KR101884907B1 - 빅데이터 분석 기반 신뢰도 예측 방법 - Google Patents

빅데이터 분석 기반 신뢰도 예측 방법 Download PDF

Info

Publication number
KR101884907B1
KR101884907B1 KR1020180006391A KR20180006391A KR101884907B1 KR 101884907 B1 KR101884907 B1 KR 101884907B1 KR 1020180006391 A KR1020180006391 A KR 1020180006391A KR 20180006391 A KR20180006391 A KR 20180006391A KR 101884907 B1 KR101884907 B1 KR 101884907B1
Authority
KR
South Korea
Prior art keywords
data
defect
cause
analysis
weapon system
Prior art date
Application number
KR1020180006391A
Other languages
English (en)
Inventor
김근형
Original Assignee
엘아이지넥스원 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘아이지넥스원 주식회사 filed Critical 엘아이지넥스원 주식회사
Priority to KR1020180006391A priority Critical patent/KR101884907B1/ko
Application granted granted Critical
Publication of KR101884907B1 publication Critical patent/KR101884907B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/008—Reliability or availability analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명에 따르면, 빅데이터 분석 기반 신뢰도 예측 방법에 있어서, 신뢰도 예측 분석을 수행하기 위해 운용되고 있는 무기 체계의 정보가 포함된 데이터를 수집하여, 상기 데이터에서 선별된 결함 데이터를 축적하는 단계 및 상기 축적된 결함 데이터를 이용하여 상기 결함 데이터의 결함 원인 비율을 계산하고, 상기 결함 원인 비율에 따른 신뢰도 예측 분석을 수행하는 단계를 포함함으로써 개발단계에서 정확한 예측이 어려운 신뢰도 값을 후속군수지원 단계의 유사무기체계 결함원인 데이터를 활용하여 신뢰도 예측의 정확성을 높이는 빅데이터 분석 기반 신뢰도 예측 방법이 개시된다.

