원인이 되는 항공 데이터에 대한 이상 전조 증상을 도출하는 단계; 및 상기 이상 전조 증상을 기반으로 해당 항공 데이터에 대한 이상치 검출을 위한 임계값을 조정하는 단계를 포함할 수 있다.

일 구현 예에서, 상기 학습된 모델은 정상적으로 운행되는 항공기에 대한 항공 데이터를 기반으로 비행 궤적 학습이 수행된 모델일 수 있다.

일 구현 예에서, 상기 비정상 궤적을 구분하는 이상 탐지를 수행하는 단계는, 상기 항공 데이터 중 활주로로 접근하는 항공기의 착륙 접근 데이터를 기반으로 학습된 모델을 이용하여, 상기 학습된 모델로 입력된 착륙 접근 데이터에 대응하는 비행 궤적이 학습에 따라 설정된 바운딩 박스 내에 위치되는 경우 정상 궤적인 것으로 판단하고, 상기 바운딩 박수 외부에 위치되는 경우 비정상 궤적인 것으로 판단할 수 있다.

일 구현 예에서, 상기 비정상 궤적을 구분하는 이상 탐지를 수행하는 단계는, 상기 항공 데이터를 기반으로 학습된 LSTM(Long Short-Term Memory) 모델을 이용하여, 상기 모델로 입력된 항공 데이터에 대응하는 비행 경로의 비행 궤적이 상기 모델의 학습시 판정된 정상 궤적을 벗어나는 경우 비정상 궤적인 것으로 판단할 수 있다.

일 구현 예에서, 상기 비정상 궤적을 구분하는 이상 탐지를 수행하는 단계는, 상기 항공 데이터를 기반으로 학습된 KNN(K-Nearest Neighbor) 모델을 이용하여, 상기 모델로 입력된 항공 데이터에 대응하는 비행 궤적이 상기 모델의 학습시 판정된 비행 경로별 정상 궤적에 매칭되는 정확도를 획득하고, 상기 정확도를 기반으로 비정상 궤적 여부를 판단할 수 있다.

일 구현 예에서, 상기 비정상 궤적을 구분하는 이상 탐지를 수행하는 단계는, 상기 항공 데이터는 ADS-B(Automatic Dependent Surveillance-Broadcast) 데이터이며, ADS-B 데이터를 기반으로 학습된 모델을 이용하여, 상기 모델로 입력된 ADS-B 데이터에 대응하는 비행편의 비행 궤적이 상기 모델의 학습시 판정된 정상 궤적에 매칭되는 정확도를 획득하고, 상기 정확도를 기반으로 비정상 궤적 여부를 판단할 수 있다.

일 구현 예에서, 상기 항공 데이터를 획득하는 단계는, 상기 획득된 항공 데이터에 대한 데이터 정제 처리를 수행하는 단계를 포함할 수 있다. 이 경우, 상기 데이터 정제 처리는 상기 항공 데이터의 아웃라이어(outlier)와 노이즈를 제거하는 것, 상기 항공 데이터의 각 매개 변수의 단위를 매칭시키는 것을 포함할 수 있다.

일 구현 예에서, 상기 항공 데이터를 획득하는 단계는, 상기 항공 데이터로부터 피처(feature)를 생성하는 단계를 포함할 수 있으며, 상기 이상 탐지를 수행하는 단계는 상기 피처를 상기 학습된 모델에 입력하여 이상 탐지를 수행할 수 있다.

일 구현 예에서, 상기 피처를 생성하는 단계는, 상기 항공 데이터의 매개 변수 사이의 상관 관계를 분석하는 단계; 상기 상관 분석 결과를 기반으로 중복된 정보를 확인하고, 상호 상관 관계가 설정값 보다 높은 매개 변수 집합을 식별하는 단계; 상기 중복된 정보를 제거하고, 상기 식별된 집합에 포함되는 매개 변수들을 그 평균값으로 압축하는 상관 관계 완화를 수행하는 단계; 및 상기 상관 관계 완화 처리된 매개 변수들을 배열하여 대응하는 특징 벡터를 생성하는 단계를 포함할 수 있다.

다른 실시 예에 따르면, 항공기의 비정상 운행 구간을 검출하는 장치가 제공된다. 상기 장치는, 항공기 운항에 관련된 항공 데이터를 획득하도록 구성된 인터페이스 장치; 및 상기 항공 데이터를 기반으로 비정상 운행 구간을 검출하도록 구성된 프로세서를 포함하고, 상기 프로세서는, 상기 항공 데이터를 학습된 모델에 입력하여 비정상적인 항로가 발생하는 비정상 궤적을 구분하는 이상 탐지를 수행하는 동작; 상기 이상 탐지 결과에 따라 비정상 궤적이 검출되면, 상기 비정상 궤적이 검출된 운행 구간에 대응하는 항공 데이터를 선택하는 동작; 및 상기 비정상 궤적이 검출된 운행 구간에 대응하는 항공 데이터를 분석하여 상기 비정상 궤적이 검출된 오류 원인을 획득하는 동작을 수행하도록 구성된다.

일 구현 예에서, 상기 프로세서는, 상기 비정상 궤적이 검출된 운행 구간에 속하는 항공 데이터들 중에서, 정상 궤적으로 판단된 경우에 대응하는 정상 궤적 항공 데이터와 비정상 궤적으로 판단된 경우에 대응하는 비정상 궤적 항공 데이터를 선택하도록 구성될 수 있다.

일 구현 예에서, 상기 프로세서는, 상기 정상 궤적 항공 데이터와 상기 비정상 궤적 항공 데이터를 비교하고, 비교 결과가 설정 조건을 만족하지 않는 경우에 해당 비정상 궤적 항공 데이터가 오류 원인인 것으로 판단하도록 구성될 수 있다.

일 구현 예에서, 상기 프로세서는 상기 비정상 궤적이 검출된 오류 원인을 획득하는 동작 수행시, 상기 오류 원인이 되는 항공 데이터에 대한 이상 전조 증상을 도출하는 동작; 및 상기 이상 전조 증상을 기반으로 해당 항공 데이터에 대한 이상치 검출을 위한 임계값을 조정하는 동작을 추가적으로 수행하도록 구성될 수 있다.

일 구현 예에서, 상기 학습된 모델은 정상적으로 운행되는 항공기에 대한 항공 데이터를 기반으로 비행 궤적 학습이 수행된 모델일 수 있다. 상기 학습된 모델은 활주로로 접근하는 항공기의 착륙 접근 데이터를 기반으로 학습된 모델, 항공 데이터를 기반으로 학습된 LSTM 기반의 모델, 항공 데이터를 기반으로 학습된 KNN 기반의 모델, ADS-B 데이터를 기반으로 학습된 모델 중 적어도 하나일 수 있다.

일 구현 예에서, 상기 프로세서는 상기 항공 데이터를 획득하는 동작 수행시, 상기 획득된 항공 데이터에 대한 데이터 정제 처리 - 상기 데이터 정제 처리는 상기 항공 데이터의 아웃라이어와 노이즈를 제거하는 것, 상기 항공 데이터의 각 매개 변수의 단위를 매칭시키는 것을 포함함 - 를 수행하는 동작; 및 상기 정제 처리된 항공 데이터로부터 피처를 생성하는 동작을 수행하도록 구성될 수 있다.

