[논문]지지벡터회귀분석을 이용한 무기체계 신뢰도 예측기법

나일용

doi:10.9766/kimst.2013.16.5.675

Abstract ▼ AI-Helper

Reliability analysis and prediction of next failure time is critical to sustain weapon systems, concerning scheduled maintenance, spare parts replacement and maintenance interventions, etc. Since 1981, many methodology derived from various probabilistic and statistical theories has been suggested to...

Reliability analysis and prediction of next failure time is critical to sustain weapon systems, concerning scheduled maintenance, spare parts replacement and maintenance interventions, etc. Since 1981, many methodology derived from various probabilistic and statistical theories has been suggested to do that activity. Nowadays, many A.I. tools have been used to support these predictions. Support Vector Regression(SVR) is a nonlinear regression technique extended from support vector machine. SVR can fit data flexibly and it has a wide variety of applications. This paper utilizes SVM and SVR with combining time series to predict the next failure time based on historical failure data. A numerical case using failure data from the military equipment is presented to demonstrate the performance of the proposed approach. Finally, the proposed approach is proved meaningful to predict next failure point and to estimate instantaneous failure rate and MTBF.

Keyword

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

: Artificial Intelligence) 기법 분야로 확장되고 있음을 보여준다. 이에 본 논문에서는 비교적 최근 신뢰도 예측분야에 적용이 시도되고 있는 지지벡터머신과 지지 벡터회귀분석을 이용한 신뢰도 예측모델을 제안하며, 궤도장비 고장자료에 적용하여 모형의 실효성을 확인한다.
본 단계에서는 지지벡터머신을 이용하여 분석 대상 장비의 고장자료가 실제로 어떤환경과 운용량을 가지는 장비군과 유사한 고장추세를 나타내는지 확인한다.
본 논문에서는 장비 고장위치, 장비 고장수 등의 고장자료로 미래 고장시점을 예측하는 방법을 제시하고 있다. 제시된 방법은 단순히 배치시점별로 장비를 그룹화 하여 분석하는 방식에서 탈피하고 있어 보다 현실성 있는 신뢰도 예측을 수행할 수 있다.

가설 설정

통상 동일한 시기에 배치된 장비는 같은 고장 추세를 나타냄을 가정하고 분석한다. 그러나 동일한 시기에 배치되었더라도, 운용환경, 사용자, 사용률 등에 따라 고장 추세가 다를 수 있으므로, 분석에 사용되는 장비들을 실제 동일집단으로 간주할 수 있는지 여부가 검토되어야 한다.

제안 방법

이상의 논리로 기계학습 과정에서는 쌍대문제 최적해 α , α*를 이용, 최적 파라미터 C, ε, σ를 결정한다.
고장추세 예측에 사용되는 모형이 확률모형을 이용한 모형이 아니므로, 고장추세 구분은 운용환경, 고장 개소, 심각도 등을 입력특성벡터(Input Feature Vector)로 하는 지지벡터머신을 사용한다. 이 후 같은 장비그룹에 속한 장비들은 같은 고장발생 경향을 나타냄이 확인되었으므로, 해당 장비 집단의 특성을 이용하여 미래 고장시점과 신뢰도를 예측한다. 단계별 특성벡터의 구성, 학습 및 예측 방법은 ‘가.
C , ε, σ간의 상관관계의 복잡성으로 각 파라미터의 전역 최적화는 어려운(NP-hard) 문제임이 타 논문을 통해 확인된 바 있으므로[12] 학습은 임의의 범위 내에서 Grid Search 방법을 사용하였고, 결과가 입력된 C , ε, σ의 경계값(Boundary)이 아닌 경우 최적으로 판단한다.
자료의 개수가 많지 않은 경우 LOO(Leave-One-Out) 방법 혹은 n-fold CV(Cross Validation)을 사용하는 것이 일반적[13]이므로 본 논문에서는 5-fold CV 방법을 사용하여 각고장시점까지의 MSE를 최소화 하여 (n + 1)th 이후 고장을 추정할 수 있는 각 시점별 최적 파라미터 C , ε, σ를 도출한다.
’절에서 설명한 바와 같이 제한점을 가지는 다항식 커널 대신 가우시안 커널을 사용하며, 식 (2)를 만족하는 최적 파라미터 C , ε, σ를 기계학습을 통해 도출한다. 이후 대상장비의 특성벡터를 학습된 지지벡터머신에 입력하여 입력된 고장추세와 가장 유사한 고장추세를 나타내는 장비군을 찾아낸다. C , ε, σ간의 상관관계의 복잡성으로 각 파라미터의 전역 최적화는 어려운(NP-hard) 문제임이 타 논문을 통해 확인된 바 있으므로[12] 학습은 임의의 범위 내에서 Grid Search 방법을 사용하였고, 결과가 입력된 C , ε, σ의 경계값(Boundary)이 아닌 경우 최적으로 판단한다.
본 단계에서는 지지벡터회귀분석을 사용하여 고장 추세, 즉, 미래 고장시점들을 예측한다. 전술한 바와 같이, 동일 장비군의 장비는 동일한 고장 추세를 가지므로, 장비군 내에서 가장 많은 고장수를 가진 장비가 기준(Reference) 장비가 되며, 이 장비의 고장에 대해 학습된 지지벡터회귀선이 타 장비의 고장시점 예측에 사용된다.
동일한 장비군으로 식별된 5개의 장비 고장자료를 이용하여 2단계 모형의 성능을 확인하였다. 각 장비별고장수는 Table 5에 제시된 것과 같으며, ‘3.