Description

빅데이터 분석 기반 신뢰도 예측 방법{Big Data Analytics Based Reliability Prediction Method}
본 발명은 빅데이터 분석 기반 신뢰도 예측 방법에 관한 것으로, 특히 후속군수지원 단계에 축적된 빅데이터를 통해 무기체계의 신뢰도를 예측하는 방법에 관한 것이다.
종래의 무기체계의 개발에 있어서, 무기체계의 신뢰도 예측은 부품단위의 고장률을 산출한다. 그리고 체계 신뢰도 산출은 하위 구성품의 값을 상위식(Bottom-Up) 방식으로 합산한다. 하지만 최근 무기체계는 복잡성이 높고 기능이 다양화되었다. 따라서 설계자가 하위 부품을 신뢰도 높은 부품으로 구성했더라도 모듈 및 체계의 신뢰도 향상을 보장할 수는 없다. 따라서 예측 시, 신뢰도는 부품(Unit), 모듈(Module), 장비(Top) 및 체계의 연관성 모두를 고려해야 한다.
또한, 무기체계 신뢰도는 다양한 요인에 의해 달라질 수 있다. RAM(Reliability Availability, Maintainability)은 설계, 제조품질, 운송, 처리, 저장 및 환경, 전력화 후의 운용, 정비요원의 기술수준 등 다양한 요인에 의해 영향을 받는다. 따라서 무기체계 신뢰도 예측은 개발단계 외에도 다양한 변수들을 복합적으로 고려하여야 한다.
본 발명은 빅데이터 분석 기반 신뢰도 예측 방법으로 신뢰도 예측 분석을 수행하기 위해 운용되고 있는 무기 체계의 정보가 포함된 데이터를 수집하여, 상기 데이터에서 선별된 결함 데이터를 축적하는 단계 및 축적된 결함 데이터를 이용하여 상기 결함 데이터의 결함 원인 비율을 계산하고, 상기 결함 원인 비율에 따른 신뢰도 예측 분석을 수행하는 단계를 포함함으로써 개발단계에서 정확한 예측이 어려운 신뢰도 값을 후속군수지원 단계의 유사무기체계 결함원인 데이터를 활용하여 신뢰도 예측의 정확성을 높이는데 그 목적이 있다.
또한, 무기체계의 PLS 데이터를 지식발견(KDD, Knowledge Discovery in Databases) 절차의 데이터 선택(Selection), 변환(Transformation), 해석(Interpretation) 과정에 적용함으로써, 무기 개발에 유용한 정보를 추출하고, 추출한 정보를 활용하여 신뢰도를 예측하여 신뢰성을 높이는데 또 다른 목적이 있다.
본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.
상기 과제를 해결하기 위해, 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 방법은 신뢰도 예측 분석을 수행하기 위한 데이터를 수집하여, 신뢰도 예측 분석을 수행하기 위해 운용되고 있는 무기 체계의 정보가 포함된 데이터를 수집하여, 상기 데이터에서 선별된 결함 데이터를 축적하는 단계 및 상기 축적된 결함 데이터를 이용하여 상기 결함 데이터의 결함 원인 비율을 계산하고, 상기 결함 원인 비율에 따른 신뢰도 예측 분석을 수행하는 단계를 포함한다.
여기서, 상기 데이터에서 선별된 결함 데이터를 축적하는 단계는, 신뢰도 예측 분석을 수행하기 위한 상기 데이터를 수집하는 단계, 수집된 상기 데이터로부터 신뢰도 예측 분석에 필요한 상기 결함 데이터를 추출하는 단계 및 추출된 상기 결함 데이터를 신뢰도 예측 분석이 가능하도록 동일 빈도 이산화를 수행하여 변환하여 축적하는 단계를 포함한다.
여기서, 상기 축적된 상기 결함 데이터를 활용하여 신뢰도 예측 분석을 수행하는 단계는, 수집된 상기 데이터에서 적어도 하나의 결함 원인을 주요 변수로 설정하고, 상기 설정된 주요 변수와 상관 관계를 고려하여 상기 결함 데이터 중 일부의 데이터를 부분 연계 데이터로 추출하는 단계, 수집된 상기 데이터에서 무기 체계를 제1 분석 대상 변수로, 무기 체계의 속성을 정의하는 유형 정보를 제2 분석 대상 변수로 설정하고, 상기 추출된 부분 연계 데이터에서 상기 복수개의 분석 대상 변수 각각에 대한 대응분석을 수행하여 상기 결함 데이터 중 상기 분석 변수에 따른 결함 원인과 관련된 데이터를 무기체계 데이터로 필터링 하는 단계, 상기 무기체계 데이터에서 상기 적어도 하나의 결함 원인의 분포를 고려하여 상기 각각의 결함 원인 비율을 자동으로 계산하는 단계 및 상기 무기체계 데이터에서 계산된 결함 원인 비율을 이용하여 신뢰도 예측값을 계산하는 단계를 포함한다.
여기서, 무기체계 데이터로 필터링 하는 단계는 사용자가 분석을 원하는 무계체계의 유형을 인식하는 단계, 상기 추출된 부분 연계 데이터에서 상기 사용자가 선택한 무기 체계에 관련된 무기 체계를 나열하는 단계, 상기 사용자가 선택한 무기 체계를 상기 제1 분석 대상 변수로, 무기 체계의 속성을 정의하는 유형 정보를 상기 제2 분석 대상 변수로 설정하는 단계 및 상기 추출된 부분 연계 데이터에서 상기 복수개의 분석 대상 변수 각각에 대한 대응분석을 수행하는 단계를 포함한다.
여기서, 상기 결함 원인은 제1 결함 원인과 제2 결함 원인을 포함하며, 상기 결함 원인 비율을 자동으로 계산하는 단계는, 상기 무기체계 데이터에서 상기 적어도 하나의 결함 원인의 분포를 고려하여 각각의 결함 원인 비율을 분석하되, 상기 결함 원인 분포에 따라 상기 제1 결함 원인과 상기 제2 결함원인을 구분하며, 상기 구분된 상기 제1 결함 원인과 상기 제2 결함 원인의 비율을 자동으로 구분하여 계산한다.
여기서, 상기 결함 원인은 자재 결함 원인을 상기 제1 결함 원인으로, 자재 결함이 아닌 기타 결함들의 원인을 상기 제2 결함 원인으로 구분하는 것이 바람직하며, 자동으로 구분하여 계산된 상기 제1 결함 원인 비율과 상기 제2 결함 원인 비율의 합은 1이다.
여기서, 상기 무기체계 데이터에서 상기 적어도 하나의 결함 원인의 분포를 고려하여 상기 각각의 결함 원인 비율을 자동으로 계산하는 단계는 상기 각각의 결함 원인의 분포에서 결함의 빈도수가 많은 상대 빈도의 비율을 계산하여 순차적으로 상기 제1 결함 원인과 상기 제2 결함원인을 구분하며 상기 분석 변수에 포함되는 제1 분석 대상 변수의 데이터와 제2 분석 대상 변수의 데이터 각각에 따른 상기 결함 원인 비율을 각각 자동으로 계산한다.
여기서, 계산된 결함 원인 비율을 이용하여 신뢰도 예측값을 계산하는 단계는 상기 무기체계 데이터에서 부품들에 대한 고장률의 합을 계산하는 단계, 상기 무기체계 데이터에서 부품들에 대한 고장률의 합에서 상기 제1 결함 원인 비율을 제1 가중치로 하여 계산을 수행하는 단계, 상기 무기체계 데이터에서 부품들에 대한 고장률의 합에서 상기 제2 결함 원인 비율을 제2 가중치로 하여 계산을 수행하는 단계 및 상기 제1 가중치로 계산을 수행한 값과 상기 제2 가중치로 계산을 수행한 값을 더하여 고장률의 합을 재산출한 값을 신뢰도 예측값으로 설정하는 단계를 포함한다.
여기서, 상기 복수개의 분석 대상 변수 각각에 대한 대응분석을 수행하는 것은, 상기 추출된 부분 연계 데이터에서, 상기 제1 분석 대상 변수와 관련된 제1 부분 연계 데이터를 추출한 후, 상기 제1 부분 연계 데이터에서 상기 제2 분석 대상 변수와 관련된 제2 부분 연계 데이터를 추출하여 상기 제2 부분 연계 데이터를 상기 무기체계 데이터로 필터링 한다.
또한, 상기 추출된 상기 결함 데이터를 신뢰도 예측 분석이 가능하도록 동일 빈도 이산화를 수행하여 변환하여 축적하는 단계는, 결함 데이터내의 노이즈를 제거하고 상기 결함 데이터 중 일관성이 없는 데이터를 제거하는 데이터 정제 단계 및 결함 데이터 중 중복을 제거하고 군집화하여 크기를 조정하는 데이터 변환 단계를 포함한다.
또한, 본 발명의 또 다른 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 방법은 프로세서에 의해 실행 가능한 컴퓨터 프로그램 명령어들을 포함하는 비일시적(Non-Transitory) 컴퓨터 판독 가능한 저장매체에 기록되어 신뢰도 예측 방법을 수행하기 위한 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램 명령어들이 실행되는 경우에, 신뢰도 예측 분석을 수행하기 위해 운용되고 있는 무기 체계의 정보가 포함된 데이터를 수집하여, 상기 데이터에서 선별된 결함 데이터를 축적하는 단계 및 상기 축적된 결함 데이터를 이용하여 상기 결함 데이터의 결함 원인 비율을 계산하고, 상기 결함 원인 비율에 따른 신뢰도 예측 분석을 수행하는 단계를 포함한 동작들을 수행하는 컴퓨터 프로그램을 제공한다.
이상에서 설명한 바와 같이 본 발명의 실시예들에 의하면, 현재 하위 구성품만을 고려한 신뢰도 예측 절차를 개선하기 위한 빅데이터 분석은 하위 구성품뿐만 아니라 장비 및 체계의 결함원인을 확인할 수 있고, 개발단계에서 정확한 예측이 어려운 신뢰도 값을 후속군수지원 단계의 유사무기체계 결함원인 데이터를 활용함으로써 신뢰도 예측의 정확성이 높아진다.
