1. 서 론
유도탄은 정밀한 목표 타격과 군사적 우위를 실현하는 현대전의 핵심 무기체계로, 작전 수행 과정에서 높은 정확도와 신뢰성이 필수적으로 요구된다. 특히 다양한 전장 환경에서 신속하고 안정적으로 작동해야 하며, 이를 위해 전자 및 기계적 구성 요소들이 집약적으로 적용된다. 그러나 이러한 복합적인 구조는 운용 중 다양한 형태의 고장을 유발할 수 있는 잠재적 위험 요인으로 작용한다(Lee et al., 2024). 또한, 유도탄은 단순히 작전 수행 중에만 운용되는 것이 아니라, 장기간 보관된 후 즉각적으로 작전에 투입되는 특성을 가진다. 장기간 보관되는 과정에서는 온도, 습도, 진동 및 충격과 같은 외부환경 조건에 지속적으로 노출되며, 이러한 물리적·환경적 요인과 누적 운용시간 등에 따라 장비의 마모, 성능 저하(degradation)와 결함(fault) 등이 발생할 수 있다. 이러한 조건에서 유도탄이 적절히 관리되지 않는다면, 실전 운용 시 예상치 못한 불량이 발생하여 심각한 작전 손실을 초래할 수 있다(Lee et al., 2022). 특히 온도는 대표적인 스트레스 인자로, 다양한 산업 및 무기체계 분야에서 제품 수명 예측 및 신뢰성 분석을 위한 가속시험에 광범위하게 활용되고 있으며(Park et al., 2024), 이러한 환경 인자를 정량적으로 반영하는 것이 열화 예측의 핵심 요소로 인식되고 있다.
이에 따라, 유도탄의 신뢰성을 유지하고, 운용 효율성을 극대화하기 위한 방안으로 CBM(Condition-Based Maintenance, 상태기반 정비) 및 PHM(Prognostics and Health Management, 건정성 예측 및 관리) 개념이 도입되고 있다. CBM은 장비의 상태를 실시간으로 모니터링하여 이상 징후가 감지될 경우에만 정비를 수행함으로써, 불필요한 정비를 줄이고 장비의 가용성을 향상시킬 수 있는 접근 방식이다(Oh et al., 2023) . PHM은 센서를 활용하여 장비 및 기계 시스템의 상태를 지속적으로 모니터링하고, 이를 기반으로 고장 징후를 조기에 식별하며, 잔여수명 예측을 통해 장비의 신뢰성을 향상시키는 기술이다(Baek, 2023; Hyun el al., 2020). 최근에는 PHM을 CBM에 통합한 CBM+(Condition-Based Maintenance Plus) 개념이 도입되어, 보다 정밀한 상태 진단과 고장 예측이 가능해지고 있다(Serradilla et al., 2020; Li et al., 2018; Crooks et al., 2021). CBM+는 기존 CBM의 한계를 보완하여, 고장 발생 가능성을 조기에 탐지하고 전반적인 시스템 신뢰성과 운용 지속성을 강화하는 방향으로 발전하고 있다.
그러나 CBM+를 효과적으로 적용하기 위해서는 다양한 운용 환경에서 축적된 충분한 상태 데이터가 필수적이다. 하지만 현재 유도탄 체계에서는 센서를 통해 직접 수집할 수 있는 데이터가 제한적이며, 특히 보관 및 운용 환경에 대한 상세한 정보는 확보하는 데 어려움이 있다. 유도탄이 배치되는 지역의 외기 온도는 기상청을 통해 확보 가능하지만, 유도탄 발사관 내부의 실제 온도 데이터를 장기간에 걸쳐 직접 수집하는 것은 현실적으로 제한적이다. 이러한 제약을 극복하고 장비의 상태를 보다 정밀하게 파악하기 위해, 최근 국방 분야에서는 운용환경 데이터를 정량적으로 수집·분석하려는 시도가 확대되고 있으며(Huh et al., 2023), 특히 외부 환경 요인을 기반으로 한 상태 예측 및 품질 문제 조기 인지의 중요성이 강조되고 있다. 이에 따라, 본 연구에서는 데이터 보정 기법을 적용하여 수집되지 않은 기간의 발사관 내부 온도 데이터를 기상청 외기 온도 데이터를 기반으로 생성하고 검증하는 방안을 제시한다. 이를 통해 유도탄의 실질적인 운용 환경을 보다 정밀하게 반영하여 신뢰성을 효과적으로 유지하고 관리할 수 있는 기반을 마련하고자 한다.
