KR102315821B1 - Operational reliability of small arms barrel prediction system and operational reliability prediction method using the same - Google Patents
Operational reliability of small arms barrel prediction system and operational reliability prediction method using the same Download PDFInfo
- Publication number
- KR102315821B1 KR102315821B1 KR1020210018821A KR20210018821A KR102315821B1 KR 102315821 B1 KR102315821 B1 KR 102315821B1 KR 1020210018821 A KR1020210018821 A KR 1020210018821A KR 20210018821 A KR20210018821 A KR 20210018821A KR 102315821 B1 KR102315821 B1 KR 102315821B1
- Authority
- KR
- South Korea
- Prior art keywords
- small
- data
- caliber
- machine learning
- firearms
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 49
- 238000010801 machine learning Methods 0.000 claims abstract description 90
- 238000012423 maintenance Methods 0.000 claims abstract description 50
- 238000013480 data collection Methods 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 230000010365 information processing Effects 0.000 claims abstract description 11
- 238000007670 refining Methods 0.000 claims abstract 3
- 238000012795 verification Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 9
- 238000007493 shaping process Methods 0.000 claims description 8
- 230000008439 repair process Effects 0.000 claims description 7
- 238000000746 purification Methods 0.000 claims description 4
- 238000010835 comparative analysis Methods 0.000 claims description 2
- 239000004848 polyfunctional curative Substances 0.000 claims description 2
- 206010019663 Hepatic failure Diseases 0.000 claims 1
- 208000007903 liver failure Diseases 0.000 claims 1
- 231100000835 liver failure Toxicity 0.000 claims 1
- 230000007257 malfunction Effects 0.000 claims 1
- 230000002940 repellent Effects 0.000 claims 1
- 239000005871 repellent Substances 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000010304 firing Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000000429 assembly Methods 0.000 description 3
- 230000000712 assembly Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000009795 derivation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003891 environmental analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
Abstract
Description
본 발명은 인공신경망과 야전 운용데이터를 활용한 소구경 화기 운용신뢰도 예측 시스템 및 이를 이용한 운용신뢰도 예측 방법에 관한 것이다. The present invention relates to a system for predicting operational reliability of small-caliber firearms using an artificial neural network and field operation data and a method for predicting operational reliability using the same.
소구경 화기는 휴대용 무기중의 하나로써, 단발, 연발, 자동 및 반자동을 쏘는 휴대용 화기이며, 일반적인 소총을 의미한다. A small-caliber firearm is one of the portable weapons, and it is a portable firearm that fires single, continuous, automatic and semi-automatic firearms, and refers to a general rifle.
이러한 소구경 화기는 총열 내부에 홈에 패여 있어서 총알에 회전 운동이 생기고 탄도의 정확성을 향상시킬 수 있는 이점이 있다. These small-caliber firearms have an advantage in that the bullet has rotational motion and improves the accuracy of the trajectory because it is recessed inside the barrel.
이에 따라, 소구경 화기는 전투의 기본 화기이기 때문에 선진 각국에서도 핵무기나 유도탄 못지않게 개발에 많은 힘을 쏟고 있다. Accordingly, since small-caliber weapons are basic weapons of battle, developed countries are putting as much effort into their development as they do with nuclear weapons or guided missiles.
한국형 소구경 화기의 경우, 구경 5.56mm, 중량 3.26kg, 유효사거리 460mm로써, 이미 개발된 한국형 기관단총 K-1과 개발중인 K-3과 구경이 같아서 탄환의 호환성이 있는 장점을 가지고 있다. In the case of a Korean small-caliber firearm, it has a caliber of 5.56mm, a weight of 3.26kg, and an effective range of 460mm.
이러한, 5.56mm 소구경 화기는 경량, 공량식, 가스피스톤식, 탄알집 송탄식, 견착 및 요착 사격식, 개머리 접철식, 가스조절식 등을 포함한다. 여기서, 5.56mm 소구경 화기의 경우에는 조정간을 사용하여 단발, 3발점사 및 연발 사격이 가능하며, K201 유탄발사기, M7대검, M3소총다리, 조준경, 야시경 및 공포탄 어댑터 등을 부착하여 사용하기도 한다. These 5.56mm small-caliber firearms include light weight, empty air type, gas piston type, bullet slingshot type, shoulder mounted and hooked firing type, butt fold type, gas control type, and the like. Here, in the case of 5.56mm small-caliber firearms, single-shot, 3-shot burst and burst fire are possible using the control rod, and the K201 grenade launcher, M7 bayonet, M3 rifle leg, sight, night vision goggles and blank adapters are also attached and used. .
일반적인 소구경 화기는 총열 조립체, 윗총몸 조립체, 노리쇠집 조립체, 가스활대 조립체, 복좌용수철 및 밀대 조립체, 아랫총몸 조립체, 개머리 조립체 등 크게 7가지 조립체로 구성된다. A general small-caliber firearm is composed of seven main assemblies: the barrel assembly, the upper gun body assembly, the bolt holder assembly, the gas rod assembly, the two-seat spring and pusher assembly, the lower gun body assembly, and the butt head assembly.
소구경 화기는 송탄, 장전, 잠김, 발사, 풀림, 추출, 방출, 공이치기 잠김의 8가지의 기능으로 이루어진다. Small-caliber firearms have eight functions: sabotage, reloading, locking, firing, releasing, extraction, ejection, and locking.
다시 말해서, 소구경 화기는 탄알을 노리쇠집 조립체의 전진으로 위로 올려보내는 송탄 기능, 약실 내부로 탄알을 밀어 넣어주는 장전 기능, 노리쇠 선단의 잠김턱 부분이 총열 연결쇠에 결합되어 탄알을 약실 내에 고정시켜주는 잠김 기능을 가진다. 또한, 소구경 화기는 발사조정간이 단발, 점사, 연발 위치에 놓여짐으로써 격발이 준비되며 사용자가 방아쇠를 당기면 격발링크를 통하여 공이치기가 해지되어 공이치기가 공이를 타격하는 발사 기능, 노리쇠가 약실 홈으로부터 빠져나오는 풀림 기능, 발사된 탄피를 약실 밖으로 끌어내는 추출 기능, 차개가 탄피를 총몸 밖으로 밀어내는 방출 기능, 그리고 노리쇠집 조립체가 후퇴되면서 공이치기 스프링을 압축하여 공이치기가 뒤로 넘어가 방아쇠 걸림턱에 걸리는 공이치기 잠김 기능을 가진다. In other words, small-caliber firearms have a sabotage function that pushes the bullet upward with the advance of the bolt housing assembly, a loading function that pushes the bullet into the chamber, and the locking jaw of the tip of the bolt is coupled to the barrel hinge to hold the bullet in the chamber. It has a locking function. In addition, small-caliber firearms are prepared for firing by placing the firing control in single, burst, and continuous firing positions. A release function that comes out of the groove, an extraction function that draws the fired cartridge out of the chamber, a discharge function that pushes the cartridge out of the barrel, and a retracted bolt housing assembly compresses the tumbler spring, causing the tumbler to fall backwards and trigger the trigger jaw It has the function of locking the tumble that is caught in the .
한편, 도 1을 참조하면, 야전 운용데이터를 활용한 소구경 화기 구성품별 신뢰도 할당 절차는 다음과 같다. On the other hand, referring to Figure 1, the reliability allocation procedure for each small caliber component using field operation data is as follows.
먼저, 환경 분석 및 목적을 설정하는 문제를 정의한다. 이때, 소구경 화기의 개념을 고장 간 평균사격발수(MRBF: Mean Round Between Failure, 이하 MRBF)로 정의한다. 그 다음, 수리가능 시스템에 대한 신뢰도 분석 이론으로써 포아송 과정 모형과 이모형에 대한 추세를 검정하기 위한 방법으로 TTT(Total Time on Test) 도시 방법을 활용하였다. 그 다음, 데이터 수집, 데이터 탐색, 데이터 정체 및 변수를 정의하는 데이터 전처리를 수행한다. 여기서, 소구경 화기의 고장을 주기성 교환품목을 제외한 부품의 교환으로 정의하며 획득한 야전운용제원을 정제한다. 그 다음, 모델 선정, 학습, 모델 평가 및 최적화를 수행하는 모델학습을 수행한다. 이는, 정제된 야전운용제원을 통계분석프로그램에 입력하여 신뢰도 분석을 수행한다. 그 다음, 모델 적용, 결과 확인, 시각화 및 피드백을 포함하는 예측 및 시각화를 수행한다. 여기서, 분석된 MRBF를 통해서 개선필요부품의 우선순위를 파악한다. 마지막으로, MRBF를 활용하여 부품별 신뢰도 값을 할당하게 된다. First, the problem of setting the environmental analysis and purpose is defined. At this time, the concept of small-caliber firearms is defined as Mean Round Between Failure (MRBF). Next, the Total Time on Test (TTT) plot method was used as a method to test the trends of the Poisson process model and the binomial model as a reliability analysis theory for the repairable system. It then performs data collection, data exploration, and data preprocessing to define data identity and variables. Here, the failure of small-caliber firearms is defined as replacement of parts excluding periodic replacement items, and the obtained field operation specifications are refined. Then, model training is performed, which performs model selection, training, model evaluation, and optimization. Reliability analysis is performed by inputting refined field operation data into a statistical analysis program. It then performs predictions and visualizations, including applying the model, checking the results, and visualizing and feedback. Here, the priority of parts requiring improvement is identified through the analyzed MRBF. Finally, reliability values for each component are assigned using MRBF.