이로 인해, 무기체계 결함을 감소시키고, 신뢰도 예측의 정확성을 높일 수 있고, 지속적인 결함관리는 효율적ㅇ장기적인 무기체계 품질향상의 효과를 얻을 수 있다.
또한, 우리 군의 형태에 적합한 데이터 베이스 관리 시스템을 갖춘다면 비용, 기간 등을 포함한 동시조달수리부속(CSP: Concurrent Spare Parts) 분석의 적중률도 높아질 것이다.
여기에서 명시적으로 언급되지 않은 효과라 하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급된다.
도 1은 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 장치(10)를 나타낸 블록도이다.
도 2는 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 장치(10)의 데이터 구축부(100)를 나타낸 블록도이다.
도 3은 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 장치(10)의 데이터 분석부(200)를 나타낸 블록도이다.
도 4는 무기체계의 결함 원인을 구분하여 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 장치(10)의 데이터 필터(230)를 나타낸 블록도이다.
도 6은 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 장치(10)의 신뢰도 예측 분석부(270)를 나타낸 블록도이다.
도 7은 본 발명의 일 실시예에 따른 무기체계 개발 프레임워크를 나타낸 도면이다.
도 8은 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 방법을 나타낸 흐름도이다.
도 9는 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 방법에서 결함 데이터를 축적하는 단계를 나타낸 흐름도이다.
도 10은 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 방법에서 무기체계 데이터를 필터링 하는 단계를 나타낸 흐름도이다.
도 11은 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 방법에서 신뢰도 예측값을 계산하는 단계를 나타낸 흐름도이다.
이하, 본 발명에 관련된 빅데이터 분석 기반 신뢰도 예측 방법에 대하여 도면을 참조하여 보다 상세하게 설명한다. 그러나, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 설명하는 실시예에 한정되는 것이 아니다. 그리고, 본 발명을 명확하게 설명하기 위하여 설명과 관계없는 부분은 생략되며, 도면의 동일한 참조부호는 동일한 부재임을 나타낸다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 발명은 빅데이터 분석 기반 신뢰도 예측 방법에 관한 것이다.
도 1은 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 장치(10)를 나타낸 블록도이다.
도 1을 참조하면, 분석 기반 신뢰도 예측 장치(10)는 데이터 구축부(100), 데이터 분석부(200)를 포함한다.
분석 기반 신뢰도 예측 장치(10)는 후속군수지원 단계에 축적된 빅데이터를 통해 무기체계의 신뢰도를 예측하는 장치이다.
후속군수지원(PLS, Post-Logistics Support) 단계는 기 개발된 무기체계가 전력화 후 군에서 운용이 이루어지며 후속으로 발생하는 군수지원 단계이다. 따라서 후속군수지원 데이터는 무기체계가 군에 전력화된 후 실전에서 발생하는 결함정보를 담고 있고, 이는 무기체계의 신뢰도 예측에 중요한 영향을 미칠 수 있다. 또한, 제조일, 고장발생일, 단가, 부품, 결함원인 등 다양한 정보를 담고 있으므로 목적함수에 따라 다양한 데이터 분석이 가능하다.
신뢰도는 어떤 부품 또는 체계가 주어진 조건하에서 지정된 기간 동안 의도된 기능을 고장 없이 수행할 확률이다. 무기체계 신뢰도 분석의 목적은 사용자가 무기체계 개발 시 제안 요청서(RFP: Request For Proposal)의 신뢰도 목표값에 대한 충족여부를 입증하는데 있다. 하지만 실제 목표값 충족여부를 입증하기에는 무기체계 특성상 한계가 있다. 무기체계는 개발기간이 길고, 개발 비용이 높기 때문에 실제 테스트가 아닌 예측을 통해 목표값을 입증하는 경우가 대다수이다. 따라서 신뢰도 예측은 보통 무기체계의 부품의 고장률을 기반으로 부품단위부터 체계단위까지 이루어진다.
일반적으로 무기체계 신뢰도 예측 절차는 장비의 구조 분석, 수학적 모델 선정, 부품목록 작성, 고장률 계산, 신뢰도 계산 등의 단계로 진행된다.
신뢰도 예측을 위해 수행되는 신뢰도 모델링은 개발되는 체계 또는 장비의 구조적, 기능적 분석을 통해 신뢰도 블록선도(RBD, Reliability Block Diagram)를 작성하여 복잡한 체계를 단순화하여 체계에 대한 이해를 증진시키고 정확한 신뢰도 분석을 도모할 수 있다. 체계 또는 장비의 구조를 반영하기 위한 모델은 직렬 구조 모델(Series Model), 병렬 구조 모델(Parallel Model), 혼합 구조 모델(Combination Model), N중K 구조 모델로 구성되며, 가장 일반적으로 활용하는 모델은 직렬 모델이다. 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 장치 및 방법은 직렬 구조 모델을 사용하여 신뢰도 및 고장률을 계산한다.
데이터 구축부(100)는 신뢰도 예측 분석을 수행하기 위해 운용되고 있는 무기 체계의 정보가 포함된 데이터를 수집하여, 상기 데이터에서 선별된 결함 데이터를 축적한다. 여기서, 수집되는 데이터는 후속군수지원 데이터이다.
빅데이터 분석을 위해서는 가장 기초가 되는 것이 데이터의 확보이다. 무기체계는 여러 단계를 거쳐 양산 후 전력화되고 있으며 각 단계는 무기체계 규모 및 개발수준에 따라 생략되기도 한다.
신뢰도 예측은 체계개발 단계 중에 산출하게 되며, 설계변경에 따라 지속적으로 관리된다. 하지만 개발단계에서는 데이터 확보가 가능하더라도 데이터가 부족하고, 테스트 횟수를 늘리더라도 데이터가 불규칙함에 따라 정확한 분석이 불가능하다.
이러한 이유로 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 장치 및 방법은 개발단계의 데이터에 대한 대안으로 후속군수지원 데이터를 활용하여 신뢰도 분석을 수행한다. 후속군수지원(PLS, Post-Logistics Support)단계에서는 대량의 데이터의 확보가 가능해진다.
데이터 분석부(200)는 데이터 구축부(100)에서 축적된 결함 데이터를 이용하여 상기 결함 데이터의 결함 원인 비율을 계산하고, 상기 결함 원인 비율에 따른 신뢰도 예측 분석을 수행한다.
데이터 분석부(200)는 무기체계의 PLS 데이터를 지식발견(KDD, Knowledge Discovery in Databases) 절차의 데이터 선택(Selection), 변환(Transformation), 해석(Interpretation) 과정에 적용하여 무기 개발에 유용한 정보를 추출하고, 추출한 정보를 활용하여 신뢰도를 계산한다.
지식발견(KDD, Knowledge Discovery in Databases) 절차는 대규모 데이터로부터 자동으로 통계적 규칙이나 패턴을 찾아내는 시도이다. 데이터 분석부(200)는 대량의 데이터로부터 유용한 지식을 찾기 위해 분석을 수행한다. 지식발견(KDD, Knowledge Discovery in Databases) 절차는 분석에 필요한 데이터를 추출하고, 추출된 데이터를 분석 가능토록 사전처리와 변환과정을 거치며, 다양한 분석 방법을 이용하여 데이터의 패턴을 찾고, 분석 목적에 맞는 유용한 정보를 추출하는 절차이다.
도 2는 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 장치(10)의 데이터 구축부(100)를 나타낸 블록도이다.
도 2를 참조하면, 데이터 구축부(100)는 데이터 추출부(110), 데이터 변환부(130), 데이터 업데이트부(150)를 포함한다.
데이터 추출부(110)는 수집된 상기 데이터로부터 신뢰도 예측 분석에 필요한 상기 결함 데이터를 추출한다.
데이터 변환부(130)는 추출된 상기 결함 데이터를 신뢰도 예측 분석이 가능하도록 동일 빈도 이산화를 수행하여 변환하여 축적한다.
데이터 변환부(130)는 중복데이터를 제거하고 각 변수에서 범주의 레벨 개수가 기 설정된 기준 개수 이하인 데이터를 잡음 데이터로서 제거함으로써, 분석할 데이터의 품질을 향상시킨다.
구체적으로, 상기 결함 데이터내의 노이즈를 제거하고 상기 결함 데이터 중 일관성이 없는 데이터를 제거하며, 상기 결함 데이터 중 중복을 제거하고 군집화하여 크기를 조정한다.
데이터 업데이트부(150)는 지속적으로 정비 이력을 관리한다.