대상 데이터

분석에 사용된 자료는 현재 육군에서 운용 중인 궤도장비의 11년간 수집된 고장자료(16,419개)로, 군수지원요소 최신화를 위해 별도로 수집되었으며, 원 자료 형태는 Table 3과 같다.
1단계 모형에는 고장을 장비별로 종합하여 Table 1형태로 변환, 입력 특성벡터로 사용하였다. 세부 구성요소로는 총 고장수, 총 운용거리, 총 운용시간 및 고장개소(동력장치, 송탄장치, 현수장치 등) 20위치별 누적고장수와 고장의 심각도(임무불가, 임무저하, 임무 무관)별 누적고장수 3개 등 총 26개로 구성하였다. 2단계 모형에는 원 자료 중 장비호수, 배치일자, 고장시점 자료만 사용하며, 고장시점은 Table 2와 같이 변환하여 입력 특성벡터로 사용하였다.
총 자료의 70 %를 임의 추출하여 학습에 사용하였으며, 나머지 30 % 자료를 모형 검증에 사용하였다. 최적 파라미터와 예측 성능은 Table 4와 같다.

데이터처리

2단계 모형에는 원 자료 중 장비호수, 배치일자, 고장시점 자료만 사용하며, 고장시점은 Table 2와 같이 변환하여 입력 특성벡터로 사용하였다. 분석에는 통계분석 SW R^[14]의 지지벡터회귀분석 범용 라이브러리인 e1071을 사용하였다.
Table 7의 결과를 이용하여 나머지 4개 장비의 고장위치를 추정하였고, 이를 신뢰도 성장분석 및 예측에 가장 많이 사용되는 모형인 AMSAA 모형^[3]과 비교하였다.
성능 비교는 두 모형에 의해 추정된 고장시점과 실제 고장시점간의 차이에 대한 MSE와 NMSE(Normalized Mean Squared Error)를 사용하였다.

성능/효과

가장 최근에는 Yuan Fuqing^[7]이 지지벡터회귀분석(SVR : Support Vector Regression)을 이용하여 광산에서 운용하는 LHD(Load-Haul-Dump) 차량의 신뢰도와 미래고장시점을 예측하였다. 이러한 연구 결과는 신뢰도 예측분야의 추세가 기존의 확률과정, 시계열 등 전통적인 확률/통계적 방법에서 신경망이론, SVM 등 점차 인공지능(A.I. : Artificial Intelligence) 기법 분야로 확장되고 있음을 보여준다. 이에 본 논문에서는 비교적 최근 신뢰도 예측분야에 적용이 시도되고 있는 지지벡터머신과 지지 벡터회귀분석을 이용한 신뢰도 예측모델을 제안하며, 궤도장비 고장자료에 적용하여 모형의 실효성을 확인한다.
와 Accuracy를 사용한 결과 평균적으로 2/3정도의 정확도를 나타내어 모형의 적용 가능성은 확인되나, 향후 실 적용을 위해서는 입력특성벡터 정교화 및 분석대상 장비수량 확대 등이 필요한 것으로 나타났다. 장비군 별로 F-measure 기준, 48.7 % ～ 100.0 % 수준을 나타내어, 일부 장비군에 대해서는 매우 높은 정확도를 나타내기도 한 것으로 확인되었다.
7에서 확인할 수 있고, MSE와 NMSE 차원의 성능은 Table 7과 같다. 측정자에 따른 차이는 거의 없었으며, 효율은 3호기의 경우 AMSAA 모형을 통해 예측한 결과보다 매우 낮은 결과를 나타내고 있으나, 나머지 2,4,5호기의 경우 유사하거나 더 나은 결과를 나타내고 있다. 3호기의 경우 AMSAA 모형에 의한 예측결과도 타 장비에 비해 다소낮기 때문에, 비록 CVM test나 1단계 모형을 통과할 수준은 되나 나머지 호기와 동질성은 타 장비대비 낮으며 이에 따른 예측 성능도 낮아진 것으로 해석된다.
모형의 성능 비교를 위해 가장 대표적인 신뢰도 장모형인 AMSAA 모형과 비교한 결과 역시 고장위치 예측력에 있어서는 AMSAA 모형과 유사함을 확인할 수 있었고 일부 자료에 대해서는 좀 더 작은 오차를 보여주기도 하는 등 향후 모형 정교화에 따라 기존 모델 이상의 성능을 보여줄 수 있는 가능성을 확인하였다.