일 구현 예에서, 상기 프로세서는 상기 피처를 생성하는 동작 수행시, 상기 항공 데이터의 매개 변수 사이의 상관 관계를 분석하는 동작; 상기 상관 분석 결과를 기반으로 중복된 정보를 확인하고, 상호 상관 관계가 설정값 보다 높은 매개 변수 집합을 식별하는 동작; 상기 중복된 정보를 제거하고, 상기 식별된 집합에 포함되는 매개 변수들을 그 평균값으로 압축하는 상관 관계 완화를 수행하는 동작; 및 상기 상관 관계 완화 처리된 매개 변수들을 배열하여 대응하는 특징 벡터를 생성하는 동작을 수행하도록 구성될 수 있다.

실시 예들에 따르면, 정상적인 수많은 항공 데이터를 기반으로 비행 궤적 학습을 수행하여 비정상 운행 구간을 검출하고, 검출된 비정상 운행 구간에 대응하는 데이터를 기반으로 오류 원인을 분석할 수 있다.

따라서, 기존의 항공 센서 데이터 분석 기술에 비해, 빅데이터인 항공 데이터를 기반으로 항공기의 비정상 상태를 용이하게 신속하게 파악할 수 있다.

또한, 비정상 운행 구간에서 발생된 데이터들에 대한 오류 분석 결과를 기반으로 앞으로 운행하게 될 항공기들의 이상 전조 증상을 사전에 판별할 수 있다. 또한, 이상 전조 증상을 기반으로 이상치 판별을 위한 임계값 조정이 이루어짐으로써, 이후에 보다 정확한 항공기 상태를 판별할 수 있다.

도 1은 본 개시의 실시 예에 따른 비행 궤적 학습을 통한 비정상 운행 구간을 검출하고 오류를 분석하는 방법의 흐름도이다.
도 2는 본 개시의 실시 예에 따른 데이터 정제 과정을 나타낸 흐름도이다.
도 3은 본 개시의 실시 예에 따른 피처 생성 과정을 나타낸 흐름도이다.
도 4는 본 개시의 실시 예에 따른 학습 과정을 나타낸 흐름도이다.
도 5는 본 개시의 실시 예에 따른 비정상 운행 구간 검출 및 오류 분석 과정을 나타낸 흐름도이다.
도 6 내지 도 10은 본 개시의 실시 예에 따른 비정상 궤적 검출 결과를 나타낸 예시도이다.
도 11은 본 개시의 실시 예에 따른 성능 평가 과정을 나타낸 흐름도이다.
도 12는 본 개시의 실시 예에 따른 비정상 운행 구간 검출 장치의 구조를 나타낸 도이다.
도 13은 본 개시의 실시 예에 따른 방법을 구현하기 위한 컴퓨팅 장치를 설명하기 위한 구조도이다.

아래에서는 첨부한 도면을 참고로 하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

본 명세서에서 단수로 기재된 표현은 "하나" 또는 "단일" 등의 명시적인 표현을 사용하지 않은 이상, 단수 또는 복수로 해석될 수 있다.

또한, 본 개시의 실시 예에서 사용되는 제1, 제2 등과 같이 서수를 포함하는 용어는 구성 요소들을 설명하는데 사용될 수 있지만, 구성 요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 개시의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.

이하, 도면을 참조하여 본 개시의 실시 예에 따른 비행 궤적 학습을 통한 비정상 운행 구간 검출 방법 및 장치에 대하여 설명한다.

항공 교통 시스템에서 사용되는 데이터는 FDR(Flight Data Recorder) 데이터, ASRS(Aviation Safety Reporting System) 데이터, FOQA(Flight Operations Quality Assurance) 데이터, ADS-B(Automatic Dependent Surveillance-Broadcast) 등이 있다. FDR 데이터는 비행 중 항공기에서 발생하는 현상을 기록하기 위한 디지털 장치로부터 수집된다. ASRS 데이터는 비행이 종료된 후 항공 관계자에 의해서 보고 시스템에 저장되는 데이터이다. FOQA 데이터는 항공기 운항이 종료되면 항공기의　DFDAU(Digital Flight Data Acquisition Unit)와 연결된　QAR(Quick Access Recorder)로부터 획득된다. ADS-B 데이터는 항공기의 감시 정보(항공기 식별 부호(Callsign), 위치, 속도, 방향 등)를 1초 단위로 지상의 ATC(Air Traffic Control) 시스템과 다른 항공기에 실시간으로 방송(broadcast)하며 ADS-B 수신기를 통해 수집될 수 있다.

FDR 데이터, ASRS 데이터, FOQA 데이터의 경우, 비행이 종료된 후 이벤트들을 수집해서 분석하는 방법이 사용되며, ADS-B 데이터의 경우 현재 비행기의 운항과 관련된 사항을 실시간으로 수집해서 분석하는 방법이 사용된다.

기존의 항공 데이터 분석은 방대한 양의 항공 데이터에서 비정상적인 비행 패턴을 탐지하기 위한 목적을 가지고 있다. 이러한 개발의 근본적인 근거는 비행 중 항공기의 기계적 부품에 잠재적 문제가 있는 경우, 이러한 문제에 대한 증거가 FDR과 같은 항공 데이터에 포함될 가능성이 높다는 것이다. 따라서 이러한 데이터의 분석을 통해 항공기 내 잠재적 문제가 발생하기 전에 이를 탐지할 수 있고, 이러한 탐지 기술은 높은 수준의 고장 진단에 활용될 수 있으므로 항공사 유지보수 운영 개선에 도움이 될 수 있다.

그러나, FDR 데이터는 그 양이 매우 많으므로 사람이 제한된 시간 내에 모든 데이터를 분석하기 어렵다. 이에 따라 데이터 마이닝 기법과 컴퓨팅 자원을 이용한 FDR 데이터의 자동화된 데이터 분석 알고리즘을 사용한다. FDR 데이터는 1Hz와 4Hz 단위로 생성되는 수많은 센서 데이터로 구성된다. 이 센서 데이터는 항공기가 운항 중인 상황에서 시계열(timeseries) 데이터로 생성되며, 각 센서의 임계값(threshold)을 벗어나는 데이터와 항공 이벤트(화재 등)가 발생한 센서 데이터를 검색하여 사고가 발생한 시간을 역추적한다. 그리고, 그 시간 전후의 데이터를 분석하여 발생한 이벤트의 원인이 되는 데이터 값을 추출하게 된다.

이와 같이 기존 방법은 이미 발생한 이벤트를 기반으로 데이터를 역추적하여 원인을 찾아내는 프로세스를 기반으로 한다.

그러나, 항공기의 비행은 엄격한 규정으로 이루어지기 때문에 비행의 대부분은 정상적으로 수행된다. 이 경우 항공 데이터는 데이터 분석 알고리즘을 사용해도 정상 판정을 받을 확률이 높아지기 때문에 기존의 방식을 사용하게 되면 많은 자원을 소비하게 된다.