소구경 화기의 총수명주기의 가장 긴 기간을 차지하는 운용 간 축적된 야전 운용데이터는 다른 수명주기 단계의 데이터보다 획득이 용이하고, 그 양도 방대하여 이를 적절하게 활용할 경우 무기체계의 품질 개선 및 수명을 향상시킬 수 있는 이점이 있다. Field operation data accumulated during operation, which occupies the longest period of the total life cycle of a small caliber weapon, is easier to acquire than data in other life cycle stages, and the amount is huge. There are advantages to doing it.
또한, 야전 운용데이터를 활용한 소구경 화기 신뢰도 분석 절차를 이용할 경우 고장이 발생되는 빈도인 MRBF 값을 통해서 고장 발생 정도를 추정할 수 있는 이점이 있다. In addition, when using the small-caliber firearm reliability analysis procedure using field operation data, there is an advantage in that the degree of failure can be estimated through the MRBF value, which is the frequency of failure.
그러나, 종래 야전운용 데이터를 활용하여 소구경 화기 신뢰도 예측을 할 경우에는 아래와 같은 문제점을 가진다. However, when predicting the reliability of a small caliber firearm using the conventional field operation data, it has the following problems.
야전 운용데이터를 활용한 데이터 획득과 활용의 제약으로 인해서 데이터 기반의 기계학습 기법은 활용되기에 어려운 점이 있다. Data-based machine learning techniques are difficult to utilize due to limitations in data acquisition and utilization using field operation data.
또한, 야전에서 제공된 데이터는 일부 정보 누락 등으로 인하여 일부 데이터의 정확도가 낮다는 문제점이 있다. In addition, data provided in the field has a problem in that the accuracy of some data is low due to omission of some information.
더욱이, 소구경 화기 야전 운용데이터는 운용되고 있는 대상 장비 수량이 많고, 오래 전에 전력화되어 운용되고 있기 때문에, 개별 장비에 대한 관리가 쉽지 않은 단점이 있다. 또한, 야전에서 관리되고 있는 소구경 화기 야전 운용 데이터에는 정비나 부품교체 수량에 대한 정보는 포함되어 있지만, 장비 호기별로 정비나 부품교체에 대한 정보는 포함되어 있지 않은 제한 사항이 있다. Moreover, the field operation data for small-caliber firearms has a disadvantage in that it is not easy to manage individual equipment because the number of target equipment being operated is large, and it has been powered up and operated a long time ago. In addition, the field operation data of small caliber firearms managed in the field includes information on the quantity of maintenance or parts replacement, but there is a limitation that does not include information on maintenance or parts replacement for each unit of equipment.
또한, 이러한 MRBF 분석을 통해서는 고장이 발생되는 요인과 이후에 어느 시점과 조건에 고장이 발생하는지 상세하게 추정하는 것이 제한되는 단점이 있다. In addition, this MRBF analysis has a disadvantage in that it is limited in detail estimating the factors causing the failure and at what time and condition after that the failure occurs.
본 발명의 목적은 인공신경망과 야전 운용데이터를 활용하여 소구경 화기의 운용신뢰도를 예측할 수 있는 소구경 화기 운용신뢰도 예측 시스템 및 이를 이용한 운용신뢰도 예측 방법을 제공하는 것이다. It is an object of the present invention to provide a system for predicting operation reliability of small-caliber firearms capable of predicting the operational reliability of small-caliber firearms by using artificial neural networks and field operation data, and a method for predicting operational reliability using the same.
또한, 본 발명의 목적은 예측된 소구경 화기의 운용신뢰도를 활용하여 소구경 화기의 정비소요와 개선이 필요한 조립체를 예측할 수 있는 소구경 화기 운용신뢰도 예측 시스템 및 이를 이용한 운용신뢰도 예측 방법을 제공하는 것이다. In addition, an object of the present invention is to provide a system for predicting operation reliability of small-diameter firearms that can predict the assembly requiring maintenance and improvement of small-diameter firearms by utilizing the predicted operational reliability of small-diameter firearms and a method for predicting operational reliability using the same will be.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다. The problems to be solved by the present invention are not limited to the problems mentioned above, and other problems not mentioned will be clearly understood by those skilled in the art from the following description.
상기의 목적은, 본 발명에 따라, 체계 운용 및 정비 데이터를 이용하여 야전 운용데이터를 수집하는 데이터 수집부, 수집된 야전 운용데이터를 항목별로 분류하는 데이터 정제부, 분류된 데이터를 인공 신경망을 이용하여 기계 학습을 수행하는 학습 수행부 및 학습 수행부에 의해 생성된 기계학습 모델을 통해 소구경 화기의 야전 운용신뢰도를 산출하는 정보 처리부를 포함하는, 소구경 화기 운용신뢰도 예측 시스템에 의해 달성될 수 있다. The above object is, according to the present invention, a data collection unit for collecting field operation data using system operation and maintenance data, a data purification unit for classifying the collected field operation data by item, and an artificial neural network for the classified data It can be achieved by a small-caliber firearm operation reliability prediction system, including an information processing unit that calculates the field operation reliability of the small-caliber firearm through the machine learning model generated by the learning performer and the learning performer to perform machine learning. have.
소구경 화기 운용신뢰도 예측 시스템은, 데이터 정제부를 통해 항목별로 분류된 야전 운용데이터의 그룹화 및 정형화를 수행하는 데이터 정형화부를 더 포함할 수 있다. The small caliber firearm operation reliability prediction system may further include a data shaping unit for grouping and standardizing field operation data classified by item through the data refiner.
여기서, 데이터 수집부는, 소구경 화기의 고장영향, 소구경 화기의 정비종류, 소구경 화기의 정비 시작/종료일, 소구경 화기의 수리부속 및 소구경 화기의 청구량을 포함할 수 있다. Here, the data collection unit may include the failure effect of the small-diameter firearm, the maintenance type of the small-diameter firearm, the maintenance start/end date of the small-diameter firearm, the repair parts of the small caliber firearm, and the claim amount of the small caliber firearm.
또한, 데이터 수집부에는, 연도별 보유 소구경 화기의 정수, 소구경 화기의 사격발수에 관한 데이터가 추가로 포함될 수 있다. In addition, the data collection unit may further include data on the constant number of small-caliber firearms possessed by year and the number of shots fired by the small-caliber firearms.
한편, 데이터 정제부는, 데이터 수집부에서 수집된 운용 및 정비데이터 중에서 유효하지 않은 데이터가 제거되도록 마련될 수 있다. On the other hand, the data purification unit may be provided to remove invalid data from the operation and maintenance data collected by the data collection unit.
또한, 학습 수행부는, 기계 학습을 수행 하기위한 입력 및 출력 변수를 포함하는 파라미터 값이 미리 설정되어 저장되도록 마련될 수 있다. Also, the learning performing unit may be provided such that parameter values including input and output variables for performing machine learning are preset and stored.
이때, 입력 변수는, 소구경 화기의 보유 및 운용 부대명 및 계통 정보를 포함하는 기본 정보와, 소구경 화기의 품명, 소구경 화기의 수리부속 청구량, 소구경 화기의 최초 및 최종 상태, 소구경 화기의 정비계단을 포함하는 정비 실적 및 소구경 화기의 고장 원인, 고장 영향 및 소구경 화기의 고장 간 평균사격발수(MRBF)를 포함하는 고장 정보로 마련될 수 있다. At this time, the input variables include basic information including the name and system information of the possession and operation of small-caliber firearms, the product name of the small-caliber firearm, the amount of repair parts claimed for the small-caliber firearm, the initial and final state of the small-caliber firearm, and the small It can be prepared with maintenance performance including maintenance steps of small caliber firearms and failure information including failure causes, failure effects, and average number of shots between failures of small caliber firearms (MRBF).
이때, 출력 변수는, 소구경 화기의 연도별 고장률을 의미하는 소구경 화기 운용 정보로 마련될 수 있다. In this case, the output variable may be provided as small-diameter firearm operation information, which means the failure rate by year of the small-diameter firearm.