데이터 업데이트부(150)는 정비 이력으로부터 데이터를 수집하여 업데이트 하고, 빅데이터 분석을 활용하여 결함 원인을 분석할 수 있다.
데이터 업데이트부(150)는 데이터 베이스 관리를 지속적으로 이루어지도록 하여 최근 전력화된 무기체계 정보의 업데이트를 통해 다양한 데이터 정보 확보와 새로운 데이터 분석기술 등을 토대로 신뢰도 예측의 정확성이 높일 수 있다. 초기 데이터 베이스를 구축할 수 있으므로 유사무기체계의 결함원인 분석을 통해 신제품 개발 시 무기체계 품질향상이 가능하다.
도 3은 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 장치(10)의 데이터 분석부(200)를 나타낸 블록도이다.
도 3을 참조하면, 데이터 분석부(200)는 데이터 패턴 분석부(210), 데이터 필터(230), 비율 계산부(250), 신뢰도 예측 분석부(270)를 포함한다.
데이터 패턴 분석부(210)는 수집된 상기 데이터에서 적어도 하나의 결함 원인을 주요 변수로 설정하고, 상기 설정된 주요 변수와 상관 관계를 고려하여 상기 결함 데이터 중 일부의 데이터를 부분 연계 데이터로 추출한다.
분석한 무기체계 중 결함의 빈도수가 많은 5개의 무기체계(A, B, C, D, E)에 대한 결함비율을 표 1에 나타내었다.
Figure 112018005998712-pat00001
표 1에서 나타난 바와 같이 결함 원인은 자재, 작업, 운용, 설계, 기타, 천재지변으로 구분된다.
결함 원인 분석결과, 무기체계의 약 56.9%는 자재결함이 아닌 다른 원인에 의해 결함이 발생한 것을 알 수 있다.
따라서, 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 방법은 자재 결함 뿐 아니라 다른 원인에 의한 결함 원인을 주요 변수로 설정하고, 상기 데이터 변환부에서 처리된 결함 데이터로부터 상기 주요 변수에 상관도가 가장 높은 그룹을 추출함으로써, 다양한 변수들을 복합적으로 고려한 신뢰도 예측이 가능하다.
또한, 결함비율분포는 무기체계 별로 상이하며, 자재불량의 경우 무기체계 B와 D는 약 40% 포인트나 차이가 난다. 따라서 무기 체계를 제1 분석 대상 변수로, 무기 체계 유형을 제2 분석 대상 변수로 설정하여, 무기체계 데이터링을 필터링하여 분석할 필요가 있다.
데이터 필터(230)는 수집된 상기 데이터에서 무기 체계를 제1 분석 대상 변수로, 무기 체계의 속성을 정의하는 유형 정보를 제2 분석 대상 변수로 설정하고, 상기 데이터 패턴 분석부에서 추출된 상기 부분 연계 데이터에서 상기 복수개의 분석 대상 변수 각각에 대한 대응분석을 수행하여 상기 결함 데이터 중 상기 분석 변수에 따른 결함 원인과 관련된 데이터를 무기체계 데이터로 필터링 한다.
도 5는 무기체계의 결함 원인을 구분하여 나타낸 도면이다.
구체적으로 무기체계의 결함원인에 대한 파이차트를 나타낸 것으로, 결함원인은 A/S센터에서 작성한 7개(자재, 작업, 운용, 설계, 기타, 천재지변, 재현안됨)로 구분하였다.
무기체계 신뢰도는 다양한 요인에 의해 달라질 수 있다. RAM(Reliability Availability, maintainability)은 설계, 제조품질, 운송, 처리, 저장 및 환경, 전력화 후의 운용, 정비요원의 기술수준 등 다양한 요인에 의해 영향을 받는다. 따라서 무기체계 신뢰도 예측은 개발단계 외에도 다양한 변수들을 복합적으로 고려하여야 한다.
결함 원인의 각 비율은 자재 43.1%, 작업 4.8%, 운용 10.1%, 설계 20.2%, 기타 21.6%, 천재지변 0.1%이다. 재현안됨은 운용 시에 고장으로 수리 요청했지만, A/S센터에서는 정상 운용된 경우로 포함하지 않았다. 분석결과, 무기체계의 약 56.9%는 자재결함이 아닌 다른 원인에 의해 결함이 발생한 것을 알 수 있다.
또한, 동일한 무기체계라고 하더라도 세부 구성요소의 비율이 달라질 수 있다. 즉, 현재 신뢰도 예측은 부품단위의 고장률만을 고려하여 예측하고 있지만 실제 결함은 상위 조립체 또는 시스템 단위에서도 발생한다. 따라서 체계 신뢰도 산출을 위한 상위식(Bottom-Up) 방식은 정확하지 않을 수 있다.
따라서, 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 장치 및 방법은 결함 데이터 중 상기 분석 변수에 따른 결함 원인과 관련된 데이터를 무기체계 데이터로 필터링 함으로써 신뢰도 예측의 정확성을 높일 수 있다.
도 5는 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 장치(10)의 데이터 필터(230)를 나타낸 블록도이다.
도 5를 참조하면, 데이터 필터(230)는 무기 체계 인식부(231), 무기 체계 유형 선택부(233), 분석 대상 설정부(235), 대응 분석부(237)를 포함한다,
데이터 필터(230)는 데이터 패턴 분석부(210)에서 사용자가 선택한 무기 체계를 제1 분석 대상 변수로, 무기 체계의 속성을 정의하는 유형 정보를 제2 분석 대상 변수로 설정한다. 또한, 사용자가 원하는 유형의 무기체계를 선택하면 관련 무기체계들이 나열되고, 나열된 무기체계 중 원하는 무기체계를 선택하면 데이터 패턴 분석부(210)에서 추출된 부분 연계 데이터에서 상기 복수개의 분석 대상 변수 각각에 대한 대응분석을 수행하여 무기체계 데이터로 필터링 하게 된다.
구체적으로, 무기 체계 인식부(231)는 사용자가 분석을 원하는 무계체계의 유형을 인식한다. 무기 체계 인식부(231)는 기존 무기체계의 결함원인과 무기체계, 무기체계 유형을 인식한다. 무기체계는 예를 들어 천궁, 현무, 장보고 등이 있고, 무기체계 유형의 예로는 유도무기, 전자전, 레이더 등이 있다.
무기 체계 유형 선택부(233)는 추출된 부분 연계 데이터에서 무기 체계 유형에 따른 데이터를 선택한다.
분석 대상 설정부(235)는 사용자가 선택한 무기 체계를 상기 제1 분석 대상 변수로, 무기 체계의 속성을 정의하는 유형 정보를 상기 제2 분석 대상 변수로 설정한다.
대응 분석부(237)는 추출된 부분 연계 데이터에서 상기 복수개의 분석 대상 변수 각각에 대한 대응분석을 수행한다.
대응 분석부(237)에서 복수개의 분석 대상 변수 각각에 대한 대응분석을 수행하는 것은, 상기 추출된 부분 연계 데이터에서, 상기 제1 분석 대상 변수와 관련된 제1 부분 연계 데이터를 추출한 후, 상기 제1 부분 연계 데이터에서 상기 제2 분석 대상 변수와 관련된 제2 부분 연계 데이터를 추출하여 상기 제2 부분 연계 데이터를 상기 무기체계 데이터로 필터링 하는 것이다.
비율 계산부(250)는 상기 무기체계 데이터에서 상기 적어도 하나의 결함 원인의 분포를 고려하여 상기 각각의 결함 원인 비율을 자동으로 계산한다.
결함 원인은, 제1 결함 원인과 제2 결함 원인을 포함한다. 구체적으로 자재 결함 원인인 제1 결함 원인과 자재 결함이 아닌 기타 결함들의 원인인 제2 결함 원인을 포함하며, 제1 결함 원인 비율과 상기 제2 결함 원인 비율의 합은 1이다.
상기 표 1에서 나타난 바와 같이 결함 원인은 자재, 작업, 운용, 설계, 기타, 천재지변으로 구분되며, 결함 원인 분석결과, 무기체계의 약 56.9%는 자재결함이 아닌 다른 원인에 의해 결함이 발생할 수 있다.
비율 계산부(250)는 무기체계 데이터에서 상기 제1 결함 원인 비율과 상기 제2 결함 원인 비율을 구분하여 자동으로 계산한다. 구체적으로, 상기 무기체계 데이터에서 상기 적어도 하나의 결함 원인의 분포를 고려하여 각각의 결함 원인 비율을 분석하되, 상기 결함 원인 분포에 따라 상기 제1 결함 원인과 상기 제2 결함원인을 구분하며, 상기 구분된 상기 제1 결함 원인과 상기 제2 결함 원인의 비율을 자동으로 구분하여 계산한다.
또한, 비율 계산부(250)는 상기 각각의 결함 원인의 분포에서 결함의 빈도수가 많은 상대 빈도의 비율을 계산하여 순차적으로 상기 제1 결함 원인과 상기 제2 결함원인을 구분하며, 상기 분석 변수에 포함되는 제1 분석 대상 변수의 데이터와 제2 분석 대상 변수의 데이터 각각에 따른 상기 결함 원인 비율을 각각 자동으로 계산한다.
신뢰도 예측 분석부(270)는 비율 계산부(250)에서 계산된 비율을 이용하여 신뢰도 예측값을 계산한다.
신뢰도 예측 분석부(270)는 무기체계 데이터에서 부품들에 대한 고장률의 합을 계산하고, 상기 무기체계 데이터에서 부품들에 대한 고장률의 합에서 상기 제1 결함 원인 비율을 제1 가중치로 하여 계산을 수행하여 상기 제1 결함 원인 비율을 제1 가중치로 하여 계산을 수행한 값에서 상기 제2 결함 원인 비율을 제2 가중치로 하여 계산을 수행하고, 상기 제1 가중치로 계산을 수행한 값과 상기 제2 가중치로 계산을 수행한 값을 더하여 고장률의 합을 재산출한 값을 신뢰도 예측값으로 설정한다.
도 6은 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 장치(10)의 신뢰도 예측 분석부(270)를 나타낸 블록도이다.
도 6을 참조하면, 신뢰도 예측 분석부(270)는 고장률 계산부(271), 제1 계산부(273), 제2 계산부(275), 신뢰도 계산부(277)를 포함한다.
신뢰도 예측 분석부(270)에서 신뢰도 예측값을 연산하는 방법은 수학식 1을 이용하여 구현된다.
Figure 112018005998712-pat00002
여기서, 부품은 1~n개이며, λtotal은 부품 고장률의 총합이다. 결함 원인 비율에 있어서, α는 자재 결함의 비율, β는 자재 결함이 아닌 기타 결함들의 비율이고, MW는 무기 체계의 자재 결함 비율(material failure rate of weapon system), RW는 잔존 결함 비율(remaining failure rate)이다. λtotal'는 자재결함과 자재결함 외의 모든 고장률의 합을 재산출한 값이다.
고장률 계산부(271)는 무기체계 데이터에서 부품들에 대한 고장률의 합을 계산한다. 고장률 계산부(271)의 계산은 수학식 1의 식(1)을 통해 구현된다.
수학식 1의 식(1)은 n개의 부품들에 대한 고장률의 합으로 신뢰도 λtotal을 계산하는 수식이다. 하지만 실제 고장은 상기 표 1에 나타난 바와 같이 다양한 요인을 고려해야 한다.
제1 계산부(273)는 무기체계 데이터에서 부품들에 대한 고장률의 합에서 상기 제1 결함 원인 비율을 제1 가중치로 하여 계산을 수행한다. 제1 계산부(273)의 계산은 수학식 1의 식(2) 를 통해 구현되며, MW를 구하는 식으로 나타난다. 본 발명의 일 실시예에서는 제1 결함 원인 비율을 자재 결함의 비율로 선택하여 계산한다.
제2 계산부(275)는 상기 무기체계 데이터에서 부품들에 대한 고장률의 합에서 상기 제2 결함 원인 비율을 제2 가중치로 하여 계산을 수행한다. 제2 계산부(275)의 계산은 수학식 1의 식(2) 를 통해 구현되며, RW를 구하는 식으로 나타난다. 본 발명의 일 실시예에서는 제2 결함 원인 비율을 자재 결함이 아닌 기타 결함들의 비율로 선택하여 계산한다.
신뢰도 계산부(277)는, 상기 제1 가중치로 계산을 수행한 값과 상기 제2 가중치로 계산을 수행한 값을 더하여 고장률의 합을 재산출한 값을 신뢰도 예측값으로 설정한다. 신뢰도 계산부(277)의 계산은 수학식 1의 식(3)을 통해 구현된다.
수학식 1의 식(1)은 n개의 부품들에 대한 고장률의 합으로 신뢰도 λtotal을 계산하는 수식이다. 하지만 실제 고장은 상기 표 1에 나타난 바와 같이 다양한 요인을 고려해야 한다.
따라서 수학식 1의 식(2)에서는 자재결함 요소에 대한 가중치를 부여하기 위해서 자재결함의 비율인 α를 곱하여 MW를 재계산하였다. 단, α값은 유사 무기체계 종류에 따라 변경될 수 있다. β는 자재결함 외의 결함 비율로 기존 부품들의 고장률에서 β의 가중치를 곱하여 RW를 계산한다. 그리고 최종적으로 수학식 1의 식(3)의 λtotal'는 자재결함과 자재결함 외의 모든 고장률의 합을 재산출한 값이다.
개발자는 기존 100%로 계산하던 부품고장률을 α값만큼 가중치를 적용하기 위해서는 설계 단계에서 다양한 고장 관련 변수를 고려해야 한다. 따라서 기존 신뢰도 예측은 MW 값만을 계산해왔지만, RW 값을 추가하면 신뢰도 목표값을 달성하기 위해 β의 비율만큼 고장률을 기존 λtotal 값을 낮추어야 한다. 따라서 개발단계에서 신뢰도 목표값을 충족하기 위해서는 고품질의 자재를 활용하거나 이중화 또는 n중k의 설계기법의 추가적용 등을 토대로 더욱 좋은 품질의 무기체계 개발이 필요해진다.
신뢰도 예측 분석부(270)는 재산출된 λtotal'값을 신뢰도로 예측하게 된다.
도 7은, 본 발명의 일 실시예에 따른 무기체계 개발 프레임워크를 나타낸 도면이다.
구체적으로 도 7은, 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 장치 및 방법의 기존 무기체계 개발의 단점을 보완하여 새로운 무기체계 framework인 RPP(Reliability Prediction using Post-logistics support)를 제안한 그림이다.
RPP는 PLS DB에 수집된 데이터를 활용하여 KDD 절차를 기반으로 분석을 수행한다. PLSA (Post-Logistics Support Analysis)는 DB 분석 절차이다. 기존 무기체계는 정비단계에서 기록된 결함정보를 정비이력 DB로 관리만 했다. 하지만 정비이력 DB는 데이터 분석용이 아닌 단순 통계용으로만 활용되고 있다.
최종적으로 제안하는 절차는 도 8과 같이 DB를 PLSA를 통해 새로운 형태의 무기체계 신뢰도 예측 프레임워크를 갖춘다. 빅데이터를 활용한 결함원인의 비율분석은 개발 시 활용하면 사전에 주요 결함원인의 확인이 가능하고, 더욱 정확한 신뢰도 예측이 가능해진다. 따라서 신무기 개발 시 신뢰성 향상과 정확한 신뢰도 예측으로 무기체계 전체 성능도 향상될 것이다.
그리고 빅데이터 분석 과정에서는 무기체계의 다양한 결함원인도 동시에 확인이 가능하다. 이는 유사무기체계의 결함원인을 사전에 파악하고, 신무기 개발 시 활용하면 유사한 결함을 줄여 무기체계 전체 성능도 향상될 수 있다.
도 8은 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 방법을 나타낸 흐름도이다.
도 8을 참조하면, 빅데이터 분석 기반 신뢰도 예측 방법은 데이터 구축부(100)가 신뢰도 예측 분석을 수행하기 위한 데이터를 수집하는 단계(S110)에서 시작한다.
단계 S110 내지 단계 S130에서 데이터 구축부(100)는 신뢰도 예측 분석을 수행하기 위해 운용되고 있는 무기 체계의 정보가 포함된 데이터를 수집하여, 상기 데이터에서 선별된 결함 데이터를 축적한다.
단계 S110에서 데이터 구축부(100)는 신뢰도 예측 분석을 수행하기 위한 상기 데이터를 수집한다.
본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 방법은 개발단계의 데이터에 대한 대안으로 후속군수지원 데이터를 활용하여 신뢰도 분석을 수행한다. 후속군수지원(PLS, Post-Logistics Support)단계에서는 대량의 데이터의 확보가 가능해진다.
후속군수지원(PLS, Post-Logistics Support) 단계는 기 개발된 무기체계가 전력화 후 군에서 운용이 이루어지며 후속으로 발생하는 군수지원 단계이다. 따라서 후속군수지원 데이터는 무기체계가 군에 전력화된 후 실전에서 발생하는 결함정보를 담고 있고, 이는 무기체계의 신뢰도 예측에 중요한 영향을 미칠 수 있다. 또한, 제조일, 고장발생일, 단가, 부품, 결함원인 등 다양한 정보를 담고 있으므로 목적함수에 따라 다양한 데이터 분석이 가능하다.
단계 S120에서 데이터 추출부(110)는 수집된 상기 데이터로부터 신뢰도 예측 분석에 필요한 상기 결함 데이터를 추출한다.
단계 S130에서 데이터 변환부(130)는 추출된 상기 결함 데이터를 신뢰도 예측 분석이 가능하도록 동일 빈도 이산화를 수행하여 변환하여 축적한다.
도 9는 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 방법에서 결함 데이터를 축적하는 단계를 나타낸 흐름도이다.
도 9를 참조하면, 추출된 상기 결함 데이터를 신뢰도 예측 분석이 가능하도록 동일 빈도 이산화를 수행하여 변환하여 축적하는 단계(S130)는, 결함 데이터내의 노이즈를 제거하고 일관성 결여를 교정하는 데이터 정제 단계(S131) 결함 데이터 중 중복을 제거하고 군집화하여 크기를 조정하는 데이터 변환 단계(S133)를 포함한다.
단계 S131에서 데이터 변환부(130)는 결함 데이터내의 노이즈를 제거하고 상기 결함 데이터 중 일관성이 없는 데이터를 제거하며, 결함 데이터 중 중복을 제거하고 군집화하여 크기를 조정한다.
도 8을 참조하면, 단계 S140 내지 단계 S170에서 데이터 분석부(200)는 축적된 결함 데이터를 이용하여 상기 결함 데이터의 결함 원인 비율을 계산하고, 상기 결함 원인 비율에 따른 신뢰도 예측 분석을 수행한다.
무기체계의 PLS 데이터를 지식발견(KDD, Knowledge Discovery in Databases) 절차의 데이터 선택(Selection), 변환(Transformation), 해석(Interpretation) 과정에 적용하여 무기 개발에 유용한 정보를 추출하고, 추출한 정보를 활용하여 신뢰도를 계산한다.
지식발견(KDD, Knowledge Discovery in Databases) 절차는 대규모 데이터로부터 자동으로 통계적 규칙이나 패턴을 찾아내는 시도이다. 데이터 분석부(200)는 대량의 데이터로부터 유용한 지식을 찾기 위해 분석을 수행한다. 지식발견(KDD, Knowledge Discovery in Databases) 절차는 분석에 필요한 데이터를 추출하고, 추출된 데이터를 분석 가능토록 사전처리와 변환과정을 거치며, 다양한 분석 방법을 이용하여 데이터의 패턴을 찾고, 분석 목적에 맞는 유용한 정보를 추출하는 절차이다.
단계 S140에서 데이터 패턴 분석부(210)는 수집된 상기 데이터에서 적어도 하나의 결함 원인을 주요 변수로 설정하고, 상기 설정된 주요 변수와 상관 관계를 고려하여 상기 결함 데이터 중 일부의 데이터를 부분 연계 데이터로 추출한다.
상기 표 1에서 나타난 바와 같이 결함 원인은 자재, 작업, 운용, 설계, 기타, 천재지변으로 구분된다.
결함 원인 분석결과, 무기체계의 약 56.9%는 자재결함이 아닌 다른 원인에 의해 결함이 발생한 것을 알 수 있다.
따라서, 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 방법은 자재 결함 뿐 아니라 다른 원인에 의한 결함 원인을 주요 변수로 설정하고, 상기 데이터 변환부에서 처리된 결함 데이터로부터 상기 주요 변수에 상관도가 가장 높은 그룹을 추출함으로써, 다양한 변수들을 복합적으로 고려한 신뢰도 예측이 가능하다.
단계 S150에서 데이터 필터(230)는 수집된 상기 데이터에서 무기 체계를 제1 분석 대상 변수로, 무기 체계의 속성을 정의하는 유형 정보를 제2 분석 대상 변수로 설정하고, 상기 추출된 부분 연계 데이터에서 상기 복수개의 분석 대상 변수 각각에 대한 대응분석을 수행하여 상기 결함 데이터 중 상기 분석 변수에 따른 결함 원인과 관련된 데이터를 무기체계 데이터로 필터링 한다.
복수개의 분석 대상 변수 각각에 대한 대응분석을 수행하는 것은 상기 추출된 부분 연계 데이터에서, 상기 제1 분석 대상 변수와 관련된 제1 부분 연계 데이터를 추출한 후, 상기 제1 부분 연계 데이터에서 상기 제2 분석 대상 변수와 관련된 제2 부분 연계 데이터를 추출하여 상기 제2 부분 연계 데이터를 상기 무기체계 데이터로 필터링 하는 것이다.
도 10은 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 방법에서 무기체계 데이터를 필터링 하는 단계를 나타낸 흐름도이다.
무기체계 데이터로 필터링 하는 단계(S150)는 중복데이터를 제거하고 각 변수에서 범주의 레벨 개수가 기 설정된 기준 개수 이하인 데이터를 잡음 데이터로서 제거함으로써, 분석할 데이터의 품질을 향상시킨다.
도 10을 참조하면, 무기체계 데이터로 필터링 하는 단계(S150)는 데이터 패턴 분석부(210)에서 추출된 그룹에서 무기 체계 유형 선택부(233)가 무기 체계 유형에 따른 데이터를 인식하는 단계(S151), 추출된 부분 연계 데이터에서 상기 사용자가 선택한 무기 체계에 관련된 무기 체계를 나열하는 단계(S153)를 포함한다.
구체적으로, 단계 S151에서 무기 체계 인식부(231)가 사용자가 분석을 원하는 무계체계의 유형을 인식한다.
단계 S153에서 무기 체계 유형 선택부(233)는 추출된 부분 연계 데이터에서 상기 사용자가 선택한 무기 체계에 관련된 무기 체계를 나열한다. 구체적으로, 기존 무기체계의 결함원인, 무기체계(천궁, 현무, 장보고 등), 무기체계 유형(유도무기, 전자전, 레이더 등) 데이터를 필터링한 후, 사용자가 원하는 유형의 무기체계를 선택하면 관련 무기체계들이 나열되고, 나열된 무기체계 중 원하는 무기체계를 선택하면 상기 추출된 부분 연계 데이터에서 상기 복수개의 분석 대상 변수 각각에 대한 대응분석을 수행한다.
단계 S153에서 분석 대상 설정부(235)는 사용자가 선택한 무기 체계를 상기 제1 분석 대상 변수로, 무기 체계의 속성을 정의하는 유형 정보를 상기 제2 분석 대상 변수로 설정한다.
단계 S157에서 대응 분석부(237)는 추출된 부분 연계 데이터에서 상기 복수개의 분석 대상 변수 각각에 대한 대응분석을 수행한다.
단계 S160에서 비율 계산부(250)는 상기 무기체계 데이터에서 상기 적어도 하나의 결함 원인의 분포를 고려하여 상기 각각의 결함 원인 비율을 자동으로 계산한다.
결함 원인 비율을 자동으로 계산하는 단계(S160)는, 상기 무기체계 데이터에서 상기 적어도 하나의 결함 원인의 분포를 고려하여 각각의 결함 원인 비율을 분석하되, 상기 결함 원인 분포에 따라 상기 제1 결함 원인과 상기 제2 결함원인을 구분하며, 상기 구분된 상기 제1 결함 원인과 상기 제2 결함 원인의 비율을 자동으로 구분하여 계산한다. 구체적으로 결함 원인은 자재 결함 원인인 제1 결함 원인과 자재 결함이 아닌 기타 결함들의 원인인 제2 결함 원인을 포함하며, 상기 제1 결함 원인 비율과 상기 제2 결함 원인 비율의 합은 1이다.
구체적으로, 상기 무기체계 데이터에서 상기 적어도 하나의 결함 원인의 분포를 고려하여 상기 각각의 결함 원인 비율을 자동으로 계산하는 단계는 상기 각각의 결함 원인의 분포에서 결함의 빈도수가 많은 상대 빈도의 비율을 계산하여 순차적으로 상기 제1 결함 원인과 상기 제2 결함원인을 구분하며, 상기 분석 변수에 포함되는 제1 분석 대상 변수의 데이터와 제2 분석 대상 변수의 데이터 각각에 따른 상기 결함 원인 비율을 각각 자동으로 계산한다.
단계 S170에서 신뢰도 예측 분석부(270)는 계산된 비율을 이용하여 신뢰도 예측값을 계산한다. 신뢰도 예측 값 계산 시 신뢰도 예측은 종료된다.
도 11은 본 발명의 일 실시예에 따른 빅데이터 분석 기반 신뢰도 예측 방법에서 신뢰도 예측값을 계산하는 단계를 나타낸 흐름도이다.
계산된 비율을 이용하여 신뢰도 예측값을 계산하는 단계(S170)는, 무기체계 데이터에서 부품들에 대한 고장률의 합에서 상기 제1 결함 원인 비율을 제1 가중치로 하여 계산을 수행한 값과 상기 제2 결함 원인 비율을 제2 가중치로 하여 계산을 수행한 값을 더하여 고장률의 합을 재산출한 값을 신뢰도 예측값으로 설정하며, 상기 수학식 1을 이용하여 구현된다.
단계 S171에서 고장률 계산부(271)는 상기 무기체계 데이터에서 부품들에 대한 고장률의 합을 계산한다. 단계 S171의 계산은 수학식 1의 식(1)을 통해 구현된다.
수학식 1의 식(1)은 n개의 부품들에 대한 고장률의 합으로 신뢰도 λtotal을 계산하는 수식이다. 하지만 실제 고장은 상기 표 1에 나타난 바와 같이 다양한 요인을 고려해야 한다.
단계 S173에서 제1 계산부(273)는 무기체계 데이터에서 부품들에 대한 고장률의 합에서 상기 제1 결함 원인 비율을 제1 가중치로 하여 계산을 수행한다. 단계 S173의 계산은 수학식 1의 식(2) 를 통해 구현되며, MW를 구하는 식으로 나타난다. 본 발명의 일 실시예에서는 제1 결함 원인 비율을 자재 결함의 비율로 선택하여 계산한다.
단계 S175에서 제2 계산부(275)는 무기체계 데이터에서 부품들에 대한 고장률의 합에서 상기 제2 결함 원인 비율을 제2 가중치로 하여 계산을 수행한다. 단계 S175의 계산은 수학식 1의 식(2) 를 통해 구현되며, RW를 구하는 식으로 나타난다. 본 발명의 일 실시예에서는 제2 결함 원인 비율을 자재 결함이 아닌 기타 결함들의 비율로 선택하여 계산한다.
단계 S177에서 신뢰도 계산부(277)는 제1 가중치로 계산을 수행한 값과 상기 제2 가중치로 계산을 수행한 값을 더하여 고장률의 합을 재산출한 값을 신뢰도 예측값으로 설정한다. 단계 S177의 계산은 수학식 1의 식(3)을 통해 구현된다.
또한, 본 발명의 또 다른 실시예에 따른 빅데이터 기반 신뢰도 예측 방법에 있어서, 프로세서에 의해 실행 가능한 컴퓨터 프로그램 명령어들을 포함하는 비일시적(Non-Transitory) 컴퓨터 판독 가능한 저장매체에 기록되어 신뢰도 예측 방법을 수행하기 위한 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램 명령어들이 실행되는 경우에, 신뢰도 예측 분석을 수행하기 위해 운용되고 있는 무기 체계의 정보가 포함된 데이터를 수집하여, 상기 데이터에서 선별된 결함 데이터를 축적하는 단계 및 상기 축적된 결함 데이터를 이용하여 상기 결함 데이터의 결함 원인 비율을 계산하고, 상기 결함 원인 비율에 따른 신뢰도 예측 분석을 수행하는 단계; 를 포함한 동작들을 수행하는 컴퓨터 프로그램을 제공한다.
이상의 설명은 본 발명의 일 실시예에 불과할 뿐, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명의 본질적 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현할 수 있을 것이다. 따라서 본 발명의 범위는 전술한 실시예에 한정되지 않고 특허 청구 범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.
10: 빅데이터 분석 기반 신뢰도 예측 장치
100: 데이터 구축부
110: 데이터 추출부
130: 데이터 변환부
150: 데이터 업데이트부
200: 데이터 분석부
210: 데이터 패턴 분석부
230: 데이터 필터
250: 비율 계산부
270: 신뢰도 예측 분석부