또한, 실제 항공 데이터의 경우 환경적 요인 및 활주로 상황에 따라 비정상으로 보이는 궤적이지만 실제 데이터를 분석하면 정상으로 판별되는 데이터들이 존재한다. 이 경우에도 비록 운항은 정상적이었지만 추가적인 궤적으로 비행하는 동안 연료 등의 에너지 소모가 많아지기 때문에 운행 계획의 측면에서는 비정상 데이터로 간주될 수 있다.

본 개시의 실시 예에서는 대부분이 정상적으로 운행되는 항공기에 대한 정상적인 수많은 항공 데이터를 기반으로 비행 궤적 학습을 수행하여 비정상 운행 구간을 검출하고, 검출된 비정상 운행 구간에 대응하는 데이터를 기반으로 오류 원인을 분석하고자 한다. 특히, 학습된 데이터를 기반으로 비정상적인 항로가 발생하는 비행편을 구분하는 이상 탐지(Anomaly Detection)를 하고, 비정상 원인이 되는 데이터를 분석한다.

이를 위해, 첫 번째로, 항공 원시(RAW) 데이터를 수집하여 학습을 위한 데이터로 변환한다. 이 경우, 센서에서 발생하는 노이즈를 제거하고, 비교 대상인 비행편 사이의 센서 데이터 단위를 일치하며 학습을 위한 데이터로 변환한다.

두 번째로, 변환된 데이터를 기반으로 피처(feature)를 생성한다. 중복된 정보를 확인하고 상호 상관 관계가 높은 매개변수 집합을 식별하며, 상관 관계가 높은 매개 변수들 사이의 다중 결합 효과를 약화시키고, 모든 샘플링된 매개 변수들을 배열하여 고차원 벡터를 형성한 후 고차원 벡터의 차원을 축소한다.

세 번째로, 학습 모델을 선택하고 학습에 필요한 데이터를 정규화하며, 평가를 위한 학습 데이터를 생성한다.

네 번째로, 이상 탐지 결과를 이용하여 비정상 궤적이 발생한 비정상 운행 구간의 원인을 추출하는 원인 분석을 수행한다.

다섯 번째로, 학습 모델의 성능을 평가하고 피드백 정보를 다시 학습 모델 생성에 반영한다.

도 1은 본 개시의 실시 예에 따른 비행 궤적 학습을 통한 비정상 운행 구간을 검출하고 오류를 분석하는 방법의 흐름도이다.

먼저, 항공 원시(RAW) 데이터를 획득한다(S100). 항공 원시 데이터는 FDR, ADS-B, ASRS, FOQA 등을 통해 획득되는 데이터이며, 비행 궤적이나 항공기 내 센서 데이터를 포함한다. 센서 데이터는 비행에 영향을 주는 매개 변수(예: 날개 각도, 비행 조정 각도 등)를 측정한 데이터 및 비행에 영향을 주지 않는 매개 변수(실내 조명, 온도, 습도 등)를 측정한 데이터를 포함한다. 항공 원시 데이터는 항공기 내에 저장된 형태로는 사용될 수 없고, 분석을 하기 위한 시스템으로 파일로 저장되거나, 네트워크를 통한 스트리밍 혹은 ADS-B 리시버 등을 통해 실시간 수신되는 형태로 사용될 수 있다.

다음에, 획득된 항공 원시 데이터를 정제한다(S110). 항공 원시 데이터는 시간 정보를 포함하는 시계열(timeseries) 데이터이며, 정상 데이터 이외에 이상 값과 측정 노이즈를 포함한다. 따라서, 데이터를 이용하기 전에, 이러한 오류를 제거해야 한다.

도 2는 본 개시의 실시 예에 따른 데이터 정제 과정을 나타낸 흐름도이다.

데이터 정제 과정 수행시, 도 2에서와 같이, 항공 원시 데이터 내의 아웃라이어(outlier)와 노이즈를 제거한다(S111).

또한, 항공 원시 데이터에서 각 매개 변수는 비행 내내 기록되므로, 항공기 자체의 비행 경로에 따라 항공기의 비행 패턴이 달라질 수 있다. 또한, 각 매개 변수는 서로 다른 샘플링 속도(Sampling Rate)로 기록되기 때문에 시계열 항공 원시 데이터는 직접 비교할 수 없는 경우가 있다. 이에 따라 항공 원시 데이터를 기반으로 피처(feature)를 생성하기 전에, 항공 원시 데이터의 단위 매핑을 수행한다. 즉, 항공 원시 데이터는 특정 이벤트에 의해 비교 가능한 데이터 공간으로 매핑한다. 이를 위해, 기본적으로 각 매개 변수의 샘플링 속도를 일치시킨다. 예를 들어, 1Hz 단위로 측정된 데이터와 4Hz 단위로 측정된 데이터를 비교하기 위해서는 샘플링 속도를 일치시켜야 하며, 이를 위해 데이터 샘플링을 수행한다(S112).

이를 위해, 본 개시의 실시 예에서는 설정 시점에서 역방향으로 n개의 샘플을 추출하는 방법을 사용한다. 여기서 설정 시점은 도착 시점이다. 일반적으로 항공기가 착륙하는 시점에서 사고 발생의 확률이 높기 때문에 이러한 사고를 분석하기 위해, 도착 시점에서 역방향으로 n개의 샘플을 추출하여 데이터로 사용한다. 또한, 항공 원시 데이터 중에서 설정 위도, 설정 경로, 설정 고도를 가지는 데이터를 추출하여 사용한다. 예를 들어, 설정 위도, 설정 경로, 설정 고도는 착륙 공항에 대응하는 값들로 설정될 수 있다.

이러한 데이터 샘플링 과정을 수행한 후, 비교하고자 하는 데이터의 매개 변수의 값 범위를 균일화하기 위해 데이터 변환을 수행한다(S113).

예를 들어, 고도 데이터 압력 데이터의 경우, 일반적으로 압력은 물리적으로 고도에 대해 음의 비례하기 때문에, 이러한 압력과 고도를 변환하지 않고 동일한 그래프에 표시하면, 상관 관계를 이해하기 어렵다. 이를 위해, 각 데이터에 대해 평균, 표준편차, 지연(lag) 데이터(예를 들어, 머신 러닝에서 더 정확한 학습을 위해 현재 데이터에 삽입하는 이전 데이터를 나타내며, 예를 들어서, 하기의 표 1 및 표 2에서 지연_위도, 지연_경도, 지연_고도가 지연 데이터임)를 사용하여 데이터(압력, 고도 등)을 변환시킨다.

일 예로, 학습을 위해, 모든 데이터가 같은 정도의 스케일(중요도)로 반영되도록 해주는 위해 값 범위를 균일화하는 정규화를 수행한다. 예를 들어, 센서로부터 입력된 데이터들이 다음과 같다고 가정한다.