한편, 학습 수행부는, 수행된 기계학습에 의해 도출된 기계학습 결과값의 검증을 수행할 수 있다. Meanwhile, the learning performing unit may verify the machine learning result value derived by the performed machine learning.
이때, 학습 수행부는, 도출된 결과값의 검증을 수행할 때에 도출된 기계학습 결과값과 미리 저장된 기계학습 정확도와의 비교 분석이 수행되며, 기계학습 결과값이 미리 저장된 기계학습 정확도를 충족시키지 못하는 것으로 판단되면 기계학습을 위한 파라미터가 재설정되도록 마련될 수 있다. At this time, the learning performing unit performs comparative analysis between the derived machine learning result value and the pre-stored machine learning accuracy when verifying the derived result value, and the machine learning result value does not satisfy the pre-stored machine learning accuracy. If it is determined that the parameters for machine learning are reset, it may be provided.
한편, 소구경 화기 운용신뢰도 예측 시스템을 이용한 소구경 화기 운용신뢰도 예측 방법에 있어서, 데이터 수집부를 이용하여 체계 운용 및 정비데이터를 포함한 소구경 화기의 야전 운용데이터를 수집하는 단계, 데이터 정제부를 이용하여 수집된 야전 운용데이터를 항목별로 분류하는 단계, 학습 수행부를 이용하여 분류된 야전 운용데이터의 기계학습을 수행하는 단계 및 정보 처리부를 이용하여 생성된 기계학습 결과값을 이용한 소구경 화기의 야전 운용신뢰도를 산출하는 단계를 포함하고, 기계학습 수행단계에서는 인공신경망을 활용한 기계학습이 수행되도록 마련된, 소구경 화기 운용신뢰도 예측방법에 의해 달성될 수 있다. On the other hand, in the method of predicting the operation reliability of small-caliber firearms using the small-caliber firearms operation reliability prediction system, using the data collection unit to collect field operation data of small-caliber firearms including system operation and maintenance data, using the data refiner Classifying the collected field operation data by item, performing machine learning of the classified field operation data using the learning execution unit, and field operation reliability of a small caliber light gun using the machine learning result generated using the information processing unit It can be achieved by a method for predicting operation reliability of small-diameter firearms, including the step of calculating , and in the machine learning performing step, machine learning using an artificial neural network is prepared to be performed.
이때, 데이터 분류단계 이후에, 데이터 정형화부를 이용하여 데이터 분류 단계에서 분류된 야전 운용데이터를 항목별 그룹화 및 정형화를 수행하는 단계를 더 포함할 수 있다. In this case, after the data classification step, the method may further include grouping and standardizing the field operation data classified in the data classification step by item using the data shaping unit.
여기서, 데이터 수집단계는, 소구경 화기의 야전 운용데이터를 수집하는 단계, 소구경 화기의 보유 정수 및 부대 사격발수를 수집하는 단계 및 소구경 화기의 고장 정보를 수집하는 단계를 포함할 수 있다. Here, the data collection step may include collecting field operation data of small-caliber firearms, collecting holding constants of small-caliber firearms and troop firing rate, and collecting failure information of small-caliber firearms.
또한, 데이터 분류단계는, 통계 프로그램을 활용하여 신뢰도를 분석하는 단계, 소구경 화기의 구성품별 신뢰도값을 도출하는 단계, 소구경 화기의 구성품별 신뢰도값을 할당하는 단계 및 야전 운용데이터의 구성품별 신뢰도값을 할당하는 단계를 포함할 수 있다. In addition, the data classification step includes the step of analyzing reliability using a statistical program, the step of deriving the reliability value for each component of the small-caliber light machine, the step of allocating the reliability value for each component of the small-caliber light machine, and the component of field operation data It may include allocating a confidence value.
한편, 기계학습 수행단계 이후에, 기계학습 수행단계를 통해 미리 저장된 기계학습 정확도와 비교 분석하여 결과값의 검증을 수행하는 단계가 추가로 수행되도록 마련될 수 있다. On the other hand, after the machine learning performing step, the step of performing the verification of the result value by comparing and analyzing the machine learning accuracy stored in advance through the machine learning performing step may be provided to be additionally performed.
이때, 결과값 검증단계에서는, 검증된 결과값이 미리 저장된 기계학습 정확도를 충족시키지 못하는 것으로 판단되면 기계학습 수행을 위한 파라미터가 재설정되도록 할 수 있다. In this case, in the result value verification step, if it is determined that the verified result value does not satisfy the machine learning accuracy stored in advance, the parameters for performing machine learning may be reset.
본 발명의 소구경 화기 운용신뢰도 예측 시스템 및 이를 이용한 운용신뢰도 예측 방법은 야전 운용데이터를 기반으로 인공 신경망을 이용하여 기계학습을 수행하여 소구경 화기 조립체의 운용신뢰도를 예측함으로써 소구경 화기의 정비소요와 개선이 필요한 조립체를 예측하는 것이 용이할 수 있다.The small-diameter firearm operation reliability prediction system and the operation reliability prediction method using the same of the present invention perform machine learning using an artificial neural network based on field operation data to predict the operation reliability of the small-diameter firearm assembly, thereby requiring maintenance of small-caliber firearms. And it can be easy to predict which assemblies need improvement.
더욱이, 본 발명의 소구경 화기 운용신뢰도 예측 시스템 및 이를 이용한 운용신뢰도 예측 방법은 인공신경망을 활용하여 기계 학습이 수행되므로 입력 및 출력되는 야전 운용데이터에 의해 소구경 화기의 부품별 운용신뢰도를 산출할 수 있다. Furthermore, the operation reliability prediction system for small-caliber firearms of the present invention and the operation reliability prediction method using the same, machine learning is performed using an artificial neural network. can
또한, 본 발명의 소구경 화기 운용신뢰도 예측 시스템 및 이를 이용한 운용신뢰도 예측 방법은 산출된 소구경 화기 조립체의 운용신뢰도를 통해 군의 정비 애로사항을 해소할 수 있고 그와 동시에 장비 운용성을 향상시켜 최적의 군 전투력을 도모할 수는 효과가 있다. In addition, the operation reliability prediction system for small-caliber firearms of the present invention and the operation reliability prediction method using the same can solve the maintenance difficulties of the military through the calculated operational reliability of the small-caliber firearms assembly, and at the same time, improve the equipment operability and are optimal It is effective to promote the military combat power of
도 1은 종래 소구경 화기의 운용신뢰도를 예측하기 위한 일반적인 연구 수행절차를 나타낸 블록도이다.
도 2는 본 발명의 일 실시예에 따른 소구경 화기 운용신뢰도 예측 시스템을 나타낸 블록도이다.
도 3은 도 2에 도시한 소구경 화기 운용신뢰도 예측 시스템을 이용한 소구경 화기 운용신뢰도 예측 방법을 나타낸 순서도이다.
도 4는 도 3에 도시한 야전 운용데이터 수집단계를 세부적으로 나타낸 순서도이다.
도 5는 도 3에 도시한 야전 운용데이터 항목별 분류단계 및 야전 운용데이터 그룹화 및 정형화 수행단계를 세부적으로 나타낸 순서도이다.
도 6은 도 3에 도시한 야전 운용데이터 기계학습 수행단계 및 야전 운용신뢰도 산출단계를 세부적으로 나타낸 순서도이다.
도 7은 도 3 내지 도 6에 도시한 소구경 화기 운용신뢰도 예측방법을 이용하여 산출된 야전 운용데이터의 검증 결과를 나타낸 그래프이다. 1 is a block diagram showing a general research procedure for predicting the operational reliability of a conventional small-caliber firearm.
2 is a block diagram showing a small-caliber firearm operation reliability prediction system according to an embodiment of the present invention.
3 is a flowchart illustrating a method for predicting operation reliability of small-diameter firearms using the system for predicting operation reliability of small-diameter firearms shown in FIG.
4 is a flowchart illustrating in detail the field operation data collection step shown in FIG. 3 .
FIG. 5 is a flowchart illustrating in detail the classification step for each field operation data item and the field operation data grouping and standardization execution steps shown in FIG. 3 .
6 is a flowchart illustrating in detail the field operation data machine learning execution step and the field operation reliability calculation step shown in FIG. 3 .
7 is a graph showing the verification results of field operation data calculated using the method for predicting operation reliability of small-caliber firearms shown in FIGS. 3 to 6 .
이하, 첨부된 도면을 참고로 하여 본 발명의 실시예들에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예들에 한정되지 않는다. Hereinafter, with reference to the accompanying drawings, embodiments of the present invention will be described in detail so that those of ordinary skill in the art can easily carry out the present invention. The present invention may be embodied in many different forms and is not limited to the embodiments described herein.