2. 관련 문헌 연구
2.1 무기체계 CBM+ 적용에 관한 연구
CBM+는 무기체계의 정비 효율성을 향상시키고, 운영 가용성을 극대화하기 위한 핵심 개념으로 자리잡고 있다. 미국을 중심으로 발전해온 CBM+는 다양한 관련 지침과 규정을 통해 적용 방법이 체계화되어 왔으며(DoD 2008; DoD 2020), 국내에서도 이를 기반으로 한 적용 연구가 지속적으로 이루어지고 있다(Jeong and Kim, 2023). Jeong(2021)은 국내·외 사례를 분석하여 한국형 무기체계에 적합한 도입 전략을 제안한 바 있다. Woo et al. (2023)은 다양한 무기체계에 상태기반정비를 활성화하기 위한 방안으로 디지털 정비생태계 구축을 제안하여, 운영 항공기 집단 전체뿐만 아니라 개별 항공기 및 장착된 개별 구성품에 대한 상태를 데이터 기반 분석을 통해 추적할 수 있도록 하였다. Kim et al. (2023)에서는 함정 전투체계를 대상으로 전투성능을 고려한 임무중요도 기반 상태기반정비(CBM+) 적용에 관한 연구를 수행하였다. 해당 연구에서는 EOTS 구동계의 각속도 데이터를 확보하여 장비의 성능 저하 및 상태를 예측하고, 이를 통해 장비의 가용성을 극대화할 수 있음을 제시하였다. Kim et al.(2024)은 K9A1 자주포에 별도의 데이터 수집 장치를 부착하여 엔진부의 센서 데이터를 수집하고, 이를 모니터링할 수 있는 가능성을 실험적으로 검증하였다. 엔진 오일 시편에 대한 오염 점도 측정을 통해, 엔진 가동 시간에 따른 최적의 오일 교환 시기를 도출하였으며, 무기체계에 CBM+ 기술을 적용하기 위한 주요 기반 요소들을 실증하였다. Jeong et al.(2025)은 유도탄이 운용되는 지역에서 수집한 온도 및 습도와 같은 환경데이터를 기반으로 Peck 모델을 적용하여 가속계수를 추정하고, 이를 통해 열화 경향을 분석하여 잔여수명을 예측하는 방법론을 제안하였다. 해당 연구는 무기체계의 CBM+ 기술 적용에 외부환경 정보를 활용할 수 있는 가능성을 제시하였다.
2.2 데이터 보정에 관한 연구
최근 다양한 환경적 요인 및 목적에 따라 수집된 데이터를 정밀하게 보정하거나 변환하는 연구가 활발히 이루어지고 있다. Song(2021)은 카메라 내부 및 주변 공기 온도와 같은 환경 변수를 고려하여 열화상 카메라 데이터를 효율적으로 보정하는 방법으로, 다항식 기반의 보정 알고리즘과 신경망 기반 보정 알고리즘을 제안하였다. 또한, 열화상 카메라 데이터와 환경 온도 간의 비선형 관계를 정밀하게 근사화할 수 있다는 점에서, 신경망 기반 알고리즘이 보다 우수함을 입증하였다. Park(2024)는 드론에 탑재된 열화상 카메라를 이용하여 다양한 지표면의 피복 상태에 따른 DN 값과 실제 온도를 비교 분석하고, 회귀 직선을 통해 열화상 데이터를 실제 온도 값으로 보정하는 방안을 제시하였다. Kim et al.(2023)에서는 경전철 타이어에 부착된 3축 가속도 센서로부터 수집된 데이터를 grms로 변환한 후, 이를 기반으로 타이어의 마모 정도를 점수화 및 범주화하여 타이어의 상태를 진단할 수 있는 기법을 제안하였다. Kim and Kim(2018)은 뜰개를 통해 수집한 데이터에서 발생 가능한 오차 및 결측을 해결하기 위해 순환신경망 기반의 데이터 보정 모델을 제안하였다. 해당 모델을 통해 관측 데이터의 평균 13.9%를 보정하였으며, 보정된 데이터를 이용한 예측 모델의 성능은 1.4% 향상되었다.