1	2	3	4	5	6	7	8	9	10
타임스탬프	위도	경도	고도	속도	방향	Callsign	지연_위도	지연_경도	지연_고도
0	34.7244	134.3995	30700	372	302	AAR111	35.0165	133.8271	36000
61	34.7798	134.2917	32375	378	301	AAR111	35.0716	133.7185	35975
126	34.8398	134.1746	34200	377	301	AAR111	35.1248	133.6128	35950
188	34.8976	134.0613	35425	383	301	AAR111	35.1807	133.5012	36000
250	34.9545	134.9495	36000	374	301	AAR111	35.2380	133.3867	34525
318	35.0165	134.8271	36000	372	301	AAR111	35.2935	133.2757	34000
380	35.0716	134.7185	35975	365	301	AAR111	35.3514	133.1593	34000

위의 표 1에서, 위도와 경도가 다른 값의 분포를 가지고 있으며, 이 두개를 비교하면 값의 범위가 다르기 때문에 학습을 해도 나중에 좋지 못한 결과가 나올 수 있다. 이를 해결하기 위해, 위도 각각의 값에 대한 평균, 표준 편차를 구하는 정규화를 수행한다. 이에 따라 위도, 경도, 고도 등의 피처들이 비슷한 분포로 범위가 좁혀진다.

1	2	3	4	5	6	7	8	9	10
타임 스탬프	위도	경도	고도	속도	방향	Callsign	지연_위도	지연_경도	지연_고도
-0.9201	-0.3220	0.8100	-1.7691	-2.0751	-0.9105	AAR111	-0.3200	0.8109	-1.5955
-0.9185	-0.3215	0.8102	-1.7227	-2.0751	-0.9191	AAR111	-0.3196	0.8111	-1.5697
-0.9178	-0.3212	0.8104	-1.7003	-2.0666	-0.9191	AAR111	-0.3190	0.8112	-1.5422
-0.9161	-0.3207	0.8106	-1.6522	-2.0666	-0.9105	AAR111	-0.3188	0.8112	-1.5336
-0.9148	-0.3202	0.8108	-1.5955	-2.0323	-0.9105	AAR111	-0.3182	0.8113	-1.5026
-0.9141	-0.3200	0.8109	-1.5697	-1.9979	-0.9105	AAR111	-0.3173	0.8113	-1.4597
-0.9132	-0.3196	0.8111	-1.5697	-1.8778	-0.9536	AAR111	-0.3165	0.8113	-1.4287

위의 예시된 표 2를 참조하면, 데이터 정규화를 통해 각각의 값들의 범위가 수십~수만까지의 범위에서 -3.0~1.0의 범위로 좁혀진다. 결과적으로 비슷한 분포로 데이터의 범위를 줄임으로써 나중에 매칭하고자 하는 범위를 좁힐 수 있다.

데이터 정제 후에, 정제된 항공 원시 데이터로부터 분석을 위해 필요한 피쳐들을 생성한다(S120).

도 3은 본 개시의 실시 예에 따른 피처 생성 과정을 나타낸 흐름도이다.

피쳐를 생성하기 위해서는 분석에 필요한 매개 변수 사이의 상관 관계를 검토하는 것이 중요하다. 예를 들어, 항공 데이터의 경우 고도와 관계가 있는 여러 개의 매개 변수가 존재할 수 있다. 이러한 상관 관계는 분석 성능을 저하시킬 수 있기 때문에, 상관 분석을 수행하여 중복되는 정보를 확인한다.

구체적으로, 도 3에서와 같이, 먼저, 매개 변수 사이의 상관 관계를 분석하는 상관 분석을 수행한다(S121). 정제된 항공 원시 데이터에 포함된 매개 변수들에 대해 상관 분석을 수행하여, 중복된 정보를 확인하고, 상호 상관 관계가 높은 매개 변수 집합을 식별한다. 예를 들어, 비행 운항 관련한 이벤트별로 서로 상관 관계가 높은 매개 변수들이 미리 설정될 수 있으며, 이를 기반으로 항공 원시 데이터로부터 상호 상관 관계가 높은 매개 변수를 식별할 수 있다.

이후, 상관 분석 결과를 기반으로 상관 완화를 수행한다(S122). 상관 관계를 완화시키기 위해, 서로 상관 관계가 높은 매개 변수들의 값을 그 평균값으로 압축한다. 이를 통해, 특성 벡터의 차원을 줄일 수 있도록 여러 매개 변수를 줄일 수 있다. 각 매개 변수의 특성은 서로 다르기 때문에 연속 매개 변수와 이산 매개 변수를 개별적으로 분석한다. 즉, 특징 벡터를 비교할 때 각 매개 변수 유형에 대해 서로 다른 유사성 측정을 수행하고, 유사성을 기반으로 상관 완화를 수행할 수 있다. 상관 완화를 수행하는 방법은 위에 기술된 것에 한정되지 않는다.

이후, 상관 완화 처리된 매개 변수들을 배열하여 대응하는 특징 벡터 즉, 고차원 벡터를 형성한다(S123). 그리고 고차원 벡터들에 대한 차원 축소를 수행한다(S124). 예를 들어, PCA(Principal Component Analysis)를 사용하여 고차원 벡터의 차원을 축소한다.

위에 기술된 바와 같이, 항공 원시 데이터로부터 피처 데이터를 생성한 후, 도 1에서와 같이, 생성된 피처 데이터를 기반으로 모델의 학습을 수행한다(S130).

도 4는 본 개시의 실시 예에 따른 학습 과정을 나타낸 흐름도이다.

첨부한 도 4에서와 같이, 학습을 위해, 먼저 학습 모델을 선택한다(S131). 예를 들어, ML(Machine Learning) 혹은 DL(Deep Learning) 모델을 사용한다. ML 모델은 NN(Nearest Neighbour), 클러스터링(Clustering) 기법 등이 주로 활용된다. 또한, DL 모델은 피쳐 추출, 정상 상태 학습을 통해 이상치 스코어(anomaly score)를 검출하며, 오토인코더(autoencoder)와 GAN(Generative Adversarial Network) 등을 이용한다.

이후, 선택된 학습 모델을 기반으로 학습을 수행하며, 이에 따라 학습 결과에 따른 학습된 데이터가 생성된다(S132). 학습 수행에 따라 모델 별 결과가 획득되며, 이때, 모델 파인 튜닝(Fine-Tune) 기능을 이용하여, 학습된 모델의 파라미터를 조정할 수 있다(S133).

다음에, 학습된 모델을 기반으로 비정상 운행 구간을 검출하여 오류 분석을 수행한다(S140).

도 5는 본 개시의 실시 예에 따른 비정상 운행 구간 검출 및 오류 분석 과정을 나타낸 흐름도이다.

학습된 모델을 기반으로 항공기의 정상 궤적의 범주에 속하지 않는 비정상 궤적을 찾을 수 있다. 실질적으로 위의 단계(S100~S130)를 통해 대부분이 정상적으로 운행되는 항공기에 대한 정상적인 수많은 항공 데이터를 기반으로 선택된 모델을 이용하여 비행 궤적 학습이 이루어진다. 이후, 정상 상태의 비행 궤적 학습이 이루어진 모델에, 테스트 데이터를 입력하여 비정상 궤적 즉, 비정상적인 항로가 발생하는 비행편을 구분하는 이상 탐지를 수행한다(S141).