도면들은 개략적이고 축적에 맞게 도시되지 않았다는 것을 일러둔다. 도면에 있는 부분들의 상대적인 치수 및 비율은 도면에서의 명확성 및 편의를 위해 그 크기에 있어 과장되거나 감소되어 도시되었으며 임의의 치수는 단지 예시적인 것이지 한정적인 것은 아니다. 그리고 둘 이상의 도면에 나타나는 동일한 구조물, 요소 또는 부품에는 동일한 참조 부호가 유사한 특징을 나타내기 위해 사용된다. It is noted that the drawings are schematic and not drawn to scale. Relative dimensions and proportions of parts in the drawings are shown exaggerated or reduced in size for clarity and convenience in the drawings, and any dimensions are illustrative only and not limiting. In addition, the same reference numerals are used to indicate like features to the same structure, element, or part appearing in two or more drawings.
본 발명의 실시예는 본 발명의 이상적인 실시예들을 구체적으로 나타낸다. 그 결과, 도면의 다양한 변형이 예상된다. 따라서 실시예는 도시한 영역의 특정 형태에 국한되지 않으며, 예를 들면 제조에 의한 형태의 변형도 포함한다.The embodiments of the present invention specifically represent ideal embodiments of the present invention. As a result, various modifications of the drawings are expected. Therefore, the embodiment is not limited to a specific shape of the illustrated area, and includes, for example, a shape modification by manufacturing.
이하, 첨부된 도면을 참조하여 본 발명의 실시예에 따른 소구경 화기 운용신뢰도 예측 시스템(100) 및 이를 이용한 운용신뢰도 예측 방법(S100)을 설명한다. Hereinafter, with reference to the accompanying drawings, a small-caliber firearm operation
먼저, 도 2를 참조하여 본 발명의 일 실시예에 따른 소구경 화기 운용신뢰도 예측 시스템(100, 이하 '예측 시스템'이라 함)을 설명한다. First, a small-caliber firearm operation reliability prediction system 100 (hereinafter referred to as a 'prediction system') according to an embodiment of the present invention will be described with reference to FIG. 2 .
본 발명의 일 실시예에 따른 예측 시스템(100)은 데이터 수집부(110), 데이터 정제부(120), 학습 수행부(140) 및 정보 처리부(150)를 포함할 수 있다. The
이러한 구성을 통해 본 발명의 일 실시예에 따른 예측 시스템(100)은 소구경 화기의 야전 운용데이터에서 소구경 화기의 고장률을 예측하기 위하여 신뢰도가 높은 정보를 추출할 수 있는 효과가 있다. 데이터 수집부(110)는 야전 운용데이터를 수집하는 부분이다. Through this configuration, the
데이터 수집부(110)는 DELLIS/A 체계 운용 및 정비 데이터를 이용하여 소구경 화기의 야전 운용데이터를 수집한다. The
참고로, 데이터 수집부(110)에서는 야전 운용데이터의 수집을 위해 군에서 사용되는 DELLIS/A 체계에 한정되지 않으며, 야전 운용데이터 수집은 다른 방식이 이용될 수도 있다.For reference, the
이때, 데이터 수집부(110)에는 소구경 화기의 고장영향, 소구경 화기의 정비종류, 소구경 화기의 정비시작/종료일, 소구경 화기의 수리부속 및 소구경 화기의 청구량을 포함하는 데이터가 포함될 수 있다. At this time, the
또한, 데이터 수집부(110)에는 소구경 화기의 연도별 보유 정수, 소구경 화기의 사격발수에 관한 데이터가 추가로 포함될 수도 있다. In addition, the
여기서, 데이터 수집부(110)에 포함되는 소구경 화기의 연도별 보유 정수 및 소구경 화기의 사격발수에 관한 데이터는 설문을 통해 수집될 수 있다. Here, data regarding the number of holding constants for each year of the small-caliber firearm included in the
참고로, 소구경 화기의 연도별 보유 정수 및 소구경 화기의 사격발수에 관한 데이터는 설문이 아닌 다른 방법 등을 통해서도 수집될 수 있다.For reference, data on the number of holdings of small-caliber firearms by year and the firing rate of small-caliber firearms can be collected through methods other than questionnaires.
데이터 정제부(120)는 수집된 야전 운용데이터를 분류하는 부분이다. The
다시 말해서, 데이터 정제부(120)에서는 데이터 수집부(110)에 의해 수집된 야전 운용데이터를 항목별로 분류한다. In other words, the
여기서, 데이터 정제부(120)는 데이터 수집부(110)에 의해 수집된 야전 운용데이터를 항목별로 분류하기 전에 수집된 운용 및 정비데이터 중에서 유효하지 않은 데이터를 제거하게 된다.Here, the
상기한 바와 같이, 데이터 정제부(120)에 의해 수집된 운용 및 정비데이터 중에서 유효하지 않은 데이터가 삭제되고 난 이후에 야전 운용데이터를 항목별로 분류되도록 함에 따라 후술할 학습 수행부(140)에 의한 기계학습 수행이 더욱 용이하게 되고, 기계학습에 의해 산출되는 결과값의 신뢰성이 향상되는 효과가 있다.As described above, as the field operation data is classified by item after invalid data is deleted from among the operation and maintenance data collected by the
한편, 본 발명의 일 실시예에 따른 소구경 화기 운용신뢰도 예측 시스템(100)은 데이터 정형화부(130)를 더 포함할 수 있다. On the other hand, the small-diameter firearm operation
데이터 정형화부(130)는 야전 운용데이터의 그룹화 및 정형화를 수행하는 부분이다. The
다시 말해서, 데이터 정형화부(130)는 데이터 정제부(120)를 통해 항목별로 분류된 야전 운용데이터를 그룹화하고, 기계학습을 수행하기 용이하도록 야전 운용데이터를 정형화시킬 수 있다. In other words, the
학습 수행부(140)는 기계 학습을 수행하는 부분이다. The
특히, 본 발명의 일 실시예에 따른 학습 수행부(140)는 인공 신경망 모델을 이용하여 데이터 정제부(120)에 의해 분류된 야전 운용데이터의 기계 학습(머신러닝; machine learning)을 수행한다.In particular, the
참고로, 인공 신경망은 분류, 수치예측, 패턴인식 등 데이터마이닝에 사용되는 대표적인 기계학습 모델이다. 다시 말해서, 뇌가 대규모 병열 처리기를 생성하기 위해 뉴런(neurons)이 상호 연결되어 네트워크를 구성하는 것처럼 인공 신경망은 학습 문제를 풀기 위해 인공 뉴런(또는 노드) 네트워크를 구성한 것을 의미한다. For reference, artificial neural networks are representative machine learning models used in data mining such as classification, numerical prediction, and pattern recognition. In other words, just as neurons are interconnected to form a network in order for the brain to generate large-scale parallel processors, an artificial neural network is a network of artificial neurons (or nodes) to solve a learning problem.
이러한, 학습 수행부(140)에는 기계학습 수행을 위한 입력 및 출력 변수를 포함하는 파라미터가 미리 설정되어 저장될 수 있다. In the
이때, 파라미터로 설정되는 입력 변수는 기본 정보, 정비 실적 및 고장 정보를 포함할 수 있다. In this case, the input variable set as the parameter may include basic information, maintenance performance, and failure information.
예를 들어, 기본 정보는 소구경 화기를 보유 및 운용하는 부대명 및 계통 정보를 포함하고, 정비 실적은 소구경 화기의 품명, 소구경 화기의 수리부속 청구량, 소구경 화기의 최초 및 최종 상태, 소구경 화기의 정비계단을 포함하며, 고장 정보는 소구경 화기의 고장 원인, 고장 영향 및 소구경 화기의 고장 간 평균사격발수(MRBF)를 포함한다.For example, basic information includes unit name and system information that owns and operates small-caliber firearms, and maintenance records include the product name of small-caliber firearms, the amount of repair parts claimed for small-caliber firearms, and initial and final state of small-caliber firearms. , and maintenance steps for small-caliber firearms, and the failure information includes the cause of failure of small-caliber firearms, the effect of failure, and the average number of shots between failures of small-caliber firearms (MRBF).
입력 변수에 포함되는 정보 또는 내용은 상기의 기재된 내용 이외에 학습 수행을 위하여 필요한 내용이 추가로 더 포함될 수도 있다. Information or content included in the input variable may further include content necessary for learning in addition to the content described above.
참고로, 정비계단은 무기체계는 장비 고장의 종류와 내용에 따라서 어느 수준의 부대에서 정비할 것인가 정해진 단계이다.For reference, the maintenance step is a step in which the weapon system is determined at which level the unit will be maintained according to the type and contents of the equipment failure.