후속연구

예측력 확인을 위해 F-measure^[15]와 Accuracy를 사용한 결과 평균적으로 2/3정도의 정확도를 나타내어 모형의 적용 가능성은 확인되나, 향후 실 적용을 위해서는 입력특성벡터 정교화 및 분석대상 장비수량 확대 등이 필요한 것으로 나타났다. 장비군 별로 F-measure 기준, 48.
본 논문에서는 장비 고장위치, 장비 고장수 등의 고장자료로 미래 고장시점을 예측하는 방법을 제시하고 있다. 제시된 방법은 단순히 배치시점별로 장비를 그룹화 하여 분석하는 방식에서 탈피하고 있어 보다 현실성 있는 신뢰도 예측을 수행할 수 있다. 특히 SVR을 사용하기 때문에 방법론의 특성상 고장이 자주 발생되지 않는 장비의 고장시점 예측에도 무리 없이 적용이 가능한 점과, 일단 학습이 완료된 후에는 향후 배치될 장비 혹은 배치 초기 장비의 전반적인 고장 시점을 예측할 수 있는 점 등 기존 모형들과 유사한 기능을 제공할 수 있다.
다만 제안된 방법은 기계학습과정을 수반하여, 기준 장비 특성을 학습하는 단계에 많은 시간이 소요되고, 예측된 자료를 도시한 그래프 외에는 신뢰도 성장, 감소를 판단하는 것이 용이하지 않은 단점이 있다. 또한, 향후 1단계 모형의 타당성 확인에 추가적인 자료가 필요할 것으로 예측되는 점 등은 본 논문의 제한점으로 남는다. 그러나 현재 참고문헌으로 제시된 논문 외에도 인공지능 기법을 사용한 다양한 신뢰도 예측 방법이 연구되고 있음이 확인되는 바, 본 논문을 시작으로 군수분야의 신뢰도 성장분석 및 예측시 전통적인 확률/통계 기반의 모형 뿐만 아니라, 다양한 기법이 사용될 수 있게 되기를 기대한다.
또한, 향후 1단계 모형의 타당성 확인에 추가적인 자료가 필요할 것으로 예측되는 점 등은 본 논문의 제한점으로 남는다. 그러나 현재 참고문헌으로 제시된 논문 외에도 인공지능 기법을 사용한 다양한 신뢰도 예측 방법이 연구되고 있음이 확인되는 바, 본 논문을 시작으로 군수분야의 신뢰도 성장분석 및 예측시 전통적인 확률/통계 기반의 모형 뿐만 아니라, 다양한 기법이 사용될 수 있게 되기를 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	AMSAA은 신뢰도 성장분석 및 예측 활동에서 무엇을 사용하였는가?	이러한 신뢰도 성장분석 및 예측 활동에는 몇 가지 통계적 기법을 사용해 왔다. AMSAA는 Weibull 고장강도함수(Failure Intensity Function)기반의 비동질 포아송 과정(NHPP : Non Homogeneous Poisson Process)를 사용하였고, Ho.& Xie[4,5]는 시계열 분석모형인 ARIMA와 MFNN(Multi-layer Feed-forward Neural Network)을, Wei-Chiang et al.
	지벡터회귀분석 과정의 특징은?	지지벡터회귀분석은 Vapnic이 최초로 제안한 기법으로, 임의의 입력공간(Input Space, x)을 입력특성벡터(Input Feature Vector)에 대한 식 (1)과 같은 비선형 회귀식 f(x) 을 통해 2개 이상의 공간으로 분할하는 곡선 탐색 과정이다. 이 과정에서 필요에 따라 커널(Kernel) 함수로 입력특성공간을 Ψ(x)로 변환하여 공간분할 함수를 입력공간이 아닌 특성공간에 대해 산출하기도 한다. 지지벡터회귀분석은 회귀식 추정 시 Fig.
	지지벡터회귀분석과 지지벡터머신는 무엇인가?	지지벡터회귀분석과 지지벡터머신은 비선형회귀식 f(x) 를 탐색하는 과정은 동일하나 지지벡터머신은 f(x) 에 의해 분할된 공간에, 즉, f(x)를 이용한 판별 분석에 관심을 두는 분석법이며, 지지벡터회귀분석은 임의의 입력값 z 에 대한 결과값 f(z ) 활용에 관심을 두는 분석법이다. f(x) 도출을 위한 원(Primal) 문제는 식 (2)과 같으나, 이를 쌍대문제(Dual)로 변환 할 경우, 훨씬 간단한 형태인 식 (6), 식 (7)로 문제를 풀 수 있다[9].