도 6 내지 도 10은 본 개시의 실시 예에 따른 비정상 궤적 검출 결과를 나타낸 예시도이다.

구체적으로, 도 6은 항공 데이터 중 활주로로 접근하는 항공기의 착륙 접근(landing approach) 데이터를 기반으로 학습된 모델을 이용하여 이상 탐지를 수행한 결과를 나타낸 예시도이다.

활주로로 접근하는 항공기에 대해 정상 접근 또는 비정상 접근을 판별하기 위해, 도 6의 (a)에서와 같이, 활주로와 항공기 사이의 거리, 높이, 로컬라이저(localizer)로부터의 수평 유도 정보, 항공기가 착륙할 때 지면과의 각도(활공각(glide slope)) 등의 수직 유도 정보 등을 기반으로, 바운딩 박스(bounding box)(B)가 설정된다. 이러한 바운딩 박스(B)는 공항마다 상이할 수 있다.

착륙 접근 데이터를 기반으로, 할주로로 접근하는 항공기의 궤적을 검출하면 도 6의 (b)와 같다. 정상적으로 활주로로 접근하는 황공기의 경우에, 궤적이 바운딩 박스 내부에 위치된다. 항공기에 대한 정상적인 수많은 항공 데이터를 기반으로 모델을 이용하여 비행 궤적 학습이 이루어진다. 이와 같이 학습된 모델에 테스트 데이터를 입력하면, 도 6의 (c)에 예시된 바와 같이, 정상 접근인 경우에는 대응하는 궤적이 바운딩 박스내에 위치되며, 비정상 접근인 경우에는 대응하는 궤적이 바운딩 박스 외부에 위치된다. 따라서 비정상 접근이 이루어진 비행편을 구분하는 이상 탐지가 이루어진다.

또한, 도 7은 LSTM(Long Short-Term Memory) 모델을 이용하여 이상 탐지를 수행한 결과를 나타낸 예시도이다.

항공 데이터를 기반으로 하는 출발지(예: 청주)에서 목적지(예: 제주) 까지의 비행 궤적은 도 7의 (a)와 같을 수 있다. 정상적인 수많은 항공 데이터를 기반으로 LSTM 모델을 이용하여 비행 궤적 학습이 이루어진다. 이와 같이 학습된 모델에 테스트 데이터를 입력하면, 비행이 정상적으로 이루어진 경우에는 도 7의 (b)에 예시된 바와 같이 정상적인 비행 궤적이 검출되고, 비행이 비정상적으로 이루어진 경우에는 도 7의 (c)에 예시된 바와 같이 비정상적인 비행 궤적(예: 고어라운드 등)이 검출된다. 따라서, 비정상 비행 궤적(또는 비정상 궤적이라고 함)이 이루어진 비행편을 구분하는 이상 탐지가 이루어진다.

또한, 도 8은 KNN(K-Nearest Neighbor) 모델을 이용하여 이상 탐지를 수행한 결과를 나타낸 예시도이다.

항공 데이터를 기반으로 하는 비행 경로별로 비행 궤적은 도 8의 (a)와 같을 수 있다. 비행 경로는 예를 들어, 서울->중국, 서울->동남아 등의 출발지와 목적지에 따른 경로를 나타낸다. 정상적인 수많은 항공 데이터를 기반으로 KNN 알고리즘의 모델을 이용하여 비행 궤적 학습이 이루어진다. 이와 같이 학습된 모델에 테스트 데이터를 입력하면, 입력된 데이터가 각 비행 경로별로 해당 비행 경로에 대응하는지에 대한 정확도(accuracy)가 출력된다. 예를 들어, 테스트 데이터가 제1 비행 경로(예: 서울-> 중국)에 대응하는 경우에는 제1 비행 경로에 대해 도 8의 (c)와 같이 약 90.1434의 정확도가 출력된다. 테스트 데이터가 제1 비행 경로에 대응하지 않는 경우에는 정확도가 낮은 값을 갖게 된다. 따라서 테스트 데이터를 학습된 모델에 입력하여 획득되는 정확도에 따라 임의 비행 경로에 대해 정상적인 비행 궤적이 이루어졌는지 아니면 비정상적인 비행 궤적이 이루어졌는지에 대한 이상 탐지가 이루어진다.

또한, 도 9 및 도 10은 ADS-B 데이터를 기반으로 이상 탐지를 수행한 결과를 나타낸 예시도이다.

ADS-B 수신기로부터 ADS-B 데이터를 기반으로 하는 비행 궤적은 도 9의 (a)에 예시된 바와 같을 수 있다. 여기서 도 9의 (a)는 정상적인 ADS-B 데이터에 대응하는 정상적인 비행 궤적을 나타낸다. 이러한 ADS-B 데이터를 비행편(콜 사인(Callsign))별로 분류하여 비행 궤적을 학습한다(도 9의 (b)). 이와 같이 학습된 모델에 테스트 데이터를 입력하면, 입력된 데이터가 임의의 비행편에 대응하는 정상적인 비행 궤적을 가지는 경우, 도 9의 (c)와 같이 정확도가 예를 들어, "0.9825"의 높은 값을 가지게 된다.

반면, ADS-B 수신기로부터 ADS-B 데이터가 비정상인 경우 대응하는 비행 궤적은 도 10의 (a)에 예시된 바와 같을 수 있다. 학습된 모델에 테스트 데이터를 입력하면(도 10의 (b) 참조), 입력된 데이터가 임의의 비행편에 대응하는 비정상적인 비행 궤적을 가지는 경우, 도 10의 (c)와 같이 예를 들어, 정확도가 "0.7606"의 낮은 값을 가지게 된다. 따라서 테스트 데이터를 학습된 모델에 입력하여 획득되는 정확도에 따라 정상적인 비행 궤적이 이루어졌는지 아니면 비정상적인 비행 궤적이 이루어졌는지에 대한 이상 탐지가 이루어진다.

또한, 일 예로 비 지도 학습(Unsupervised Learning) 모델을 이용하여 비행 궤적 학습이 이루어지며, 이러한 비 지도 학습 모델에 테스트 데이터를 입력하여 비정상 궤적이라고 판별되었을 때, 어떠한 피처들의 관계성에 의해 비정상이 나왔는지를 판별할 수 있으며, 판별 결과에 따라 다시 데이터를 정제하거나 다른 방법으로 학습이 수행될 수 있다. 데이터를 잘 정재해서 정상 데이터와 비정상 데이터를 입력할 경우, 이러한 학습 모델은 정상 상태를 학습해서 정상의 경우를 저장하며, 이후 비정상 데이터가 입력되면 비정상이라고 판정한다.

위에 기술된 바와 같이, 정상 상태의 비행 궤적 학습이 이루어진 모델에, 테스트 데이터를 입력하여 비정상 궤적을 찾은 다음에, 비정상 궤적에 대응하는 비정상 운행 구간(또는 운행 시간)의 데이터를 선택한다(S142). 비정상적인 항로가 발생하는 비행편에 대응하는 항공 데이터 중에서, 비정상 궤적이 검출된 비정상 운행 구간에 속하는 데이터를 선택한다.