3. 가상 센싱 데이터 생성을 위한 연구 절차 및 방법
앞서 언급한 바와 같이, CBM+를 효과적으로 수행하기 위해서는 다양한 상태 정보 데이터가 요구되나, 현재 운용 환경에서는 이러한 데이터가 제한적으로 수집되고 있다. 이에 본 연구에서는 유도탄 운용환경에서 온도 데이터를 활용하고자, 기상청 온도 데이터를 보정하여 수집되지 않은 기간의 발사관 내부 온도 센싱 데이터를 생성하고 그 타당성을 검정하였다. 이를 통해 향후 온도 데이터를 기반으로 한 가속계수 산출 및 온도 관련 상태 정보 확보에 활용 가능한 기반을 마련하고자 한다.
3.1 데이터 소개 및 설명
본 연구에 사용된 데이터는 OO 유도탄의 발사관 내부 온도 센싱 데이터와, 해당 유도탄이 배치되어 있는 지역과 가장 인접한 기상청의 기온 데이터를 수집하여 활용하였다. 실제 운용 장소의 정확한 기상 정보를 확보하는 데에는 제한이 있어, 기상청에서 제공하는 종관기상관측(ASOS) 자료 중 직선거리 기준으로 가장 가까운 관측소의 데이터를 선정하여 사용하였다. 발사관 내부 온도 센싱 데이터는 2023년 4월 13일 18시 30분부터 2024년 1월 10일 15시 59분까지의 기간 동안 수집되었으며, 30분 간격으로 기록되었으나 일부 누락된 구간이 존재한다. 기상청 온도 데이터는 2023년 4월 13일부터 2024년 4월 12일까지의 자료를 1시간 단위(정시 기준)로 수집하였다. <Table 1>은 수집된 두 온도 데이터의 정보를 정리한 것이다. <Figure 1>은 발사관 내부 온도 데이터와 기상청 온도 데이터의 추세를 시각화한 결과를 나타낸다. 두 데이터는 유사한 온도 추세를 보였으나, 2024년 1월 이후 발사관 내부 데이터는 수집되지 않아 이후 시점에 대한 비교는 불가능하다.
3.2 가상 센싱 데이터 생성 방법
앞서 언급한 바와 같이, 현재 발사관 내부 센싱 데이터의 수집 기간이 1년에 미치지 못해 상태기반 정비에 활용하기에 데이터의 연속성과 완전성이 충분히 확보되지 않은 상황이다. 이에 본 연구에서는 기상청 온도 데이터를 활용하여 수집되지 않은 기간의 발사관 내부 센싱 데이터를 보완하고, 이를 가상 센싱 데이터로 활용하고자 한다. 본 연구의 절차는 <Figure 2>에 따라 총 다섯 단계로의 절차로 구성된다. 먼저, 발사관 내부 온도와 외기 온도 간의 추세를 분석하여 어떠한 차이를 보이는지 파악한다. 이후, 확인된 차이를 기반으로 가상 센싱 데이터 생성 방법을 제안하고, 해당 방법을 분기별 및 월별, 일별로 적용하여 그 타당성을 검증한다. 마지막으로, 제안된 방법론을 통해 수집되지 않은 기간 동안의 가상 센싱 데이터를 생성한다.
3.2.1 발사관 내부 온도와 외기 온도 간 추세 비교 분석
먼저, 분기별 계절적인 특성에 따라 기상청 온도 데이터와 발사관 내부 센싱 데이터 간의 차이가 존재하는지를 확인하고자 하였다. 이를 위해 수집된 2023년 2분기부터 2024년 1분기까지의 데이터를 대상으로 분기별 온도 추세를 세분화하여 분석하였다. <Figure 3>은 해당 기간 동안의 발사관 내부 센싱 데이터와 기상청 온도 데이터를 분기별로 비교한 결과를 나타낸다. 2023년 2분기와 3분기에는 내부 온도와 외기 온도 간의 추세가 비교적 유사하였으며, 발사관 내부 온도가 외기 온도를 따르는 경향을 보였다. 반면, 2023년 4분기에는 온도 차이뿐만 아니라 추세 자체에도 상이한 양상을 보였다.