참고문헌 (15)

Duane J. T., "Learning Curve Approach to Reliability Monitoring", IEEE Trans. Aero., AS-2, pp. 563-566, 1964.
"Reliability Growth Management", MIL-HDBK-189, 1981.
AMSAA Reliability Growth Guide, Technical Report # TR-652, 2000.
Ho SL, Xie M, "The Use of ARIMA Models for Reliability Forecasting and Analysis", Computer Ind. Eng., Vol. 35, pp. 213-216, 1998.

상세보기
Ho SL, Xie M, "A Comparative Study of Neural Network and Box-Jenkins ARIMA Modeling in Time Series Prediction", Comput. Ind. Eng., Vol. 42, pp. 371-375, 2002.

상세보기
Wei Chiang Hong, Ping Feng Pai, "Predicting Engine Reliability by Support Vector Machines", Int J Adv Manuf Tech., Vol. 28, pp. 154-161, 2006.

상세보기
Y. Fuqing, U. Kumar, D. Galar, "Reliability Predicting Using Support Vector Regression", Intl J of Systems Assurance Engineering and Management, Vol. 1, No. 3, pp. 263-268, 2010.

상세보기
Vapnic V., "The Nature of Statistical Learning Theory", Springer, Berlin Heidelberg New York, 1995.
Vojislav K., "Learning and Soft Computing : Support Vector Machines, Neural Networks and Fuzzy Logic Models", MIT Press, Cambridge, MA, 2001.
Avriel, Mordecai, "Nonlinear Programming : Analysis and Methods", Dover Publications, 2003.
Scholkopf B, Smola A. J., "Learning with Kernels : Support Vector Machines, Regularization, Optimization and Beyond Adaptive Computation and Machine Learning", MIT Press, Cambridge, 2002.
Hochbaum D. S., "Approximation Algorithms for NP-hard Problems", PWS Pub. Co, Boston, 1997.
Cawley GC, Talbot NLC, "Efficient Leave-One-Out Cross Validation of Kernel Fisher Discriminant Classifiers", Pattern Recogn, Vol. 36, No. 11, pp. 2585-2592, 2003.

상세보기
R Core Team, "R : A Language and Environment for Statistical Computing. R Foundation for Statistical Computing", Vienna, Austria, ISBN 3-900051-07-0, 2012.
Powers, D. M. W. "Evaluation : From Precision, Recall & F-measure to ROC, Informedness, Markedness & Correlation", Journal of Machine Learning Tech., Vol. 2, Issue 1, pp. 37-63, 2011.

이 논문을 인용한 문헌

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] 지지벡터회귀분석을 이용한 무기체계 신뢰도 예측기법
A Reliability Prediction Method for Weapon Systems using Support Vector Regression 원문보기

Abstract ▼ AI-Helper

Keyword

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

질의응답

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

활용도 분석정보

활용도 Top5 논문

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 지지벡터회귀분석을 이용한 무기체계 신뢰도 예측기법 A Reliability Prediction Method for Weapon Systems using Support Vector Regression 원문보기

Abstract ▼ AI-Helper

Keyword

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

질의응답

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

나일용 (3)

활용도 분석정보

활용도 Top5 논문 더보기

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 지지벡터회귀분석을 이용한 무기체계 신뢰도 예측기법
A Reliability Prediction Method for Weapon Systems using Support Vector Regression 원문보기

AI 본문요약
AI-Helper

활용도 Top5 논문