그리고 선택된 비정상 운행 구간의 데이터를 분석하여 어떠한 오류 원인으로 인해서 비정상 궤적이 발생하였는지를 분석한다(S143). 이에 따라 비정상 궤적이 발생된 오류 원인이 획득된다. 예를 들어, 비정상 운행 구간에 속하는 데이터 중에서 정상 궤적으로 판단된 경우에 대응하는 데이터(정상 궤적 데이터)와 비정상 궤적으로 판단된 경우에 대응하는 데이터(비정상 궤적 데이터)를 비교하고, 비교 결과가 설정 조건을 만족하지 않는 경우에 해당 비정상 궤적 데이터가 오류 원인인 것으로 판단할 수 있다.

이후, 오류 원인 분석 결과를 기반으로 이상 전조 증상(precursor)을 도출할 수 있다(S144). 이러한 이전 전조 증상은 차후 항공 데이터의 이상치를 추정하기 위한 기준값으로 사용될 수 있다. 예를 들어, 오류 분석 결과에 따라 임의의 센서 데이터가 비정상 궤적을 유발시킨 오류 원인으로 판단된 경우, 해당 센서 데이터의 값을 이상 전조 증상으로 판단할 수 있다. 이러한 이상 전조 증상은 이후 이상치 발생 여부를 판단하기 위한 새로운 임계값으로 사용될 수 있다. 예를 들어, 임의 날개의 비행 각도에 대해 20도가 이상치 발생 여부를 판단하기 위한 임계값인 것으로 가정하자. 이 경우, 오류 원인 분석 결과 25도에서 비정상 궤적이 유발된 것으로 판단되면, 이상 전조 증상인 25도를 차후의 이상치 발생 여부를 판단하기 위한 새로운 임계값으로 사용한다.

따라서 이상 전조 증상을 기반으로 항공기 이상과 관련된 임계값에 대한 적응형 조정이 이루어진다.

한편, 도 1에서, 학습이 수행된 후, 성능 평가가 이루어질 수 있다(S150).

도 11은 본 개시의 실시 예에 따른 성능 평가 과정을 나타낸 흐름도이다.

비정상 궤적을 추출하기 위한 학습 모델은 추가적인 데이터나 반복적인 학습을 통해 성능을 평가한다(S151). 성능 평가시, 정확도, 재현율, 정밀도 등을 측정하거나, 또는 클러스터링 성능 평가 지표를 비교 분석하거나, 또는 이상치 스코어, 이상 유무 레이블링을 통해 학습 모델을 평가한다. 본 개시의 성능 평가 방법은 이러한 것에 한정되지 않는다.

성능 평가가 이루어진 후, 피드백 재반영 기능을 통해 학습 모델에 그 결과를 반영한다(S152).

마지막으로 학습 결과를 리포팅하며, 예를 들어, 도식화 등을 통해 학습 결과를 사용자에게 리포팅한다(S153).

위에 기술된 바와 같은 본 개시의 실시 예에 따르면, 정상 궤적을 학습에 의해 분석하고 학습된 모델을 기반으로 비정상 궤적을 용이하게 검출하고 비정상 궤적을 검출한 후 연관된 항공 데이터의 오류 원인을 알 수 있다. 이에 따라 기존의 항공 센서 데이터 분석 기술에서 사용하는 센서별 임계값을 이용하여 이상값을 발견하고 관련된 이벤트를 추출하는 방식에 비해, 빅데이터에 기반한 항공기의 비정상 상태를 빨리 파악할 수 있다.

도 12는 본 개시의 실시 예에 따른 비정상 운행 구간 검출 장치의 구조를 나타낸 도이다.

첨부한 도 12에서와 같이, 비정상 운행 구간 검출 장치(1)는 데이터 획득부(10), 데이터 정제부(20), 피처 생성부(30), 학습 처리부(40), 이상 탐지부(50), 비정상 구간 획득부(60), 오류 분석부(70) 및 성능 평가부(80)를 포함한다.

데이터 획득부(10)는 항공기 운항에 관련된 데이터 즉, 항공 데이터를 획득하도록 구성된다. 여기서 항공 데이터는 FDR, ADS-B, ASRS, FOQA 등으로부터 획득되는 비행에 영향을 주는 매개 변수를 측정한 데이터 및 비행에 영향을 주지 않는 매개 변수를 측정한 데이터를 포함한다.

데이터 정제부(20)는 데이터 획득부(10)로부터 전달되는 항공 데이터(항공 원시 데이터라고도 명명됨)에 대한 노이즈 제거, 단위 매핑, 변환 등의 데이터 정제 처리를 수행하도록 구성된다.

피처 생성부(30)는 데이터 정제부(20)로부터 전달되는 정체 처리된 항공 데이터를 기반으로 피처를 생성하도록 구성된다. 특히, 데이터에 포함되는 매개 변수들의 상관 분석을 수행하여 중복되는 정보를 확인하고, 상관 관계를 완화시키고 이를 기반으로 특징 벡터를 생성한다.

학습 처리부(40)는 피처 생성부(30)로부터 제공되는 데이터를 학습 데이터를 기반으로 모델을 학습하도록 구성된다.

이상 탐지부(50)는 학습 처리부(40)에 의해 학습된 모델에 테스트 데이터를 적용하여 비정상 궤적 즉, 비정상적인 항로가 발생하는 비행편을 구분하는 이상 탐지를 수행하도록 구성된다.

비정상 구간 획득부(60)는 이상 탐지부(50)의 결과를 기반으로 비정상 궤적에 대응하는 비정상 운행 구간(또는 운행 시간)의 데이터를 선택하도록 구성된다.

오류 분석부(70)는 비정상 운행 구간의 데이터를 분석하여 어떠한 오류 원인으로 인해서 비정상 궤적이 발생하였는지를 분석하도록 구성된다. 오류 분석부(70)는 비정상 운행 구간에 속하는 데이터 중에서 정상 궤적 데이터와 비정상 궤적 데이터를 비교하고, 비교 결과가 설정 조건을 만족하지 않는 경우에 해당 비정상 궤적 데이터가 오류 원인인 것으로 판단할 수 있다.

또한, 오류 분석부(70)는 오류 원인 분석 결과를 기반으로 이상 전조 증상을 도출하고, 도출된 이상 전조 증상을 기반으로 차후 항공 데이터의 이상치를 추정하기 위한 기준값을 조정하는 과정을 수행할 수 있다.

성능 평가부(80)는 학습 처리부(40)에 의해 획득된, 비정상 궤적을 추출하기 위한 학습 모델에 대해 추가적인 데이터나 반복적인 학습을 통해 성능을 평가하도록 구성된다.

이러한 각 구성 요소(10~80)는 위에 기술된 대응하는 방법을 구현하도록 구성되므로, 구체적인 기능에 대해서는 위의 설명을 참조한다.

도 13은 본 개시의 실시 예에 따른 방법을 구현하기 위한 컴퓨팅 장치를 설명하기 위한 구조도이다.