예를 들어, 정비계단은 크게 부대 정비, 야전 정비, 그리고 창 정비계단으로 나누어진다. 부대정비는 장비의 사용자 또는 소유자에 의하여 수행되는 정비 계단이고, 야전 정비는 부대 정비 계단의 능력을 초과하는 정비를 할 수 있는 차상위 계단이다. 그리고 창정비계단은 부대 및 야전 정비 계단에서 수행할 수 없는 정비를 할 수 있는 최상위 계단으로 창정비 전문 부대에서 구조적인 부품들의 제작, 완전 분해 수리/재생 및 장비의 완전한 개조를 하는 단계를 의미한다.For example, maintenance stairs are largely divided into unit maintenance, field maintenance, and window maintenance stairs. Unit maintenance is a maintenance step performed by the user or owner of the equipment, and field maintenance is a second-level step that can perform maintenance that exceeds the capability of the unit maintenance step. And the depot maintenance stairs are the highest stairs that can perform maintenance that cannot be performed in the unit and field maintenance stairs.
여기서, 학습 수행부(140)에 미리 저장되는 고장 정보, 즉 고장 데이터의 정비계단이 부대 정비인지, 야전정비 인지에 따라서 소구경 화기의 운용신뢰도 예측에 영향을 미치게 된다. 이때, 학습 수행부(140)에 미리 설정되어 저장되는 파라미터의 출력 변수는 소구경 화기의 연도별 고장률을 의미하는 소구경 화기의 운용 정보를 포함할 수 있다. Here, according to the failure information stored in advance in the
학습 수행부(140)는 상기와 같은 내용을 포함하는 입력 및 출력 변수를 포함하는 파라미터 값이 미리 설정되어 저장된 상태에서 야전 운용데이터의 신뢰도 산출을 위해인공 신경망 모델을 통한 기계학습이 수행되도록 한다. The
한편, 학습 수행부(140)는 결과값의 검증을 수행할 수 있다. Meanwhile, the
다시 말해서, 학습 수행부(140)는 인공 신경망 모델을 이용하여 수행된 기계학습에 의해 도출된 기계학습 결과값의 검증을 수행하게 된다. In other words, the
여기서, 학습 수행부(140)는 도출된 결과값을 검증을 수행하는 과정에서 미리 저장된 기계학습 정확도와의 비교 분석을 수행한다. Here, the
예를 들어, 학습 수행부(140)는 도출된 기계학습 결과값이 미리 저장된 기계학습 정확도에 충족되지 못하는 것으로 판단되면 기계학습을 수행하기 위한 파라미터가 재설정되도록 한다.다. 이에 따라, 본 발명의 일 실시예에 따른 예측 시스템(100)에는 최적의 파라미터값이 설정되어 저장되게 된다.For example, when it is determined that the derived machine learning result value does not satisfy the machine learning accuracy stored in advance, the
이와 같이, 재설정된 최적 파라미터 설정값은 예측 시스템(100)에 미리 저장되고, 학습 수행부(140)는 미리 저장된 최적의 파라미터 설정값을 이용하여 인공 신경망을 통한 기계학습을 다시 수행하게 된다. As described above, the reset optimal parameter setting value is stored in advance in the
참고로, 학습 수행부(140)는 도출된 기계학습 결과값이 미리 저장된 기계학습 정확도를 충족하는 것으로 판단되면 후술할 정보 처리부(150)를 통해 야전 운용신뢰도가 산출되도록 한다. For reference, when it is determined that the derived machine learning result value satisfies the machine learning accuracy stored in advance, the
정보 처리부(150)는 소구경 화기의 야전 운용신뢰도를 산출하는 부분이다. The
다시 말해서, 정보 처리부(150)는 학습 수행부(140)에 의해 생성된 기계학습 모델을 통해 소구경 화기의 야전 운용신뢰도를 산출하게 된다. In other words, the
이하, 도 2 내지 도 7을 참조하여, 본 발명의 일 실시예에 따른 소구경 화기 운용신뢰도 예측 시스템을 이용한 예측 방법(S100, 이하 '예측 방법' 이라 함)을 설명한다. Hereinafter, a prediction method (S100, hereinafter referred to as a 'prediction method') using the small-diameter firearm operation reliability prediction system according to an embodiment of the present invention will be described with reference to FIGS. 2 to 7 .
도 2 내지 도 7에 도시한 바와 같이, 본 발명의 일 실시예에 따른 예측 방법(S100)은 데이터 수집단계(S110), 데이터 분류(또는 정제)단계(S120), 데이터 정형화단계(S130), 기계학습 수행단계(S140) 및 운용신뢰도 산출단계(S150)를 통해 최종적으로 소구경 화기의 야전 운용신뢰도를 산출하게 된다. 2 to 7, the prediction method (S100) according to an embodiment of the present invention includes a data collection step (S110), a data classification (or purification) step (S120), a data standardization step (S130), The field operation reliability of the small caliber firearm is finally calculated through the machine learning performing step (S140) and the operation reliability calculation step (S150).
먼저, 데이터 수집단계(S110)를 통해 야전 운용데이터를 수집한다. First, the field operation data is collected through the data collection step (S110).
데이터 수집단계(S110)는 예측 시스템(100)의 데이터 수집부(110)를 이용하여 DELLIS/A 체계 운용 및 정비데이터를 포함한 야전 운용데이터를 수집하게 된다. The data collection step (S110) collects field operation data including DELLIS / A system operation and maintenance data using the
참고로, 상기한 바와 같이, 야전 운용데이터는 군에서 사용되는 DELLIS/A 체계에 한정되지 않으며, 다른 데이터 수집 방식을 이용하여 야전 운용데이터를 수집할 수도 있다. For reference, as described above, field operation data is not limited to the DELLIS/A system used in the military, and field operation data may be collected using other data collection methods.
여기서, 도 4를 참조하면, 데이터 수집단계(S110)는 크게 소구경 화기의 야전 운용데이터 수집단계(S112), 소구경 화기의 보유 정수 및 부대 사격발수 수집단계(S114) 및 소구경 화기의 고장 정보 수집단계(S116)를 거침으로써 소구경 화기의 운용 신뢰도 산출을 위한 야전 운용데이터를 수집할 수 있게 된다. Here, referring to FIG. 4, the data collection step (S110) is largely a field operation data collection step of small-caliber firearms (S112), the holding constant of small-caliber firearms and the troop fire/repellency collection step (S114) and failure of small-caliber firearms By going through the information collection step (S116), it is possible to collect field operation data for calculating the operational reliability of the small caliber firearm.
그 다음, 데이터 분류단계(S120)를 통해 야전 운용데이터를 분류한다. Then, the field operation data is classified through the data classification step (S120).
데이터 분류단계(S120)는 예측 시스템(100)의 데이터 정제부(120)를 이용하여 데이터 수집단계(S110)에 의해 수집된 야전 운용데이터를 항목별로 분류하게 된다. The data classification step (S120) classifies the field operation data collected by the data collection step (S110) by item using the
그 다음, 데이터 정형화단계(S130)를 통해 야전 운용데이터를 정형화되도록 한다. Then, the field operation data is standardized through the data standardization step (S130).
데이터 정형화단계(S130)는 예측 시스템(100)의 데이터 정형화부(130)를 이용하여 데이터 분류단계(S120)에 의해 분류된 야전 운용데이터를 항목별로 그룹화하고 정형화되도록 하게 된다. The data standardization step (S130) is to group the field operation data classified by the data classification step (S120) by item using the
여기서, 도 5를 참조하면, 본 발명의 일 실시예에 따른 예측 방법(S100)은 데이터 수집단계(S110) 이후에 데이터 분류단계(S120) 및 데이터 정형화단계(S130)는 신뢰도 분석단계(S122), 신뢰도 도출단계(S124), 제1 신뢰도 할당단계(S126), 제2 신뢰도 할당단계(S128) 및 데이터 정형화단계(S130)를 순서대로 거치게된다. Here, referring to FIG. 5 , in the prediction method ( S100 ) according to an embodiment of the present invention, after the data collection step ( S110 ), the data classification step ( S120 ) and the data standardization step ( S130 ) are the reliability analysis step ( S122 ) , the reliability derivation step (S124), the first reliability allocation step (S126), the second reliability allocation step (S128), and the data standardization step (S130) are sequentially passed.
이때, 데이터 분류단계(S120)의 신뢰도 분석단계(S122)는 데이터의 신뢰도를 분석하는 단계이다. 즉, 신뢰도 분석단계(S122)는 별도의 통계 프로그램을 이용하여 데이터 수집단계(S120)에서 수집된 야전 운용데이터의 신뢰도를 분석한다. At this time, the reliability analysis step (S122) of the data classification step (S120) is a step of analyzing the reliability of the data. That is, the reliability analysis step (S122) analyzes the reliability of the field operation data collected in the data collection step (S120) using a separate statistical program.