Claims (11)

  1. 데이터 구축부가 신뢰도 예측 분석을 수행하기 위해 운용되고 있는 무기 체계의 정보가 포함된 데이터를 수집하여, 상기 데이터에서 선별된 결함 데이터를 축적하는 단계; 및 데이터 분석부가 상기 축적된 결함 데이터를 이용하여 상기 결함 데이터의 결함 원인 비율을 계산하고, 상기 결함 원인 비율에 따른 신뢰도 예측 분석을 수행하는 단계; 를 포함하며,
    비율 계산부가 상기 결함 데이터 중 분석 대상 변수에 따른 결함 원인과 관련된 데이터인 무기체계 데이터에서 적어도 하나의 결함 원인의 분포를 고려하여 상기 각각의 결함 원인 비율을 자동으로 계산하는 단계; 및
    신뢰도 예측 분석부가 상기 무기체계 데이터에서 계산된 결함 원인 비율을 이용하여 신뢰도 예측값을 계산하는 단계; 를 포함하고,
    상기 결함 원인은, 제1 결함 원인과 제2 결함 원인을 포함하며,
    상기 결함 원인 비율을 자동으로 계산하는 단계는, 상기 무기체계 데이터에서 상기 적어도 하나의 결함 원인의 분포를 고려하여 각각의 결함 원인 비율을 분석하되, 상기 결함 원인 분포에 따라 상기 제1 결함 원인과 상기 제2 결함원인을 구분하며, 상기 구분된 상기 제1 결함 원인과 상기 제2 결함 원인의 비율을 자동으로 구분하여 계산하고,
    상기 신뢰도 예측 분석부가 상기 계산된 결함 원인 비율을 이용하여 신뢰도 예측값을 계산하는 단계는,
    고장률 계산부가 상기 무기체계 데이터에서 부품들에 대한 고장률의 합을 계산하는 단계;
    제1 계산부가 상기 무기체계 데이터에서 부품들에 대한 고장률의 합에서 상기 제1 결함 원인 비율을 제1 가중치로 하여 계산을 수행하는 단계;
    제2 계산부가 상기 무기체계 데이터에서 부품들에 대한 고장률의 합에서 상기 제2 결함 원인 비율을 제2 가중치로 하여 계산을 수행하는 단계; 및
    신뢰도 계산부가 상기 제1 가중치로 계산을 수행한 값과 상기 제2 가중치로 계산을 수행한 값을 더하여 고장률의 합을 재산출한 값을 신뢰도 예측값으로 설정하는 단계를 포함하는 것을 특징으로 하는 신뢰도 예측 방법.
  2. 제1항에 있어서,
    상기 데이터 구축부가 상기 데이터에서 선별된 결함 데이터를 축적하는 단계는, 상기 데이터 구축부가 신뢰도 예측 분석을 수행하기 위한 상기 데이터를 수집하는 단계;
    데이터 추출부가 수집된 상기 데이터로부터 신뢰도 예측 분석에 필요한 상기 결함 데이터를 추출하는 단계; 및
    데이터 변환부가 추출된 상기 결함 데이터를 신뢰도 예측 분석이 가능하도록 동일 빈도 이산화를 수행하여 변환하여 축적하는 단계; 를 포함하는 것을 특징으로 하는 신뢰도 예측 방법.
  3. 제1항에 있어서,
    상기 데이터 분석부가 상기 신뢰도 예측 분석을 수행하는 단계는,
    데이터 패턴 분석부가 수집된 상기 데이터에서 적어도 하나의 결함 원인을 주요 변수로 설정하고, 상기 설정된 주요 변수와 상관 관계를 고려하여 상기 결함 데이터 중 일부의 데이터를 부분 연계 데이터로 추출하는 단계;
    데이터 필터가 수집된 상기 데이터에서 무기 체계를 제1 분석 대상 변수로, 무기 체계의 속성을 정의하는 유형 정보를 제2 분석 대상 변수로 설정하고, 상기 추출된 부분 연계 데이터에서 상기 복수개의 분석 대상 변수 각각에 대한 대응분석을 수행하여 상기 결함 데이터 중 상기 분석 대상 변수에 따른 결함 원인과 관련된 데이터를 무기체계 데이터로 필터링 하는 단계; 를 더 포함하는 것을 특징으로 하는 신뢰도 예측 방법.
  4. 제3항에 있어서,
    상기 데이터 필터가 상기 분석 대상 변수에 따른 결함 원인과 관련된 데이터를 무기체계 데이터로 필터링 하는 단계는,
    무기 체계 인식부가 사용자가 분석을 원하는 무계체계의 유형을 인식하는 단계;
    무기 체계 유형 선택부가 상기 추출된 부분 연계 데이터에서 상기 사용자가 선택한 무기 체계에 관련된 무기 체계를 나열하는 단계;
    분석 대상 설정부가 상기 사용자가 선택한 무기 체계를 상기 제1 분석 대상 변수로, 무기 체계의 속성을 정의하는 유형 정보를 상기 제2 분석 대상 변수로 설정하는 단계; 및
    대응 분석부가 상기 추출된 부분 연계 데이터에서 상기 복수개의 분석 대상 변수 각각에 대한 대응분석을 수행하는 단계를 포함하는 것을 특징으로 하는 신뢰도 예측 방법.
  5. 삭제
  6. 제3항에 있어서,
    상기 결함 원인은,
    자재 결함 원인을 상기 제1 결함 원인으로, 자재 결함이 아닌 기타 결함들의 원인을 상기 제2 결함 원인으로 구분하며,
    자동으로 구분하여 계산된 상기 제1 결함 원인 비율과 상기 제2 결함 원인 비율의 합은 1인 것을 특징으로 하는 신뢰도 예측 방법.
  7. 제3항에 있어서,
    상기 비율 계산부가 상기 무기체계 데이터에서 상기 적어도 하나의 결함 원인의 분포를 고려하여 상기 각각의 결함 원인 비율을 자동으로 계산하는 단계는,
    상기 각각의 결함 원인의 분포에서 결함의 빈도수가 많은 상대 빈도의 비율을 계산하여 순차적으로 상기 제1 결함 원인과 상기 제2 결함원인을 구분하며,
    상기 분석 대상 변수에 포함되는 제1 분석 대상 변수의 데이터와 제2 분석 대상 변수의 데이터 각각에 따른 상기 결함 원인 비율을 각각 자동으로 계산하는 것을 특징으로 하는 신뢰도 예측 방법.
  8. 삭제
  9. 제3항에 있어서,
    상기 데이터 필터에서 상기 복수개의 분석 대상 변수 각각에 대한 대응분석을 수행하는 것은,
    상기 추출된 부분 연계 데이터에서, 상기 제1 분석 대상 변수와 관련된 제1 부분 연계 데이터를 추출한 후, 상기 제1 부분 연계 데이터에서 상기 제2 분석 대상 변수와 관련된 제2 부분 연계 데이터를 추출하여 상기 제2 부분 연계 데이터를 상기 무기체계 데이터로 필터링 하는 것을 특징으로 하는 신뢰도 예측 방법.
  10. 제2항에 있어서,
    상기 데이터 구축부가 상기 추출된 상기 결함 데이터를 신뢰도 예측 분석이 가능하도록 동일 빈도 이산화를 수행하여 변환하여 축적하는 단계는,
    상기 데이터 변환부가 상기 결함 데이터내의 노이즈를 제거하고 상기 결함 데이터 중 일관성이 없는 데이터를 제거하는 데이터 정제 단계; 및 상기 결함 데이터 중 중복을 제거하고 군집화하여 크기를 조정하는 데이터 변환 단계; 를 포함하는 것을 특징으로 하는 신뢰도 예측 방법.
  11. 제1항 내지 제4항, 제6항, 제7항, 제9항 및 제10항 중 어느 한 항에 따른 신뢰도 예측 방법을 컴퓨터에서 수행하기 위한 컴퓨터에서 수행하기 위한 컴퓨터에서 판독 가능한 프로그램이 기록된 저장 매체.
KR1020180006391A 2018-01-18 2018-01-18 빅데이터 분석 기반 신뢰도 예측 방법 KR101884907B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180006391A KR101884907B1 (ko) 2018-01-18 2018-01-18 빅데이터 분석 기반 신뢰도 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180006391A KR101884907B1 (ko) 2018-01-18 2018-01-18 빅데이터 분석 기반 신뢰도 예측 방법

Publications (1)

Publication Number Publication Date
KR101884907B1 true KR101884907B1 (ko) 2018-08-29

Family

ID=63434558

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180006391A KR101884907B1 (ko) 2018-01-18 2018-01-18 빅데이터 분석 기반 신뢰도 예측 방법

Country Status (1)

Country Link
KR (1) KR101884907B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200114144A (ko) * 2019-03-27 2020-10-07 국방과학연구소 신뢰성 시험 도구 설정 장치 및 방법
KR20230114547A (ko) 2022-01-25 2023-08-01 엘아이지넥스원 주식회사 리던던시 기법을 활용한 신뢰성 설계 장치 및 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101262289B1 (ko) * 2012-08-20 2013-05-15 매크로이에스아이 주식회사 고장률 분석 방법 및 고장률 분석 방법을 실행하는 프로그램이 기록된 기록 매체
KR101768202B1 (ko) * 2016-10-25 2017-08-16 엘아이지넥스원 주식회사 패턴화를 이용한 데이터 분석 장치 및 방법
KR101777387B1 (ko) * 2017-03-28 2017-09-26 엘아이지넥스원 주식회사 고장발생기간 기반 데이터 분석 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101262289B1 (ko) * 2012-08-20 2013-05-15 매크로이에스아이 주식회사 고장률 분석 방법 및 고장률 분석 방법을 실행하는 프로그램이 기록된 기록 매체
KR101768202B1 (ko) * 2016-10-25 2017-08-16 엘아이지넥스원 주식회사 패턴화를 이용한 데이터 분석 장치 및 방법
KR101777387B1 (ko) * 2017-03-28 2017-09-26 엘아이지넥스원 주식회사 고장발생기간 기반 데이터 분석 장치

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200114144A (ko) * 2019-03-27 2020-10-07 국방과학연구소 신뢰성 시험 도구 설정 장치 및 방법
KR102185293B1 (ko) 2019-03-27 2020-12-01 국방과학연구소 신뢰성 시험 도구 설정 장치 및 방법
KR20230114547A (ko) 2022-01-25 2023-08-01 엘아이지넥스원 주식회사 리던던시 기법을 활용한 신뢰성 설계 장치 및 방법

Similar Documents

Publication Publication Date Title
CN110020770A (zh) 基于人工智能的风险和知识管理
WO2021073343A1 (zh) 通信系统的故障根因分析方法、装置、系统和计算机存储介质
US11681282B2 (en) Systems and methods for determining relationships between defects
CN105071983A (zh) 一种面向云计算在线业务的异常负载检测方法
CN113360358A (zh) 一种自适应计算it智能运维健康指数的方法及系统
KR101884908B1 (ko) 빅데이터 분석 기반 신뢰도 예측 장치
KR102361423B1 (ko) 인공지능 기반의 정비 수요 예측 시스템 및 방법
JP2002532799A (ja) 特にセメントキルンの技術プロセスにおけるセンサ予測のための事例ベース推論システムと方法および装置
CN108830417B (zh) 一种基于arma和回归分析的生活能源消费预测方法及系统
KR101884907B1 (ko) 빅데이터 분석 기반 신뢰도 예측 방법
US20230034061A1 (en) Method for managing proper operation of base station and system applying the method
CN117272118B (zh) 一种t/r组件健康状态预测方法、系统、设备和介质
CN112258337A (zh) 一种自我补全修正的基站能耗模型预测方法
KR20140081721A (ko) 텍스트마이닝을 이용한 중요 키워드 도출 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 매체
CN113722134A (zh) 一种集群故障处理方法、装置、设备及可读存储介质
CN117667495B (zh) 一种关联规则与深度学习集成的应用系统故障预测方法
CN113610225A (zh) 质量评估模型训练方法、装置、电子设备及存储介质
CN113657648B (zh) 一种多维数据融合的设备健康评估方法、装置及运维系统
CN109711450A (zh) 一种电网预想故障集预测方法、装置、电子设备及存储介质
JP2013168020A (ja) プロセスの状態予測方法
CN112395757B (zh) 一种面向制造过程的海上风电机组可靠性预计方法
CN113241164A (zh) 一种基于高斯过程的医院门诊量预测方法及系统
AU2020201689A1 (en) Cognitive forecasting
CN114595781B (zh) 一种辛烷值损失预测方法、装置、设备及存储介质
CN117408396B (zh) 一种基于深度学习的油气井产量预测方法与预测系统

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant