F-35 Joint Strike Fighter는 단순히 성능이 뛰어난 전투기라는 의미를 넘어, 정비와 군수지원 체계 자체를 디지털화하고 지능화하려는 대표적인 항공 무기체계입니다.

F-35 개발 과정에서는 항공기의 상태를 실시간으로 감시하고, 고장을 진단하며, 향후 고장 가능성을 예측하여 정비와 군수지원 의사결정에 활용하는 PHM(Prognostics and Health Management) 개념이 적극적으로 적용되었습니다.

2006년 10월 23일, Dr. Neal McCollom이 발표한
“F-35 Joint Strike Fighter Autonomic Logistics and Prognostics & Health Management” 자료에서는 F-35의 자율군수지원과 PHM의 기본 개념을 설명하고 있습니다.

이번 글에서는 이 자료를 바탕으로 F-35 PHM의 개념과 의미를 정리해 보겠습니다.

---

1. PHM이란 무엇인가?

PHM은

Prognostics and Health Management

의 약자로 일반적으로 고장예지 및 건전성 관리라고 번역합니다.

기존 항공기 정비에서는 고장이 발생한 이후 고장 원인을 찾아 수리하는 방식이 중심이었습니다.

하지만 PHM은 한 단계 더 나아갑니다.

항공기의 상태를 지속적으로 감시하고,

현재 상태 진단 → 고장 진행 분석 → 미래 고장 예측 → 정비 의사결정

으로 이어지는 체계를 구축하는 것입니다.

F-35 PHM에서는 크게 다음 세 가지 개념이 중요합니다.

• Enhanced Diagnostics
• Health Management
• Prognostics

---

2. Enhanced Diagnostics – 향상된 진단

첫 번째는 Enhanced Diagnostics, 즉 향상된 진단입니다.

Enhanced Diagnostics는 구성품이나 시스템이 정상적으로 기능을 수행할 수 있는 상태인지를 판단하는 과정입니다.

핵심은 다음과 같습니다.

• 높은 수준의 고장 탐지 능력
• 높은 수준의 고장 격리 능력
• 낮은 False Alarm Rate

여기서 특히 중요한 것이 False Alarm입니다.

항공기의 Built-In Test 또는 상태감시 시스템에서 실제로는 고장이 없는데 고장으로 판단하면 불필요한 정비가 발생할 수 있습니다.

예를 들어,

실제 고장 없음
→ 시스템이 고장으로 판단
→ 정비작업 수행
→ 부품 탈거
→ 정상 부품 교환
→ 정비인시 증가
→ 예비품 사용 증가
→ 항공기 가동률 저하

와 같은 문제가 발생할 수 있습니다.

따라서 진단 시스템은 단순히 고장을 많이 탐지하는 것만 중요한 것이 아니라,

실제 고장을 정확하게 탐지하고, 어느 부분에서 고장이 발생했는지를 정확하게 격리하는 능력

이 중요합니다.

즉, PHM의 출발점은 정확한 상태 진단이라고 할 수 있습니다.

---

3. Health Management – 건전성 관리

두 번째는 Health Management입니다.

진단 결과만 가지고 있다고 해서 정비가 자동으로 최적화되는 것은 아닙니다.

수집된 진단 및 예지 정보를 실제 정비와 군수지원 의사결정으로 연결해야 합니다.

Health Management란

진단 및 예지 정보, 가용한 정비자원, 운용 요구 등을 종합하여 적절한 정비 및 군수지원 조치를 결정하는 능력

을 의미합니다.

예를 들어 항공기에서 특정 구성품의 성능 저하가 감지되었다고 가정해 보겠습니다.

PHM 시스템은 단순히

“이 부품에 이상이 있습니다.”

라고 알려주는 것에서 끝나는 것이 아닙니다.

보다 발전된 Health Management에서는 다음과 같은 판단을 지원할 수 있습니다.

• 지금 바로 교환해야 하는가?
• 다음 비행까지 사용 가능한가?
• 다음 정비기회까지 사용할 수 있는가?
• 해당 기지에 예비품이 있는가?
• 정비인력은 확보되어 있는가?
• 필요한 지원장비가 있는가?
• 임무에 어떤 영향을 미치는가?