이에 추가적으로, 데이터를 월별 및 일별로 세분화하여 확인하였다. <Figure 4>와 <Figure 5>는 2023년도 6월과 12월의 온도추세를 시각화한 것이다. 여름철인 6월의 경우, 외기 온도는 뚜렷한 일변화 주기를 보이며 비교적 일정한 추세를 유지하였고, 발사관 내부 온도는 이에 비해 더 큰 진폭을 보이며 외기 온도의 변화에 민감하게 반응하는 경향이 관찰되었다. 반면, 겨울철인 12월에는 외기 온도의 변동성이 크고 일변화 주기 또한 불규칙하게 나타났으며, 이에 따라 내부 온도는 외기 온도와의 위상차를 보이면서도 진폭이 상대적으로 안정적인 추세를 유지하였다. 이러한 결과를 통해, 발사관 내부는 외기 온도에 일정 수준 영향을 받지만, 계절에 따라 반응 특성이 상이하며, 특히 겨울철에는 외기 온도의 급격한 변화에도 불구하고 비교적 안정적인 온도 특성을 유지함을 확인하였다.
3.2.2 외기 온도 보정을 위한 통계 기반 보정 모델
앞서 두 온도 데이터의 추세를 비교한 결과, 발사관 내부 온도와 외기 온도 간 분산 및 위상에 차이가 존재하는 것을 확인하였다. 특히 여름철에는 외기 온도가 일정한 일변화 주기를 보이지만, 내부 온도의 진폭이 더 크게 나타나는 반면, 겨울철에는 외기 온도의 변화가 불규칙하고 급격하게 나타나며, 내부 온도는 상대적으로 안정적인 분포를 유지하는 특징이 있었다. 이러한 차이를 보정하기 위해, 본 연구에서는 기상청 데이터를 발사관 내부 온도 기준으로 조정하는 통계 기반 보정 모델을 적용하였다. 해당 모델은 두 데이터 간의 표준편차와 평균값을 기반으로 하여, 외기 온도의 범위(scaling)와 중심값(bias)을 조정하는 방식으로 구성된다. 먼저, 발사관 내부 온도를 A, 외기 온도를 B라고 할 때, scaling factor는 두 데이터의 표준편차 비로 계산되며, bias는 평균값 차이를 기반으로 산출된다. 관련 수식은 식 (1), (2)와 같으며, 이를 통해 보정된 외기 온도 y를 도출할 수 있다.
이러한 수식은 기상청 데이터를 발사관 내부 온도의 통계적 특성에 맞게 변환하는 데 사용되며, 외기 온도의 분산 조정과 위상 보정을 동시에 수행할 수 있다. 본 연구에서는 이 보정 모델을 분기별, 월별, 일별로 구분하여 적용하고, 보정 결과가 실제 내부 온도 데이터와 유사한 추세를 보이는지를 평가하였다. 이를 통해 시간 단위별로 가장 적절한 보정 방법을 도출하고, 가상 센싱 데이터 생성의 신뢰성을 확보하고자 한다.
3.2.3 제안된 보정 모델 적용 및 세분화 수준별 비교
제안한 통계 기반 보정 모델의 효과를 검증하기 위해, 보정 적용 단위를 분기별, 월별, 일별로 구분하여 각각의 보정 결과를 비교·분석하였다. 이를 통해 보정 기간의 세분화 수준이 결과에 미치는 영향을 확인하고, 가장 효과적인 적용 단위를 도출하고자 하였다. 먼저, <Figure 6>은 2023년도 2분기부터 4분기까지의 데이터를 대상으로 분기 단위로 보정 모델을 적용한 결과를 시각화한 것이다. 시각화에서 보정 전 외기 온도는 초록색, 보정 후 외기 온도는 빨간색으로 나타내었다. 분기별로 보정된 외기 온도는 원본 발사관 내부 온도 데이터와 유사한 추세를 나타냈으며, 온도 값뿐 아니라 전반적인 분포 및 변화 경향에서도 높은 유사성을 보였다. 2분기와 3분기의 경우, 보정된 외기 온도는 발사관 내부 온도와 유사한 추세를 보였으며, 분포 및 진폭 면에서도 높은 유사성을 보였다. 그러나 4분기에서는 외기 온도의 급격하고 불규칙한 변동으로 인해 분기 단위 보정으로는 발사관 내부 온도의 추세를 따르지 못하는 한계가 존재한다.
