AI융합센터 : 김민지 선임, 윤광호 선임, 박재철 파트장, 장화섭 센터장

1. 개요

엔진은 선박의 핵심 추진 설비로, 항해 중 고장이 발생하면 안전과 운항에 직접적인 영향을 미친다. 그동안 조선·
해운업계에서는 엔진 고장을 사전에 감지하기 위한 다양한 상태기반정비(CBM, Condition-Based Maintenance) 및 AI 진단 기술이 연구되어 왔다.

그러나 기존 기술은 엔진을 통합 단위로만 진단해 고장 위치를 특정하기 어렵거나, 높은 정확도를 위해 고성능 GPU 서버가 필요해 온보드 실시간 적용이 제한되고, 무엇보다 엔진 노후화에 따른 개념 변화(Concept Drift)와 데이터 분포 변화(Data Drift)에 대응하지 못한다는 한계가 있었다.

KR은 이러한 한계를 해결하기 위해, 엔진 컴포넌트별로 이상을 정밀 진단하고 노후화와 운항 환경 변화에 스스로 적응하는 온보드(Onboard) AI 상태진단 모델을 개발하였다.

2. 컴포넌트별 진단과 자가 진화 AI

KR이 제안하는 모델의 핵심은 크게 세 가지다.

(1) 컴포넌트 개별 진단 및 물리 기반 파생변수

KR은 엔진을 하나의 덩어리로 보지 않고 각 컴포넌트를 개별적으로 진단하는 구조를 채택하였다. 나아가 단순
센서값이 아니라, 물리적 상관관계가 강한 파생변수(Derived Feature)를 정의하여 모델의 정확도를 극대화하였다. 이는 엔진의 동적 상태를 보다 정밀하게 표현하기 위한 설계다.

(2) 통계적 추적: "얼마나 멀어졌는가"와 "얼마나 빠른가"

KR은 정제된 데이터를 두 가지 통계 지표로 추적한다.

• 상태 심각도(State Severity): 정상 상태로부터 현재 상태가 통계적으로 얼마나 멀리 떨어졌는지(how far)를 Z-score로 측정한다.
  Z = (μ_current − μ_ref) / max(σ_ref, σ_min)
  여기서 μ_current는 현재 데이터 배치의 파생변수 평균, μ_ref는 정상 상태 기준 데이터의 평균, σ_ref는
  정상 상태의 표준편차이며, σ_min은 센서 고착(freeze)이나 미세 노이즈로 인한 불안정한 스파이크를 방지하기 위한 최소 표준편차 임계값이다.
• 변화 속도(Change Velocity): 현재 상태가 직전 시점 대비 얼마나 급격히 변화하는지(how fast)를 측정하여 노후화 추세를 추적한다.
  ΔZ = Z_t − Z_(t−1)
  이 두 지표를 통해 KR의 모델은 점진적인 노후화와 성능 저하까지 포착할 수 있다.

(3) 이상률(Anomaly Rate) 기반 검증

일시적인 노이즈로 인해 불필요한 재학습이 반복되는 것을 막기 위해, KR은 이상률(AR, Anomaly Rate) 지표를 도입하였다.
AR_t = N_AB / N_total
N_AB는 AI 모델이 이상(Abnormal)으로 분류한 샘플 수, N_total은 버퍼 내 전체 샘플 수다. 이는 현재 시점의
이상 판정이 실제 유의미한 변화인지, 아니면 순간적인 잡음인지를 걸러내는 안전장치 역할을 한다.

3. 무중단 자가 진단 프로세스

KR 모델의 가장 큰 특징은 선박이 운항 중에 생긴 장비 노후화의 데이터 변화에 따라 스스로 학습을 갱신한다는 점이다. 전체 과정은 다음 4단계 사이클로 작동한다.

Step 1. 수집 및 모니터링(Collecting & Monitoring): 센서 데이터를 실시간으로 수집·감시한다.

Step 2. 전략적 버퍼링(Strategic Buffering): 이상 징후가 감지되면 해당 데이터를 버퍼에 저장하고, 임계값 로그를 기록한다. 앞서 설명한 "버퍼 존(ΔZ 절댓값이 0.2~0.5인 구간)"에서는 Z-score가 위험 임계값(3.0)에
도달하기 전이므로 '경고(WARNING)'로만 분류하여 성급한 대응을 억제한다.
Step 3. 의사결정(Decision): Z-score가 임계선(3.0)을 초과하는지 판단한다.
Step 4. 갱신(Update & Action): 임계선을 초과할 경우 재학습(Retraining) 프로세스를 자동으로 트리거하여, 운항 중에도 모델 정확도를 회복시킨다.

그림 1. An Autonomous MLOps Pipeline

4. 성능 검증 결과

KR은 실제 운항 조건을 반영한 검증을 통해, 노후화로 인해 저하되던 모델 정확도가 자동 재학습을 거쳐 약 96% 수준으로 회복됨을 확인하였다. 특히, 재학습 시점을 결정할 때 너무 이른 재학습은 자원 낭비를, 너무 늦은 재학습(Delayed Retraining)은 진단 신뢰도 저하를 초래하므로, KR은 이 둘 사이의 "균형점(Balanced Point)"을 찾는 전략을 적용하였다.

그림 2. Fault and Drift Detection Performance

그림 3. Verification of Restored Reliability

그림 4. Sensitivity Analysis

5. 결론 및 시사점

본 연구를 통해 KR은 컴포넌트별 정밀 진단, 노후화·환경 변화에 대응하는 자가 적응, 무중단 자동 재학습을 하나의 온보드 AI 프레임워크로 통합하였다. 기대 효과는 다음과 같다.

첫째, 고정 주기 정비에서 벗어나 엔진의 실제 상태에 근거한 정비가 가능해져, 불필요한 정비 비용과 예기치 못한 고장으로 인한 운항 중단을 줄일 수 있다.
둘째, 통계 지표 기반의 경량 구조를 채택해 고성능 GPU 서버 없이도 선박 내에서 데이터 변화에 대한 실시간 진단이 가능하다.
셋째, 엔진 상태를 파악할 수 있어 최적 상태로 유지하도록 관리가 가능하여 사고 위험과 함께 연료 효율 저하 및
배출가스 증가를 줄일 수 있다.

KR은 본 기술을 자율운항선박(MASS) 및 상태기반정비 체계와 연계하는 한편, 적용 대상을 엔진 외 주요 기관으로 확대하고 실선 데이터 기반 검증을 지속할 계획이다.

본 기고문은 KR의 연구 결과를 바탕으로 작성되었으며, 상세한 내용은 원 논문에서 확인할 수 있습니다.
Kim, M.; Yun, G.; Park, J.; Jang, H. A Machine Learning Operations Framework for Self-Adaptive Anomaly Detection in Autonomous Surface Ships Under Data Drift. J. Mar. Sci. Eng. 2026, 14(13), 1152.
https://www.mdpi.com/2077-1312/14/13/1152