즉,

진단정보 + 예지정보 + 정비자원 + 군수자원 + 운용요구

를 결합하여 정비 의사결정을 지원하는 것이 Health Management입니다.

---

4. Prognostics – 고장예지

PHM에서 가장 발전된 개념 중 하나가 Prognostics입니다.

Diagnostics가 현재 상태를 판단하는 것이라면 Prognostics는 미래 상태를 예측합니다.

Prognostics는 구성품의 실제 물리적 상태를 평가하고, 고장 진행과정을 모델링하여 앞으로 얼마 동안 기능을 수행할 수 있는지를 예측하는 기술입니다.

대표적인 개념이

Remaining Useful Life, RUL

즉, 잔여유효수명입니다.

개념적으로 표현하면 다음과 같습니다.

현재 상태

↓

열화 상태 분석

↓

고장 진행 모델

↓

고장 한계점 예측

↓

Remaining Useful Life 계산

↓

정비 시점 결정

즉, 단순히

“고장이 발생했는가?”

를 판단하는 것이 아니라

“앞으로 얼마나 더 사용할 수 있는가?”

를 판단하는 것입니다.

---

5. Diagnostics와 Prognostics의 차이

두 개념은 비슷해 보이지만 차이가 있습니다.

Diagnostics

현재 또는 과거의 상태를 판단합니다.

예를 들어,

“현재 유압펌프에 이상이 발생했다.”

를 판단하는 것입니다.

Prognostics

미래의 상태를 예측합니다.

예를 들어,

“현재 열화속도를 고려하면 약 20 비행시간 이후 성능 한계에 도달할 가능성이 있다.”

와 같은 판단입니다.

따라서 개념적으로는 다음과 같이 정리할 수 있습니다.

상태 감시

↓

Diagnostics

현재 고장 여부 판단

↓

Prognostics

미래 고장 시점 예측

↓

Health Management

언제, 어디서, 어떻게 정비할 것인지 결정

---

6. PHM은 항공기 전체 시스템에 통합된다

F-35의 중요한 특징은 PHM이 특정 장비 하나에만 적용되는 독립적인 기능이 아니라는 점입니다.

F-35의 PHM은 Air System 전체에 통합되는 개념으로 설계되었습니다.

즉,

• 항공기
• 구성품
• 센서
• Built-In Test
• 정비정보
• 군수정보
• 공급지원
• 정비계획
• 운용정보

등이 서로 연계됩니다.

이를 개념적으로 표현하면 다음과 같습니다.

Aircraft Sensors

↓

Condition Monitoring

↓

Diagnostics

↓

Prognostics

↓

Health Management

↓

Maintenance Planning

↓

Supply Support

↓

Mission Availability

PHM의 목적은 단순히 고장을 발견하는 것이 아니라 항공기 가동률과 임무수행능력을 향상시키는 것입니다.

---

7. Autonomic Logistics와 PHM

F-35에서는 PHM이 Autonomic Logistics, 즉 자율군수지원 개념과 밀접하게 연결됩니다.

Autonomic Logistics의 기본적인 방향은 항공기에서 발생하는 상태정보를 활용하여 정비 및 군수지원 활동을 보다 자동화하고 지능적으로 수행하는 것입니다.

예를 들어,

항공기 상태정보 수집

↓

고장 또는 열화 분석

↓

필요 정비작업 식별

↓

필요 부품 판단

↓

정비인력 및 장비 확인

↓

정비계획 수립

↓

군수지원 조치

와 같이 항공기 상태정보가 실제 군수지원 활동으로 연결될 수 있습니다.

이러한 개념은 현재의 **CBM+(Condition Based Maintenance Plus)**와도 매우 밀접한 관계가 있습니다.

---

8. Prognostic Candidate란?

F-35 PHM 개발에서는 모든 부품에 처음부터 동일한 수준의 고장예지 알고리즘을 적용할 수 없었습니다.

따라서 고장예지가 가능한 대상들을 Prognostic Candidate로 선정하고 기술 수준에 따라 분류하였습니다.

당시 수백 개의 Prognostic Candidate가 식별되었으며 크게 세 가지 Category로 구분되었습니다.

---

9. Category 1 – 고장물리가 충분히 이해된 경우

Category 1

Well-Defined Understanding of the Physics of Failure with Historical Basis

즉,

과거 데이터가 충분하고 고장이 발생하는 물리적 메커니즘을 잘 이해하고 있는 경우

입니다.

이 경우에는 비교적 바로 Prognostics 적용이 가능합니다.

예를 들어 특정 부품의

• 피로
• 마모
• 온도 열화
• 진동
• 균열 성장

등의 고장 메커니즘이 충분히 알려져 있다면 물리모델을 이용하여 고장 진행을 예측할 수 있습니다.

따라서 Category 1은

Prognostics Implementation

대상이라고 볼 수 있습니다.

---

10. Category 2 – 고장물리는 이해하지만 이력 데이터가 부족한 경우

Category 2

Defined Understanding of Physics of Failure with No Historical Basis

고장 발생의 물리적 메커니즘은 이해하고 있지만 충분한 과거 데이터가 없는 경우입니다.

이 경우 바로 완성된 예지 알고리즘을 적용하기보다는 실제 운용 데이터를 계속 수집해야 합니다.

즉,

데이터 수집

↓

고장패턴 확인

↓

모델 검증

↓

알고리즘 개선

↓

예측 정확도 향상

과정을 반복하게 됩니다.

이는 PHM이 한 번 개발하고 끝나는 시스템이 아니라 운용 데이터를 통해 계속 발전하는 시스템이라는 점을 보여줍니다.

---

11. Category 3 – 고장과 지표의 관계가 아직 명확하지 않은 경우

Category 3

Suspected Relationship of Indicators with Physics of Failure with No Historical Basis or Proven Technology

즉,

센서나 특정 상태지표가 고장과 관련이 있을 것으로 예상되지만 과거 데이터도 부족하고 기술적으로도 충분히 입증되지 않은 경우입니다.

이 단계에서는 즉시 예지 알고리즘을 개발하기 어렵습니다.

따라서 우선 데이터를 축적합니다.

상태 데이터 수집

↓

운용 데이터 축적

↓

고장 데이터 축적

↓

Data Mining

↓

고장과 상태변수의 관계 분석

↓

예지 알고리즘 후보 개발

오늘날의 관점에서 보면 이러한 접근방식은 AI·Machine Learning 기반 PHM과 매우 유사합니다.

---

12. 세 가지 Prognostic Candidate 비교

F-35의 Prognostic Candidate 분류는 PHM 기술의 성숙도를 단계적으로 관리하기 위한 좋은 방법입니다.

Category 1

고장물리 이해 : 높음
과거자료 : 있음
적용방향 : 즉시 또는 조기 적용 가능

↓

Category 2

고장물리 이해 : 있음
과거자료 : 부족
적용방향 : 운용데이터 축적 및 알고리즘 개선

↓

Category 3

고장물리 이해 : 제한적
과거자료 : 없음
기술검증 : 부족
적용방향 : 데이터 수집 및 Data Mining

이러한 구조는 현재 PHM 시스템을 개발할 때도 활용할 수 있는 매우 실용적인 접근방식입니다.

---

13. 오늘날 AI 기반 PHM과의 연결

2006년 당시에는 PHM 개발에서 Physics of Failure와 고장 데이터를 중심으로 접근했습니다.

하지만 오늘날에는 여기에 AI와 Machine Learning이 결합되고 있습니다.

예를 들어 다음과 같은 데이터를 활용할 수 있습니다.

• 온도
• 압력
• 진동
• 전류
• 전압
• 비행시간
• 작동횟수
• 고장기록
• 정비기록
• 환경조건
• 운용조건

이러한 데이터를 분석하여

이상탐지 → 고장분류 → 열화추세 분석 → RUL 예측

으로 발전시킬 수 있습니다.

특히 Category 3와 같이 고장물리가 충분히 알려져 있지 않은 영역에서는 대규모 운용 데이터를 활용한 Data-Driven PHM의 역할이 커지고 있습니다.

---

14. F-35 PHM과 CBM+의 관계

F-35 PHM은 CBM+를 이해하는 데도 매우 좋은 사례입니다.

CBM+의 핵심은 단순히 센서를 설치하는 것이 아닙니다.

상태를 감시하고 → 고장을 진단하고 → 미래를 예측하고 → 정비 의사결정에 반영하는 것

이 핵심입니다.

이를 간단히 표현하면 다음과 같습니다.

Sensor

↓

Condition Monitoring

↓

Diagnostics

↓

Prognostics

↓

Health Management

↓

Maintenance Decision

↓

Logistics Support

↓

Availability 향상

따라서 PHM은 CBM+를 구현하기 위한 핵심 기술 중 하나라고 할 수 있습니다.

---

15. IPS 관점에서 본 F-35 PHM

PHM은 정비분야만의 기술이 아닙니다.

IPS(Integrated Product Support) 관점에서 보면 여러 지원요소와 연결됩니다.

예를 들어 PHM을 통해 고장 발생시점을 예측할 수 있다면,

Maintenance Planning

정비시점을 최적화할 수 있습니다.

Supply Support

예비품 소요시점을 예측할 수 있습니다.

Manpower & Personnel

필요 정비인력과 업무량을 예측할 수 있습니다.

Support Equipment

필요한 시험장비와 정비장비를 사전에 준비할 수 있습니다.

Technical Data

고장정보와 정비절차를 연계할 수 있습니다.

Product Support Management

항공기 가동률과 수명주기비용을 종합적으로 관리할 수 있습니다.

따라서 PHM은 단순한 항공기 센서 기술이 아니라 IPS 전체를 데이터 기반으로 운영하기 위한 핵심 기술이라고 볼 수 있습니다.

---

16. F-35 PHM에서 배울 수 있는 점

F-35 PHM 사례에서 특히 중요한 것은 모든 부품에 완벽한 Prognostics를 한 번에 구현하려 하지 않았다는 점입니다.

기술 성숙도와 데이터 수준에 따라 Prognostic Candidate를 분류하고,

• 적용 가능한 것은 즉시 적용하고
• 데이터가 부족한 것은 데이터를 축적하고
• 기술이 불확실한 것은 연구 대상으로 관리하는

단계적 접근방식을 사용했습니다.

이러한 방식은 현재 항공기 CBM+ 또는 AI 기반 PHM 개발에도 그대로 적용할 수 있습니다.

특히 기존 항공기에 PHM을 적용하려는 경우에는

“어떤 부품부터 PHM을 적용할 것인가?”

라는 질문이 가장 먼저 필요합니다.

이를 위해서는

고장빈도 + 안전영향 + 정비비용 + 가동률 영향 + 센서데이터 가용성 + 예측가능성

등을 종합적으로 분석하여 PHM 후보를 선정하는 것이 중요합니다.

---

결론

F-35의 Prognostics and Health Management는 단순한 고장예측 시스템이 아닙니다.

핵심은

Diagnostics → Prognostics → Health Management → Maintenance & Logistics Decision

을 하나의 체계로 연결하는 것입니다.

특히 F-35에서는 PHM을 Air System 전체에 통합하여 항공기 상태정보를 실제 정비와 군수지원 의사결정에 활용하려고 하였습니다.

또한 Prognostic Candidate를 Category 1, 2, 3으로 분류하여 기술과 데이터의 성숙도에 따라 단계적으로 예지기술을 적용하였습니다.

이러한 접근방식은 오늘날

CBM+

Predictive Maintenance

AI 기반 PHM

Digital Twin

IPS 데이터 분석

등으로 발전하고 있습니다.

결국 PHM의 궁극적인 목적은 단순히 고장을 예측하는 것이 아닙니다.

고장이 발생하기 전에 필요한 정비와 군수지원 활동을 준비하여 항공기의 가동률을 높이고 수명주기비용을 줄이는 것

이라고 할 수 있습니다.

---

한 줄 정리

F-35의 PHM은 항공기 상태를 진단하고, 고장 진행을 예측하며, 그 결과를 정비·보급·운용 의사결정에 연결하는 데이터 기반 자율군수지원 체계의 핵심 기술이다.