이에 따라, <Figure 7>과 <Figure 8>에서는 동일한 보정 모델을 월별 및 일별 단위로 적용한 결과를 각각 제시하였다. 월별 보정은 계절적 특성을 보다 정밀하게 반영할 수 있어, 4분기와 같이 외기와 내부 온도 간 추세가 상이한 구간에서도 더 나은 적합성을 확보할 수 있다. 일별 보정의 경우에는 외기 온도의 단기 변화를 반영할 수 있어, 더욱 세밀한 보정이 가능하였다.
<Figure 9>는 보정 전, 월별 보정 후, 일별 보정 후 데이터를 순차적으로 시각화한 결과를 나타낸 것으로, 보정 적용 기간이 세분화될수록 발사관 내부 온도와 외기 온도 간의 추세 차이가 줄어드는 것을 명확히 확인할 수 있다. 특히, 일별 보정된 외기 온도는 온도 뿐만 아니라 패턴, 분포 등 원본 내부 온도에 가장 근접한 양상을 보였다.
추가적으로, 보정 결과에 대한 정량적 성능 평가도 함께 수행하였다. 발사관 내부 온도는 30분 간격, 외기 온도는 1시간 간격으로 측정되었기 때문에, 평가 지표의 정확도를 높이기 위해 두 데이터를 모두 10분 단위로 선형 보간(linear interpolation) 하여 분석을 수행하였다. 이후, 보정된 외기 온도와 내부 온도 간의 적합성을 확인하기 위해 결정계수(R-squared) 및 평균 제곱근 오차(RMSE) 를 산출하였다. <Table 2>는 보정 전 외기 온도와 내부 온도 간의 성능 지표, 그리고 보정된 외기 온도와 내부 온도 간의 성능 지표를 각각 비교하여 정리한 결과이다.
3.2.4 수집되지 않은 기간의 가상 센싱 데이터 생성 및 검증
기상 데이터를 활용한 온도 보정 기법을 적용하여, 2024년 1월부터 4월 중 실제 발사관 내부 온도 계측값이 존재하지 않는 기간의 가상 센싱 온도 데이터를 생성하였다. 이를 통해 연단위 발사관 내부 온도 데이터를 확보하였으며, 이후 가속계수 산출 및 유도탄 상태 진단 등에 활용될 수 있는 기반을 마련하였다. 생성된 연단위 온도 데이터의 시각화 결과는 <Figure 11>에 제시하였다.
제안된 온도 보정 기법의 신뢰성을 검증하기 위해, 실제 발사관 내부 온도 데이터가 완전히 확보된 2023년 5월부터 12월까지의 데이터를 활용하여 월별 검증을 수행하였다. 이는 생성된 가상 센싱 온도 데이터의 유효성을 입증하고자 하는 목적으로 진행되었다. 검증 절차는 K-Fold 개념을 적용하여 각 Fold마다 하나의 특정 월을 제거하고, 해당 월의 일별 평균 및 표준편차를 기준으로, 참조 구간 내에서 통계적으로 가장 유사한 일자를 유클리디안 거리 기반으로 탐색하였다. 이후, 해당 일자의 scaling factor 및 bias를 추출하여 검증 대상 월의 기상 데이터에 적용함으로써 보정된 내부 온도 데이터를 생성하고, 이를 실제 발사관 내부 온도와 비교하였다. 식 (3)에서 A는 수집된 기간의 기상청 데이터를 의미하며, B는 수집되지 않은 기간의 기상청 데이터를 의미한다.
<Figure 12>는 이러한 월별 교차검증 구조를 시각화한 것으로, 각 Fold에서 하나의 월 데이터를 제거한 후, 나머지 월 및 기상 데이터를 활용하여 보정 데이터를 생성하는 절차를 보여준다. 이러한 과정을 5월부터 12월까지 반복하여 제안된 기법이 실제 관측 구간 내에서도 타당성을 갖는지를 평가하였다. 생성된 가상 센싱 데이터와 실제 데이터의 비교 결과는 <Figure 13-1>과 <Figure 13-2>에 제시하였으며, 이에 대한 정량적 평가지표는 <Table 3>에 제시하였다.
<Figure 13-1>에서는 생성된 가상 센싱 온도 데이터가 실제 발사관 내부 온도와 매우 유사한 양상을 보이는 반면, <Figure 13-2>에서는 전체적인 온도 변화 경향은 유사하지만, 상대적으로 큰 오차가 발생하는 구간이 존재한다. 이는 참조 기간 내에서 10월부터 12월 사이의 기상 조건과 통계적으로 유사한 날짜가 상대적으로 적어, 적절한 파라미터를 참조하기 어려웠기 때문으로 판단된다. 향후 유사한 기온 특성을 가진 참조 데이터가 추가로 확보될 경우, 겨울철 보정의 정확도 또한 향상될 수 있을 것으로 기대된다.
5. 결 론
본 연구는 제한된 발사관 내부 온도 관측 데이터를 보완하여, 연단위 온도 추정 데이터를 구축하고 이를 유도탄의 상태진단 및 열화 예측에 활용하기 위한 목적으로 수행되었다. 발사관 내부 온도는 모든 운용 지역에서 장기 계측하기 어려우며, 외부환경의 영향을 크게 받는 특성이 있으므로, 기상청 온도 데이터를 활용하여 미수집 구간의 데이터를 추정할 수 있는 보정 기법을 제안하였다.
이를 위해 기상청 온도 데이터와 발사관 내부 온도 데이터를 비교하여 두 데이터 간의 통계적 차이를 분석하고, 표준편차비와 위상차이를 산출하였다. 파라미터를 산출하는 기준 기간은 분기, 월, 일 단위로 나누어 검토하였으며, 일별 기준이 가장 정밀한 보정이 가능하다는 분석 결과에 따라 최종적으로 일 단위 기준을 채택하였다. 이후, 발사관 내부 데이터가 존재하지 않는 보정 대상 날짜의 기상청 데이터에 대해 평균과 표준편차를 산출하고, 발사관 내부 온도 데이터가 존재하는 구간의 기상청 데이터 중 통계적으로 가장 유사한 날짜를 유클리디안 거리 기반으로 탐색하였다. 탐색된 날짜의 표준편차비와 위상차이를 해당 보정 대상 날짜에 적용함으로써, 관측되지 않은 기간의 발사관 내부 온도 데이터를 생성하였다.
제안된 방법은 통계적 유사성을 기반으로 실제 값에 근접한 결과를 도출할 수 있다는 점에서 적용 가능성이 높으며, 실제 관측값과 비교한 결과, 온도 경향성뿐만 아니라 정량적인 측면에서도 높은 일치도를 확인하였다. 또한 앞서 언급한 Jeong et al. (2025)의 연구와 같이, 생성된 가상 센싱 온도 데이터를 활용하여 운용 지역별 환경 조건을 반영한 가속계수를 산출하고, 이를 기반으로 유도탄의 열화 경향을 정량적으로 평가함으로써 잔여수명 예측 및 고장진단 등 CBM+ 체계에 활용하는 방안도 고려할 수 있다. 이처럼 생성된 가상 센싱 데이터는 향후 열화 가속계수 산출 및 상태진단 모델의 성능 향상에 기여할 수 있을 것으로 기대되며, 제안된 기법은 다양한 무기체계 및 산업 환경에서도 폭넓게 적용 가능할 것이다.
추가적으로, 본 연구 과정에서 외기 온도 외에도 외부 습도 데이터를 활용한 보정을 수행하였으며, 제안한 기법을 적용하여 내부 습도의 가상 센싱 데이터 생성에 성공하였다. 그러나 발사관 내 제습제의 존재로 인해 내부 습도의 변동이 제한되었고, 이에 따라 본문에서는 해당 결과를 포함하지 않았다. 이러한 한계로 인해 온도와 습도를 함께 고려한 다변량 보정에는 한계점이 존재하였으며, 이에 따라 향후에는 단일 변수 보정모델이 아닌 습도 및 일사량 등 다양한 외부환경 정보를 고려한 다변량 보정 기법에 대한 연구를 수행할 계획이다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation 
Print 