첨부한 도 13에 도시되어 있듯이, 본 개시의 일 실시 예에 따른 방법(위의 실시 예에 기술된 방법)은 컴퓨팅 장치(100)를 이용하여 구현될 수 있다.

컴퓨팅 장치(100)는 프로세서(110), 메모리(120), 입력 인터페이스 장치(130), 출력 인터페이스 장치(140), 저장 장치(150) 및 네트워크 인터페이스 장치(160) 중 적어도 하나를 포함할 수 있다. 각각의 구성 요소들은 버스(bus)(170)에 의해 연결되어 서로 통신을 수행할 수 있다. 또한, 각각의 구성 요소들은 공통 버스(170)가 아니라, 프로세서(110)를 중심으로 개별 인터페이스 또는 개별 버스를 통하여 연결될 수도 있다.

프로세서(110)는 AP(Application Processor), CPU(Central Processing Unit), GPU(Graphic　Processing　Unit) 등과 같은 다양한 종류들로 구현될 수 있으며, 메모리(120) 또는 저장 장치(150)에 저장된 명령을 실행하는 임의의 반도체 장치일 수 있다. 프로세서(110)는 메모리(120) 및 저장 장치(150) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 이러한 프로세서(110)는 위의 도 1 내지 도 12를 토대로 설명한 기능 및 방법들을 구현하도록 구성될 수 있다. 예를 들어, 프로세서(110)는 데이터 획득부, 데이터 정제부, 피처 생성부, 학습 처리부, 이상 탐지부, 비정상 구간 획득부, 오류 분석부 및 성능 평가부 기능을 수행하도록 구현될 수 있다.

메모리(120) 및 저장 장치(150)는 다양한 형태의 휘발성 또는 비 휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리는 ROM(read-only memory)(121) 및 RAM(random access memory)(122)를 포함할 수 있다. 본 개시의 실시 예에서 메모리(120)는 프로세서(110)의 내부 또는 외부에 위치할 수 있고, 메모리(120)는 이미 알려진 다양한 수단을 통해 프로세서(110)와 연결될 수 있다.

입력 인터페이스 장치(130)는 데이터(항공 데이터)를 프로세서(110)로 제공하도록 구성되며, 출력 인터페이스 장치(140)는 프로세서(110)로부터의 데이터(모델에 의한 판단 결과, 성능 평가 결과 등)를 출력하도록 구성된다.

네트워크 인터페이스 장치(160)는 유선 네트워크 또는 무선 네트워크를 통해 다른 디바이스와 신호를 송신 또는 수신할 수 있다.

입력 인터페이스 장치(130), 출력 인터페이스 장치(140) 및 네트워크 인터페이스 장치(160)를 포괄하여 “인터페이스 장치”라고도 명명할 수 있다.

이러한 구조로 이루어지는 컴퓨팅 장치(100)는 비정상 운행 구간 검출 장치로 명명되어, 본 개시의 일 실시 예에 따른 위의 방법들을 구현할 수 있다.

또한, 본 개시의 일 실시 예에 따른 방법 중 적어도 일부는 컴퓨팅 장치(100)에서 실행되는 프로그램 또는 소프트웨어로 구현될 수 있고, 프로그램 또는 소프트웨어는 컴퓨터로 판독 가능한 매체에 저장될 수 있다.

또한, 본 개시의 일 실시 예에 따른 방법 중 적어도 일부는 컴퓨팅 장치(100)와 전기적으로 접속될 수 있는 하드웨어로 구현될 수도 있다.

본 개시의 실시 예는 이상에서 설명한 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 본 개시의 실시예의 구성에 대응하는 기능을 실현하기 위한 프로그램, 그 프로그램이 기록된 기록 매체 등을 통해 구현될 수도 있으며, 이러한 구현은 앞서 설명한 실시예의 기재로부터 본 개시가 속하는 기술분야의 전문가라면 쉽게 구현할 수 있는 것이다.

이상에서 본 개시의 실시 예에 대하여 상세하게 설명하였지만 본 개시의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 개시의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 개시의 권리범위에 속하는 것이다.

Claims (19)

1. 항공기의 비정상 운행 구간을 검출하는 방법으로서,
   검출 장치가, 항공기 운항에 관련된 항공 데이터를 획득하는 단계;
   상기 검출 장치가, 상기 항공 데이터를 학습된 모델에 입력하여 비정상적인 항로가 발생하는 비정상 궤적을 구분하는 이상 탐지를 수행하는 단계;
   상기 검출 장치가, 상기 이상 탐지 결과에 따라 비정상 궤적이 검출되면, 상기 비정상 궤적이 검출된 운행 구간에 대응하는 항공 데이터를 선택하는 단계; 및
   상기 검출 장치가, 상기 비정상 궤적이 검출된 운행 구간에 대응하는 항공 데이터를 분석하여 상기 비정상 궤적이 검출된 오류 원인을 획득하는 단계
   를 포함하는, 방법.
2. 제1항에 있어서,
   상기 비정상 궤적이 검출된 운행 구간에 대응하는 항공 데이터를 선택하는 단계는,
   상기 비정상 궤적이 검출된 운행 구간에 속하는 항공 데이터들 중에서, 정상 궤적으로 판단된 경우에 대응하는 정상 궤적 항공 데이터와 비정상 궤적으로 판단된 경우에 대응하는 비정상 궤적 항공 데이터를 선택하는, 방법.
3. 제2항에 있어서,
   상기 비정상 궤적이 검출된 오류 원인을 획득하는 단계는,
   상기 정상 궤적 항공 데이터와 상기 비정상 궤적 항공 데이터를 비교하고, 비교 결과가 설정 조건을 만족하지 않는 경우에 해당 비정상 궤적 항공 데이터가 오류 원인인 것으로 판단하는, 방법.
4. 제1항에 있어서,
   상기 비정상 궤적이 검출된 오류 원인을 획득하는 단계는,
   상기 오류 원인이 되는 항공 데이터에 대한 이상 전조 증상을 도출하는 단계; 및
   상기 이상 전조 증상을 기반으로 해당 항공 데이터에 대한 이상치 검출을 위한 임계값을 조정하는 단계
   를 포함하는, 방법.
5. 제1항에 있어서,
   상기 학습된 모델은 정상적으로 운행되는 항공기에 대한 항공 데이터를 기반으로 비행 궤적 학습이 수행된 모델인, 방법.
6. 제1항에 있어서,
   상기 비정상 궤적을 구분하는 이상 탐지를 수행하는 단계는,
   상기 항공 데이터 중 활주로로 접근하는 항공기의 착륙 접근 데이터를 기반으로 학습된 모델을 이용하여, 상기 학습된 모델로 입력된 착륙 접근 데이터에 대응하는 비행 궤적이 학습에 따라 설정된 바운딩 박스 내에 위치되는 경우 정상 궤적인 것으로 판단하고, 상기 바운딩 박수 외부에 위치되는 경우 비정상 궤적인 것으로 판단하는, 방법.
7. 제1항에 있어서,
   상기 비정상 궤적을 구분하는 이상 탐지를 수행하는 단계는,
   상기 항공 데이터를 기반으로 학습된 LSTM(Long Short-Term Memory) 모델을 이용하여, 상기 모델로 입력된 항공 데이터에 대응하는 비행 경로의 비행 궤적이 상기 모델의 학습시 판정된 정상 궤적을 벗어나는 경우 비정상 궤적인 것으로 판단하는, 방법.
8. 제1항에 있어서,
   상기 비정상 궤적을 구분하는 이상 탐지를 수행하는 단계는,
   상기 항공 데이터를 기반으로 학습된 KNN(K-Nearest Neighbor) 모델을 이용하여, 상기 모델로 입력된 항공 데이터에 대응하는 비행 궤적이 상기 모델의 학습시 판정된 비행 경로별 정상 궤적에 매칭되는 정확도를 획득하고, 상기 정확도를 기반으로 비정상 궤적 여부를 판단하는, 방법.
9. 제1항에 있어서,
   상기 비정상 궤적을 구분하는 이상 탐지를 수행하는 단계는,
   상기 항공 데이터는 ADS-B(Automatic Dependent Surveillance-Broadcast) 데이터이며, ADS-B 데이터를 기반으로 학습된 모델을 이용하여, 상기 모델로 입력된 ADS-B 데이터에 대응하는 비행편의 비행 궤적이 상기 모델의 학습시 판정된 정상 궤적에 매칭되는 정확도를 획득하고, 상기 정확도를 기반으로 비정상 궤적 여부를 판단하는, 방법.
10. 제1항에 있어서,
    상기 항공 데이터를 획득하는 단계는,
    상기 획득된 항공 데이터에 대한 데이터 정제 처리를 수행하는 단계
    를 포함하고,
    상기 데이터 정제 처리는 상기 항공 데이터의 아웃라이어(outlier)와 노이즈를 제거하는 것, 상기 항공 데이터의 각 매개 변수의 단위를 매칭시키는 것을 포함하는, 방법.
11. 제1항에 있어서,
    상기 항공 데이터를 획득하는 단계는,
    상기 항공 데이터로부터 피처(feature)를 생성하는 단계
    를 포함하고,
    상기 이상 탐지를 수행하는 단계는 상기 피처를 상기 학습된 모델에 입력하여 이상 탐지를 수행하는, 방법.
12. 제11항에 있어서,
    상기 피처를 생성하는 단계는,
    상기 항공 데이터의 매개 변수 사이의 상관 관계를 분석하는 단계;
    상기 상관 분석 결과를 기반으로 중복된 정보를 확인하고, 상호 상관 관계가 설정값 보다 높은 매개 변수 집합을 식별하는 단계;
    상기 중복된 정보를 제거하고, 상기 식별된 집합에 포함되는 매개 변수들을 그 평균값으로 압축하는 상관 관계 완화를 수행하는 단계; 및
    상기 상관 관계 완화 처리된 매개 변수들을 배열하여 대응하는 특징 벡터를 생성하는 단계
    를 포함하는, 방법.
13. 항공기의 비정상 운행 구간을 검출하는 장치로서,
    항공기 운항에 관련된 항공 데이터를 획득하도록 구성된 인터페이스 장치; 및
    상기 항공 데이터를 기반으로 비정상 운행 구간을 검출하도록 구성된 프로세서
    를 포함하고,
    상기 프로세서는, 상기 항공 데이터를 학습된 모델에 입력하여 비정상적인 항로가 발생하는 비정상 궤적을 구분하는 이상 탐지를 수행하는 동작;
    상기 이상 탐지 결과에 따라 비정상 궤적이 검출되면, 상기 비정상 궤적이 검출된 운행 구간에 대응하는 항공 데이터를 선택하는 동작; 및
    상기 비정상 궤적이 검출된 운행 구간에 대응하는 항공 데이터를 분석하여 상기 비정상 궤적이 검출된 오류 원인을 획득하는 동작을 수행하도록 구성되는, 장치.
14. 제13항에 있어서,
    상기 프로세서는, 상기 비정상 궤적이 검출된 운행 구간에 속하는 항공 데이터들 중에서, 정상 궤적으로 판단된 경우에 대응하는 정상 궤적 항공 데이터와 비정상 궤적으로 판단된 경우에 대응하는 비정상 궤적 항공 데이터를 선택하도록 구성되는, 장치.
15. 제14항에 있어서,
    상기 프로세서는, 상기 정상 궤적 항공 데이터와 상기 비정상 궤적 항공 데이터를 비교하고, 비교 결과가 설정 조건을 만족하지 않는 경우에 해당 비정상 궤적 항공 데이터가 오류 원인인 것으로 판단하도록 구성되는, 장치.
16. 제13항에 있어서,
    상기 프로세서는
    상기 비정상 궤적이 검출된 오류 원인을 획득하는 동작 수행시,
    상기 오류 원인이 되는 항공 데이터에 대한 이상 전조 증상을 도출하는 동작; 및
    상기 이상 전조 증상을 기반으로 해당 항공 데이터에 대한 이상치 검출을 위한 임계값을 조정하는 동작을 추가적으로 수행하도록 구성되는, 장치.
17. 제13항에 있어서,
    상기 학습된 모델은 정상적으로 운행되는 항공기에 대한 항공 데이터를 기반으로 비행 궤적 학습이 수행된 모델이며,
    상기 학습된 모델은 활주로로 접근하는 항공기의 착륙 접근 데이터를 기반으로 학습된 모델, 항공 데이터를 기반으로 학습된 LSTM 기반의 모델, 항공 데이터를 기반으로 학습된 KNN 기반의 모델, ADS-B 데이터를 기반으로 학습된 모델 중 적어도 하나인, 장치.
18. 제13항에 있어서,
    상기 프로세서는
    상기 항공 데이터를 획득하는 동작 수행시,
    상기 획득된 항공 데이터에 대한 데이터 정제 처리 - 상기 데이터 정제 처리는 상기 항공 데이터의 아웃라이어와 노이즈를 제거하는 것, 상기 항공 데이터의 각 매개 변수의 단위를 매칭시키는 것을 포함함 - 를 수행하는 동작;
    상기 정제 처리된 항공 데이터로부터 피처를 생성하는 동작
    을 수행하도록 구성되는, 장치.
19. 제18항에 있어서,
    상기 프로세서는
    상기 피처를 생성하는 동작 수행시,
    상기 항공 데이터의 매개 변수 사이의 상관 관계를 분석하는 동작;
    상기 상관 분석 결과를 기반으로 중복된 정보를 확인하고, 상호 상관 관계가 설정값 보다 높은 매개 변수 집합을 식별하는 동작;
    상기 중복된 정보를 제거하고, 상기 식별된 집합에 포함되는 매개 변수들을 그 평균값으로 압축하는 상관 관계 완화를 수행하는 동작; 및
    상기 상관 관계 완화 처리된 매개 변수들을 배열하여 대응하는 특징 벡터를 생성하는 동작
    을 수행하도록 구성되는, 장치.
    
    
    
    
    
    

Images