참고로, 데이터 분류단계(S120)의 신뢰도 분석단계(S122)에서 사용되는 통계 프로그램은 미니탭과 같은 통계분석 프로그램을 사용할 수도 있고, 일반적으로 많이 사용되는 엑셀과 같은 범용 프로그램을 활용하여 신뢰도 분석을 수행할 수도 있다. 또한, 코딩 연산 등을 통해서도 야전 운용데이터의 신뢰도 분석을 수행할 수도 있다. For reference, the statistical program used in the reliability analysis step (S122) of the data classification step (S120) may use a statistical analysis program such as Minitab, or a general-purpose program such as Excel that is commonly used to perform reliability analysis You may. In addition, reliability analysis of field operation data can also be performed through coding operations and the like.
또한, 데이터 분류단계(S120)의 신뢰도 도출단계(S124)는 구성품별 신뢰도값을 산출하는 단계이다. 즉, 신뢰도 도출단계(S124)는 총열 조립체, 윗총몸 조립체, 노리쇠집 조립체, 가스활대 조립체, 복좌용수철 및 밀대 조립체, 아랫총몸 조립체, 개머리 조립체를 포함하는 소구경 화기의 구성품별 신뢰도값을 산출한다. In addition, the reliability deriving step (S124) of the data classification step (S120) is a step of calculating a reliability value for each component. That is, the reliability derivation step (S124) calculates the reliability value for each component of the small-caliber firearm including the barrel assembly, the upper gun body assembly, the bolt housing assembly, the gas rod assembly, the two-seat spring and pusher assembly, the lower gun body assembly, and the butt assembly. do.
또한, 데이터 분류단계(S120)의 제1 신뢰도 할당단계(S126)는 구성품별 신뢰도값을 할당하는 단계이다. 즉, 제1 신뢰도 할당단계(S126)는 소구경 화기의 구성품별 신뢰도값을 할당한다. In addition, the first reliability assignment step (S126) of the data classification step (S120) is a step of allocating a reliability value for each component. That is, the first reliability assignment step (S126) allocates a reliability value for each component of the small caliber firearm.
또한, 데이터 분류단계(S120)의 제2 신뢰도 할당단계(S128)는 구성품별 신뢰도값을 할당하는 단계이다. 제2 신뢰도 할당단계(S128)는 상술한 제1 신뢰도 할당단계(126)와는 달리, 수집된 소구경 화기의 야전 운용데이터에서 소구경 화기의 구성품별 신뢰도값을 할당한다. In addition, the second reliability assignment step (S128) of the data classification step (S120) is a step of allocating a reliability value for each component. In the second reliability assignment step (S128), unlike the above-described first reliability assignment step 126, a reliability value for each component of the small caliber firearm is assigned from the collected field operation data of the small caliber firearm.
즉, 데이터 분류단계(S120)의 제2 신뢰도 할당단계(S128)에서는 상기의 신뢰도 도출단계(S124)에서와 마찬가지로, 소구경 화기의 크게 7가지 조립체인 총열 조립체, 윗총몸 조립체, 노리쇠집 조립체, 가스활대 조립체, 복좌용수철 및 밀대 조립체, 야랫총몸 조립체, 개머리 조립체 별 신뢰도 값을 할당하게 된다. That is, in the second reliability assignment step (S128) of the data classification step (S120), as in the reliability derivation step (S124), there are seven main assemblies of small-caliber firearms: the barrel assembly, the upper body assembly, the bolt housing assembly, Reliability values are assigned for each gas strut assembly, double seat spring and push rod assembly, yarat body assembly, and butt assembly.
상술한 신뢰도 분석단계(S122), 신뢰도 도출단계(124), 제1 신뢰도 할당단계(126) 및 제2 신뢰도 할당단계(128)를 거친 후에는 데이터 정형화단계(S130)를 수행하게 된다. After the reliability analysis step S122, the reliability deduction step 124, the first reliability assignment step 126, and the second reliability assignment step 128 described above, the data standardization step S130 is performed.
그 다음, 기계학습 수행단계(S140)를 통해 야전 운용데이터의 기계학습을 수행한다. Next, machine learning of the field operation data is performed through the machine learning performing step (S140).
기계학습 수행단계(S140)는 예측 시스템(100)의 학습 수행부(140)를 이용하여 데이터 분류단계(S120)에서 분류된 야전 운용데이터의 기계학습을 수행하게 된다. In the machine learning performing step (S140), the machine learning of the field operation data classified in the data classification step (S120) is performed using the
그 다음, 운용신뢰도 산출단계(S150)를 통해 소구경 화기의 야전 운용신뢰도를 산출한다. Then, the field operation reliability of the small caliber firearm is calculated through the operation reliability calculation step (S150).
운용신뢰도 산출단계(S150)는 예측 시스템(100)의 정보 처리부(150)를 이용하여 기계학습 수행단계(S140)를 통해 생성된 기계학습 결과값으로 소구 경화기의 야전 운용신뢰도를 산출하게 된다. In the operation reliability calculation step (S150), the field operation reliability of the small bulb hardener is calculated with the machine learning result value generated through the machine learning execution step (S140) using the
여기서, 도 6을 참조하면, 본 발명의 일 실시예에 따른 예측 방법(S100)은 데이터 정형화단계(S130) 이후에 기계학습 수행단계(S140), 결과값 검증단계(S142), 최적 파라미터 설정단계(S144), 데이터 입력단계(S146) 및 운용신뢰도 산출단계(S150)를 순서대로 거치게 된다. Here, referring to FIG. 6 , in the prediction method S100 according to an embodiment of the present invention, after the data shaping step S130 , the machine learning performing step S140 , the result value verification step S142 , and the optimal parameter setting step (S144), data input step (S146), and operation reliability calculation step (S150) are sequentially passed.
다시 말해서, 본 발명의 일 실시예에 따른 예측 방법(S100)은 기계학습 수행단계(S140) 이후에 결과값검증단계(S142)가 추가로 수행되도록 마련된다. In other words, in the prediction method S100 according to an embodiment of the present invention, the result verification step S142 is additionally performed after the machine learning performing step S140.
결과값 검증단계(S142)는 기계학습 수행단계(S140)를 위해 미리 저장된 출력 변수와 기계학습 수행단계(S140)를 통해 도출된 기계학습 결과값(기계학습 모델)을 비교 분석하는 단계이다. 만약, 결과값 검증단계(S142)에서 기계학습 결과값이 요구하는 정확도를 충족하지 못하는 것으로 판단되는 경우, 파라미터 보정단계(S143)를 통해 최적화를 위한 기계학습 파라미터 설정값이 재설정되도록 한다. The result value verification step S142 is a step of comparing and analyzing an output variable stored in advance for the machine learning performing step S140 and the machine learning result value (machine learning model) derived through the machine learning performing step S140 . If it is determined in the result value verification step S142 that the machine learning result value does not meet the required accuracy, the machine learning parameter setting value for optimization is reset through the parameter correction step S143.
이때, 결과값 검증단계(S142)를 통해 재설정된 파라미터는 다시 저장되어 기계학습 수행단계(S140)에서 인공신경망을 통한 기계학습에서의 설정값으로 사용되게 된다.In this case, the parameter reset through the result value verification step (S142) is stored again and used as a set value in machine learning through the artificial neural network in the machine learning performing step (S140).
참고로, 결과값 검증단계(S142)에서 기계학습 결과값이 요구하는 정확도를 충족하는 것으로 판단된경우, 최적 파라미터 설정단계(S144)에서 미리 파라미터 설정 값이 최적의 파라미터로 설정되게 된다. 데이터 입력단계(S146)에서 결과값 검증단계(S142) 및 최적 파라미터 설정단계(S144)를 거친 도출된 테스트(시험) 데이터가 입력되게 된다. For reference, if it is determined in the result value verification step S142 that the machine learning result value meets the required accuracy, the parameter setting value is set as the optimal parameter in advance in the optimum parameter setting step S144. In the data input step (S146), the derived test (test) data through the result value verification step (S142) and the optimal parameter setting step (S144) are input.
상술한 결과값 검증단계(S142), 최적 파라미터 설정단계(S144) 및 데이터 입력단계(S146)를 거친 후에는 운용신뢰도 산출단계(S150)를 통해 야전 운용데이터 기반의 소구경 화기의 야전 운용신뢰도가 산출되게 된다. After the above-described result verification step (S142), optimal parameter setting step (S144) and data input step (S146), the field operation reliability of the small caliber light gun based on the field operation data is obtained through the operation reliability calculation step (S150). will be produced
한편, 도 7은 본 발명의 일 실시예에 따른 예측 방법(S100)을 통해 예측된 야전 운용신뢰도 데이터를 검증한 결과를 나타낸 그래프이다. Meanwhile, FIG. 7 is a graph showing a result of verifying the field operation reliability data predicted through the prediction method S100 according to an embodiment of the present invention.
복수 개의 야전 운용데이터 샘플과 산출된 신뢰도를 비교분석하여, 목표값(야전 운용신뢰도)이 예측값(미리 저장된 기계학습 정확도)와의 유사 여부를 판단하기 위한 실험을 수행하였다. An experiment was performed to determine whether the target value (field operation reliability) was similar to the predicted value (pre-stored machine learning accuracy) by comparing and analyzing a plurality of field operation data samples and the calculated reliability.
도 7을 참조하면, 약 613 개의 야전 운용데이터를 기반으로 인공 신경망을 활용한 기계학습을 수행하였다. 이때, 야전 운용데이터의 약 10%를 성능 검증을 위한 데이터로 활용하였다. Referring to FIG. 7 , machine learning using an artificial neural network was performed based on about 613 field operation data. At this time, about 10% of the field operation data was used as data for performance verification.
검증결과, 예측값(미리 저장된기계학습 정확도)이 목표값(야전 운용신뢰도)과 유사한 것으로 관찰되었다. As a result of the verification, it was observed that the predicted value (pre-stored machine learning accuracy) was similar to the target value (field operation reliability).
상기한 구성에 의하여, 본 발명의 소구경 화기 운용신뢰도 예측 시스템(100) 및 이를 이용한 운용신뢰도 예측 방법(S100)은 야전 운용데이터를 기반으로 인공 신경망을 이용하여 기계학습을 수행하여 소구경 화기 조립체의 운용신뢰도를 예측함으로써 소구경 화기의 정비소요와 개선이 필요한 조립체를 예측하는 것이 용이할 수 있다. 더욱이, 입력 및 출력되는 야전 운용데이터에 의해 소구경 화기의 부품별 운용신뢰도를 산출할 수 있다. According to the above configuration, the small-diameter firearm operation
또한, 본 발명의 본 발명의 소구경 화기 운용신뢰도 예측 시스템(100) 및 이를 이용한 운용신뢰도 예측 방법(S100)은 산출된 소구경 화기 조립체의 운용신뢰도를 통해 군의 정비 애로사항을 해소할 수 있고 그와 동시에 장비 운용성을 향상시켜 최적의 군 전투력을 도모할 수는 효과가 있다. In addition, the small-caliber firearms operation
이상과 같이 본 발명의 실시예에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 청구범위뿐 아니라 이 청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다. As described above, the embodiments of the present invention have been described with specific matters such as specific components and limited embodiments and drawings, but these are provided to help a more general understanding of the present invention, and the present invention is limited to the above embodiments Various modifications and variations are possible from these descriptions by those of ordinary skill in the art to which the present invention pertains. Accordingly, the spirit of the present invention should not be limited to the described embodiments, and not only the claims described below, but also all those with equivalent or equivalent modifications to the claims will fall within the scope of the spirit of the present invention.
100: 소구경 화기 운용신뢰도 예측 시스템
110: 데이터 수집부
120: 데이터 정제부
130: 데이터 정형화부
140: 학습 수행부
150: 정보 처리부
S100: 소구경 화기 운용신뢰도 예측 방법
S110: 데이터 수집단계
S120: 데이터 분류단계
S130: 데이터 정형화단계
S140: 기계학습 수행단계
S150: 운용신뢰도 산출단계100: Small-caliber firearms operation reliability prediction system
110: data collection unit
120: data refiner
130: data shaping unit
140: learning execution unit
150: information processing unit
S100: Method of predicting operation reliability of small-caliber firearms
S110: data collection step
S120: data classification step
S130: data standardization step
S140: Machine learning execution step
S150: operation reliability calculation step
Claims (16)
수집된 야전 운용데이터를 항목별로 분류하는 데이터 정제부;
분류된 데이터를 인공 신경망을 이용하여 기계 학습을 수행하는 학습 수행부; 및
학습 수행부에 의해 생성된 기계학습 모델을 통해 소구경 화기의 야전 운용신뢰도를 산출하는 정보 처리부; 를 포함하고,
학습 수행부는 기계 학습 수행을 수행하기 위한 입력 및 출력 변수를 포함하는 파라미터 값이 미리 설정되어 저장되도록 마련되며,
학습 수행부에 입력되는 입력 변수는, 소구경 화기의 보유 및 운용 부대명 및 계통 정보를 포함하는 기본 정보, 소구경 화기의 품명, 소구경 화기의 수리부속 청구량, 소구경 화기의 최초 및 최종 상태 , 소구경 화기의 정비계단을 포함하는 정비실적 및 소구경 화기의 고장 원인, 고장영향 및 소구경 화기의 고장 간 평균사격발수(MRBF)를 포함하는 고장 정보로 마련된, 소구경 화기 운용신뢰도 예측 시스템.
a data collection unit that collects field operation data of small-caliber firearms by using system operation and maintenance data for collecting field operation data of small-caliber firearms by using system operation and maintenance data;
a data refiner for classifying the collected field operation data by item;
a learning execution unit that performs machine learning on the classified data using an artificial neural network; and
an information processing unit for calculating the field operation reliability of the small-caliber firearm through the machine learning model generated by the learning execution unit; including,
The learning performing unit is provided such that parameter values including input and output variables for performing machine learning are preset and stored,
The input variables input to the learning execution unit are basic information including the name and system information of possession and operation of small-caliber firearms, the product name of the small-caliber firearm, the amount of repair parts for small-caliber firearms, the first and last of the small-caliber firearms. state small diameter cause malfunction of maintenance performance and small caliber firearms, including the maintenance stairs of fire, failure effects, and a small diameter provided in the failure information including the average fire repellent (MRBF) liver failure firearms, small caliber firearm operating reliability prediction system.
데이터 정제부를 통해 항목별로 분류된 야전 운용데이터의 그룹화 및 정형화를 수행하는 데이터 정형화부를 더 포함하는, 소구경 화기 운용신뢰도 예측 시스템.
According to claim 1,
A small caliber firearm operation reliability prediction system further comprising a data standardization unit that performs grouping and standardization of field operation data classified by item through the data refining unit.
데이터 수집부는,
소구경 화기의 고장영향, 소구경 화기의 정비종류, 소구경 화기의 정비 시작/종료일, 소구경 화기의 수리부속 및 소구경 화기의 청구량을 포함하는, 소구경 화기 운용신뢰도 예측 시스템.
3. The method of claim 2,
data collection unit,
Small caliber firearms operation reliability prediction system, including the failure effect of small caliber firearms, maintenance types of small caliber firearms, maintenance start/end date of small caliber firearms, repair parts of small caliber firearms, and claims for small caliber firearms.
데이터 수집부에는,
연도별 보유 소구경 화기의 정수, 소구경 화기의 사격발수에 관한 데이터가 추가로 포함되는, 소구경 화기 운용신뢰도 예측 시스템.
4. The method of claim 3,
In the data collection section,
A small-caliber firearms operation reliability prediction system that additionally includes data on the number of small-caliber firearms possessed by year and the number of shots fired by small-caliber firearms.
데이터 정제부는,
데이터 수집부에서 수집된 운용 및 정비데이터 중에서 유효하지 않은 데이터가 제거되도록 마련된, 소구경 화기 운용신뢰도 예측 시스템.
3. The method of claim 2,
data refiner,
A small caliber firearm operation reliability prediction system designed to remove invalid data from the operation and maintenance data collected by the data collection unit.
출력 변수는,
소구경 화기의 연도별 고장률을 의미하는 소구경 화기 운용 정보로 마련된, 소구경 화기 운용신뢰도 예측 시스템.
According to claim 1,
The output variable is
Small caliber firearms operation reliability prediction system prepared with small caliber firearms operation information, which means the failure rate of small caliber firearms by year.
학습 수행부는,
수행된 기계학습에 의해 도출된 기계학습 결과값의 검증을 수행하는, 소구경 화기 운용신뢰도 예측 시스템.
According to claim 1,
The learning department,
A small-diameter firearm operation reliability prediction system that performs verification of the machine learning result derived by the performed machine learning.
학습 수행부는,
도출된 결과값의 검증을 수행할 때에 도출된 기계학습 결과값과 미리 저장된 기계학습 정확도와의 비교 분석이 수행되며,
기계학습 결과값이 미리 저장된 기계학습 정확도를 충족시키지 못하는 것으로 판단되면 기계학습을 위한 파라미터가 재설정되도록 마련된, 소구경 화기 운용신뢰도 예측 시스템.
10. The method of claim 9,
The learning department,
When the verification of the derived result value is performed, a comparative analysis between the derived machine learning result value and the pre-stored machine learning accuracy is performed,
If it is determined that the machine learning result value does not satisfy the machine learning accuracy stored in advance, the parameters for machine learning are reset, a small-caliber firearm operation reliability prediction system.
데이터 수집부를 이용하여 체계 운용 및 정비데이터를 포함한 소구경 화기의 야전 운용데이터를 수집하는 단계;
데이터 정제부를 이용하여 수집된 야전 운용데이터를 항목별로 분류하는 단계;
학습 수행부를 이용하여 분류된 야전 운용데이터의 기계학습을 수행하는 단계; 및
정보 처리부를 이용하여 생성된 기계학습 결과값을 이용한 소구 경화기의 야전 운용신뢰도를 산출하는 단계;
를 포함하고,
기계학습 수행단계에서는 인공신경망을 활용한 기계학습이 수행되도록 마련되되,
기계 학습 수행을 수행하기 위한 입력 및 출력 변수를 포함하는 파라미터 값이 미리 설정되어 저장되며,
입력 변수는, 소구경 화기의 보유 및 운용 부대명 및 계통 정보를 포함하는 기본 정보, 소구경 화기의 품명, 소구경 화기의 수리부속 청구량, 소구경 화기의 최초 및 최종 상태, 소구경 화기의 정비계단을 포함하는 정비실적 및 소구경 화기의 고장 원인, 고장영향 및 소구경 화기의 고장 간 평균사격발수(MRBF)를 포함하는 고장 정보로 마련된, 소구경 화기 운용신뢰도 예측방법.
In the small-diameter firearm operation reliability prediction method using the small-diameter firearm operation reliability prediction system according to claim 1,
collecting field operation data of small caliber firearms including system operation and maintenance data using the data collection unit;
classifying the collected field operation data by item using the data refining unit;
performing machine learning of the classified field operation data using a learning execution unit; and
calculating the field operation reliability of the compact hardener using the machine learning result value generated using the information processing unit;
including,
In the machine learning execution stage, it is prepared to perform machine learning using an artificial neural network,
Parameter values including input and output variables for performing machine learning are preset and stored;
The input variables are basic information including unit name and system information for possession and operation of small caliber firearms, product name of small caliber firearms, amount of repair parts claimed for small caliber firearms, initial and final state of small caliber firearms, and of small caliber firearms A method for predicting operation reliability of small-caliber firearms prepared with maintenance performance including maintenance steps and failure information including the cause of failure of small-caliber firearms, the effect of failure and the average number of shots between failures of small-caliber firearms.
데이터 분류단계 이후에,
데이터 정형화부를 이용하여 데이터 분류 단계에서 분류된 야전 운용데이터를 항목별 그룹화 및 정형화를 수행하는 단계를 더 포함하는, 소구경 화기 운용신뢰도 예측방법.
12. The method of claim 11,
After the data classification step,
A method for predicting operational reliability of small-caliber firearms, further comprising grouping and standardizing the field operation data classified in the data classification step by using the data shaping unit.
데이터 수집단계는,
소구경 화기의 야전 운용데이터를 수집하는 단계;
소구경 화기의 보유 정수 및 부대 사격발수를 수집하는 단계; 및
소구경 화기의 고장 정보를 수집하는 단계를 포함하는, 소구경 화기 운용신뢰도 예측 방법.
13. The method of claim 12,
The data collection stage is
collecting field operation data of small-caliber firearms;
collecting the holding constant of small-caliber firearms and the number of shots fired by the unit; and
A method of predicting operational reliability of small-caliber firearms, comprising the step of collecting failure information of small-caliber firearms.
데이터 분류단계는,
통계 프로그램을 활용하여 신뢰도를 분석하는 단계;
소구경 화기의 구성품별 신뢰도값을 도출하는 단계;
소구경 화기의 구성품별 신뢰도값을 할당하는 단계; 및
야전 운용데이터의 구성품별 신뢰도값을 할당하는 단계를 포함하는, 소구경 화기 운용신뢰도 예측 방법.
13. The method of claim 12,
The data classification step is
analyzing the reliability using a statistical program;
deriving a reliability value for each component of a small-caliber firearm;
Allocating a reliability value for each component of the small-caliber firearm; and
A method of predicting operational reliability of small-caliber firearms, including the step of allocating reliability values for each component of field operation data.
기계학습 수행단계 이후에,
기계학습 수행단계를 통해 도출된 기계학습 결과값과 미리 저장된 기계학습 정화도를 비교 분석하여 기계학습 결과값의 검증을 수행하는 단계가 추가로 수행되도록 마련된, 소구경 화기 운용신뢰도 예측 방법.
13. The method of claim 12,
After the machine learning stage,
A method for predicting operation reliability of small caliber firearms, which is prepared to additionally perform the verification of the machine learning result value by comparing and analyzing the machine learning result value derived through the machine learning execution step and the pre-stored machine learning purification degree.
결과값 검증단계에서는,
기계학습 결과값이 미리 저장된 기계학습 정확도를 충족하지 못하는 것으로 판단되면 기계학습 수행을 위한 파라미터가 재설정되도록 하는, 소구경 화기 운용신뢰도 예측 방법.16. The method of claim 15,
In the result verification stage,
When it is determined that the machine learning result value does not satisfy the machine learning accuracy stored in advance, the parameter for performing machine learning is reset.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210018821A KR102315821B1 (en) | 2021-02-10 | 2021-02-10 | Operational reliability of small arms barrel prediction system and operational reliability prediction method using the same |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210018821A KR102315821B1 (en) | 2021-02-10 | 2021-02-10 | Operational reliability of small arms barrel prediction system and operational reliability prediction method using the same |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102315821B1 true KR102315821B1 (en) | 2021-10-20 |
Family
ID=78267937
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210018821A KR102315821B1 (en) | 2021-02-10 | 2021-02-10 | Operational reliability of small arms barrel prediction system and operational reliability prediction method using the same |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102315821B1 (en) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170075267A (en) * | 2015-12-23 | 2017-07-03 | 현대엘리베이터주식회사 | System for prognosticating failure of elevator |
| KR101987365B1 (en) | 2018-11-26 | 2019-06-10 | (주)위세아이텍 | A system and method for predicting military equipment failure based on artificial intelligence using unstructured data |
-
2021
- 2021-02-10 KR KR1020210018821A patent/KR102315821B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170075267A (en) * | 2015-12-23 | 2017-07-03 | 현대엘리베이터주식회사 | System for prognosticating failure of elevator |
| KR101987365B1 (en) | 2018-11-26 | 2019-06-10 | (주)위세아이텍 | A system and method for predicting military equipment failure based on artificial intelligence using unstructured data |
Non-Patent Citations (2)
| Title |
|---|
| "Machine Learning을 이용한 무기 체계(or 구성품) 고장 유형 식별", 한국산학기술학회 논문지 19(8)(pp. 64-70), 2018년 8월 * |
| "데이타마이닝을 이용한 차량고장 예측 기법", 충북대학교 대학원 석사 학위 논문. 2012년* * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20140338522A1 (en) | Semi-Automatic Pistol | |
| RU2682950C2 (en) | Linear repeating firearm, with assisted ejection | |
| US6347474B1 (en) | Trigger return system for a firearm | |
| Hayes et al. | Agent-based simulation of mass shootings: Determining how to limit the scale of a tragedy | |
| CN109408877A (en) | A kind of intelligence shooting decision-making technique of antitank missile unit | |
| KR102315821B1 (en) | Operational reliability of small arms barrel prediction system and operational reliability prediction method using the same | |
| CN106202849A (en) | A kind of air missile weapon system cost effectiveness analysis method | |
| RU2611444C1 (en) | Curved-barrel disk revolver | |
| Kara | Investigation of ballistic evidence through an automatic image analysis and identification system | |
| US3407526A (en) | Revolver-type pistol for firing shotgun cartridges | |
| CN107194111B (en) | Projectile full trajectory optimization design method based on ISIGIT software | |
| Kamaruddin et al. | Firearm classification using neural networks on ring of firing pin impression images | |
| KR102565906B1 (en) | Artificial intelligence for establishing the operation plan of strike packages in air operations | |
| US3418741A (en) | Firearm | |
| Birkett et al. | Understanding ballistics a primer for courts | |
| Kirk et al. | Estimation of changes in breech face and firing pin marks over consecutive discharges and its impact on an IBIS® Heritage™ System | |
| US20010029690A1 (en) | Firearm with redundantly-identifiable projectiles | |
| Rowe | Firearm and tool mark examinations | |
| US20020007580A1 (en) | Shotgun with automatically marked ejecta | |
| US20010027619A1 (en) | Firearm with identifiable ejecta | |
| RU2810247C1 (en) | Method of accounting for changes in technical characteristics of particular artillery piece | |
| Morris et al. | Interpretation of cartridge case evidence using IBIS and Bayesian networks | |
| CN116026188B (en) | Multi-array ground air defense system shooter recommendation method based on interception fitness | |
| Yu et al. | Weapon Scheduling Method for Cooperative Air-Defense Operation | |
| SAADI et al. | Firearm classification using neural networks on ring of firing pin impression images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |