[논문]저장탄약 신뢰성분류 인공신경망모델의 학습속도 향상에 관한 연구

이동녁; 윤근식; 노유찬

doi:10.5762/kais.2020.21.6.374

저장탄약 신뢰성분류 인공신경망모델의 학습속도 향상에 관한 연구
Study on Improving Learning Speed of Artificial Neural Network Model for Ammunition Stockpile Reliability Classification 원문보기

한국산학기술학회논문지 = Journal of the Korea Academia-Industrial cooperation Society, v.21 no.6, 2020년, pp.374 - 382

이동녁 (인하대학교 항공우주공학과) , 윤근식 (국방기술품질원) , 노유찬 (국방기술품질원)

초록
AI-Helper

본 연구에서 저장탄약 신뢰성평가(ASRP: Ammunition Stockpile Reliability Program)의 데이터 특성을 고려하여 입력변수를 줄이는 정규화기법을 제안함으로써 분류성능의 저하 없이 저장탄약 신뢰성분류 인경신경망모델의 학습 속도향상을 목표로 하였다. 탄약의 성능에 대한 기준은 국방규격(KDS: Korea Defense Specification)과 저장탄약 시험절차서(ASTP: Ammunition Stockpile reliability Test Procedure)에 규정되어 있으며, 평가결과 데이터는 이산형과 연속형 데이터가 복합적으로 구성되어 있다. 이러한 저장탄약 신뢰성평가의 데이터 특성을 고려하여 입력변수는 로트 추정 불량률(estimated lot percent nonconforming) 또는 고장률로 정규화 하였다. 또한 입력변수의 unitary hypercube를 유지하기 위하여 최소-최대 정규화를 2차로 수행하는 2단계 정규화 기법을 제안하였다. 제안된 2단계 정규화 기법은 저장탄약 신뢰성평가 데이터를 이용하여 비교한 결과 최소-최대 정규화와 유사하게 AUC(Area Under the ROC Curve)는 0.95 이상이었으며 학습속도는 학습 데이터 수와 은닉 계층의 노드 수에 따라 1.74 ~ 1.99 배 향상되었다.

Abstract ▼ AI-Helper

The purpose of this study is to improve the learning speed of an ammunition stockpile reliability classification artificial neural network model by proposing a normalization method that reduces the number of input variables based on the characteristic of Ammunition Stockpile Reliability Program (ASRP) data without loss of classification performance. Ammunition's performance requirements are specified in the Korea Defense Specification (KDS) and Ammunition Stockpile reliability Test Procedure (ASTP). Based on the characteristic of the ASRP data, input variables can be normalized to estimate the lot percent nonconforming or failure rate. To maintain the unitary hypercube condition of the input variables, min-max normalization method is also used. Area Under the ROC Curve (AUC) of general min-max normalization and proposed 2-step normalization is over 0.95 and speed-up for marching learning based on ASRP field data is improved 1.74 ~ 1.99 times depending on the numbers of training data and of hidden layer's node.

주제어

표/그림 (17)

그림 Fig. 1. Neuron's signal transfer
그림 Fig. 2. ANN node's signal transfer
그림 Fig. 3. ANN layer structure
그림 Fig. 4. ANN node's signal transfer
그림 Fig. 5. Sigmoid function
그림 Fig. 6. Example for TN&TP distribution & ROC curve
그림 Fig. 7. Distribution for average of 'A'
그림 Fig. 8. Distribution for standard deviation of 'A'
그림 Fig. 9. Maximum AUC(model1&model2)
표 Table 1. Acceptance criteria of 'A'
그림 Fig. 10. TET(model1&model2)
그림 Fig. 11. TET ratio(TET model1/TET model2)
그림 Fig. 12. Maximum AUC(model1,model2&model3)
표 Table 2. Input variables of 155mm propelling charge data for classification models
그림 Fig. 13. TET(model1,model2&model3)
그림 Fig. 14. TET ratio(TET model1/TET model3)
표 Table 3. Summary of results (min-max normalization vs proposed normalization)

AI 본문요약
AI-Helper

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

문제 정의

탄약의 저장 신뢰성을 예측에는 누적된 저장탄약 신뢰성 평가 데이터에 대한 시계열분석을 주로 적요해 왔다.[1-3] 최근에는 로트 마다 저장탄약 시험절차서에 따라 평가해야하는 기존 저장탄약 신뢰성 평가 방식을 벗어나 머신 러닝으로 다년간 누적된 데이터를 학습한 저장탄약 신뢰성 분류모델을 통해 신속하게 저장탄약의 계속 사용 여부를 분류할 수 있는 효율적인 방안을 제시함과 동시에 모델로부터 탄약의 신뢰성을 결정하는 주요한 성능지표를 식별하고자 하였다.[4]
본 연구는 기존의 머신 러닝을 활용한 저장탄약 신뢰 성분류 연구모델[4]을 바탕으로 저장탄약 평가 데이터의 특성을 고려하여 분류성능의 저하 없이 학습속도를 향상 하고자 한다. 이를 위해 국방규격(KDS), 저장탄약 시험 절차서(ASTP)에서 규정된 탄약의 성능에 대한 기준을 활용하여 복수의 입력 변수를 하나의 입력 변수로 정규 화(normalization)하였다.
본 연구에서는 저장탄약 신뢰성평가 데이터 특성을 고려하여 입력 변수를 줄이는 정규화 기법으로 제안하였으며, 이를 통해 저장탄약 신뢰성 평가를 위한 인공신경망 모델의 학습 능률을 향상하고자 하였다. 이를 위하여 국방규격(KDS), 저장탄약 시험절차서(ASTP)에서 요구되는 탄약의 특성(성능) 기준을 이용하여 불량률과 로트 추정 불량률로 정규화(1단계)하였다.

제안 방법

155mm 백색추진장약 KM○A○ 240개 로트의 저장 탄약 신뢰성평가 데이터를 이용하여 연속형 데이터와 이산형 데이터가 같이 포함된 10개 입력변수(시료수, 비기능 및 기능시험 결점수 등)에 대해 정규화 학습 모델의 분류 성능과 학습 속도를 비교하였다. 학습에 사용된 언어 및 패키지와 연산 조건은 “정규화기법 비교 : case 1” 과 같다.
은닉 계층의 노드 수는 10개, 20 개인 경우와 학습에 사용되는 데이터 수를 140개, 160 개, 180개, 200개인 경우를 조합하여 조건을 만들었다. 각 조건에서 최대 AUC, 총 학습 소요 시간(TET)과 학습 모델 사이의 총 학습 소요시간의 비(TET ratio)를 비교하였다.
그러므로 조건(노드 수조건 & 학습 데이터 수 조건)마다 100회의 학습모델을 생성하여 비교하였다.
비기능 시험은 육안검사, 비파괴검사 등으로 파손, 누락, 탈락 등 이상 여부를 검사한다. 기능 시험은 사격시험이나 정치 시험을 통해 탄약의 전체 혹은 주요 구성품의 기능이 정상적으로 발휘되는지를 시험한다. 이화학 시험은 추진제 등의 안전성을 확인하기 위하여 안정제 함량을 측정한다.
이를 위하여 국방규격(KDS), 저장탄약 시험절차서(ASTP)에서 요구되는 탄약의 특성(성능) 기준을 이용하여 불량률과 로트 추정 불량률로 정규화(1단계)하였다. 또한 일회성 시스템인 탄약의 높은 신뢰성으로 인해 1단계에서 정규화된 입력 변수가 unitary hypercube를 만족시키지 못할 수 있으므로 최소-최대 정규화를 추가로 수행하는 2단계 정규화 기법을 제안하였다. 제안된 정규화기법의 학습속도향상에 대한 효과는 Table 3과 같이 정리할 수 있다.
이를 위하여 먼저 저장 탄약 신뢰성평가 데이터의 특징에 대하여 검토하였으며, 다음으로 입력 변수의 정규화 기법에 요건에 대하여 검토하였다. 마지막으로 저장탄약 신뢰성 분류에 적합한 정규화 기법을 제시하였다.
본 연구에서 제안하는 정규화 기법은 분류 성능에 저하 없이 입력 변수의 수를 줄이고 머신 러닝에 적합한 입력 변수로 선형변환하는 것이다. 이를 위하여 먼저 저장 탄약 신뢰성평가 데이터의 특징에 대하여 검토하였으며, 다음으로 입력 변수의 정규화 기법에 요건에 대하여 검토하였다.
저장탄약 신뢰성평가의 수행절차는 대상 선정, 시료채취, 비기능 시험, 기능 시험 및 이화학 시험, 분석 및 평가, 심의로 이루진다. 비기능 시험은 육안검사, 비파괴검사 등으로 파손, 누락, 탈락 등 이상 여부를 검사한다. 기능 시험은 사격시험이나 정치 시험을 통해 탄약의 전체 혹은 주요 구성품의 기능이 정상적으로 발휘되는지를 시험한다.
연속형 데이터로 표현되는 가상의 성능 A에 대하여 Table 1과 같이 가정한 후, 최소-최대 정규화하여 학습한 경우(model1)와 로트 추정 불량률로 정규화하여 학습한 경우(model2)에 대하여 분류 성능과 학습 속도를 비교하였다. R(ver.
은닉 계층이 1개인 인공신경망 모델을 사용하였으며, 은닉 계층의 노드 수는 10개, 20개인 경우에 대하여 학습 데이터 수에 따라 비교하였다.
본 연구에서는 저장탄약 신뢰성평가 데이터 특성을 고려하여 입력 변수를 줄이는 정규화 기법으로 제안하였으며, 이를 통해 저장탄약 신뢰성 평가를 위한 인공신경망 모델의 학습 능률을 향상하고자 하였다. 이를 위하여 국방규격(KDS), 저장탄약 시험절차서(ASTP)에서 요구되는 탄약의 특성(성능) 기준을 이용하여 불량률과 로트 추정 불량률로 정규화(1단계)하였다. 또한 일회성 시스템인 탄약의 높은 신뢰성으로 인해 1단계에서 정규화된 입력 변수가 unitary hypercube를 만족시키지 못할 수 있으므로 최소-최대 정규화를 추가로 수행하는 2단계 정규화 기법을 제안하였다.
본 연구에서 제안하는 정규화 기법은 분류 성능에 저하 없이 입력 변수의 수를 줄이고 머신 러닝에 적합한 입력 변수로 선형변환하는 것이다. 이를 위하여 먼저 저장 탄약 신뢰성평가 데이터의 특징에 대하여 검토하였으며, 다음으로 입력 변수의 정규화 기법에 요건에 대하여 검토하였다. 마지막으로 저장탄약 신뢰성 분류에 적합한 정규화 기법을 제시하였다.
본 연구는 기존의 머신 러닝을 활용한 저장탄약 신뢰 성분류 연구모델[4]을 바탕으로 저장탄약 평가 데이터의 특성을 고려하여 분류성능의 저하 없이 학습속도를 향상 하고자 한다. 이를 위해 국방규격(KDS), 저장탄약 시험 절차서(ASTP)에서 규정된 탄약의 성능에 대한 기준을 활용하여 복수의 입력 변수를 하나의 입력 변수로 정규 화(normalization)하였다. 입력 변수가 감소하게 되면서 머신 러닝의 연산양이 감소하게 되어 학습 속도가 향상될 수 있었다.
저장탄약 신뢰성평가를 통해 매년 선정된 탄종과 로트에 대한 성능과 안전성을 평가한다. 평가결과에 따라서 계속 사용, 폐기, 수리 등의 조치가 취해진다.
최소-최대 정규화는 입력 변수의 범위가 unitary hypercube 되도록 할 수 있는 대표적인 방법이다. 제안 되는 정규화 기법은 입력 변수의 범위를 0에서 1사이에 값을 가지면서 입력 변수의 수를 줄일 수 있어야 한다.
그러므로 조건(노드 수조건 & 학습 데이터 수 조건)마다 100회의 학습모델을 생성하여 비교하였다. 총 100회 반복하여 학습모델에 대하여, 최대 AUC, 총 학습 소요 시간(TET : Total Elapsed Time)과 학습모델 사이의 총 학습 소요시간의 비(TET ratio)를 기준으로 비교하였다. 총 학습 소요 시간(TET)은 100회 학습모델에서 가중치가 수렴하는데 소요되는 시간의 합이며, 총 학습 소요시간의 비(TET ratio)는 Eq.

대상 데이터

본 연구는 입력변수 정규화를 통해 저장탄약 신뢰성분류 모델의 학습 속도 향상에 있으며, 분류 정확도의 영향은 없어야 한다. 머신 러닝에 사용한 학습 데이터는 가상의 성능에 대한 적합여부 평가 데이터(300개)와 저장탄약 신뢰성평가 결과(250개 로트의 사용 가능 여부에 대한 결과)를 사용하였다. 분류 정확도를 검증하기 위하여 학습 데이터의 일부는 머신 러닝에 사용하지 않고 별도의 검증 데이터로 사용하였으며, 분류 정확도를 평가하는 기준으로 AUC를 사용하였다.
머신 러닝에 사용한 학습 데이터는 가상의 성능에 대한 적합여부 평가 데이터(300개)와 저장탄약 신뢰성평가 결과(250개 로트의 사용 가능 여부에 대한 결과)를 사용하였다. 분류 정확도를 검증하기 위하여 학습 데이터의 일부는 머신 러닝에 사용하지 않고 별도의 검증 데이터로 사용하였으며, 분류 정확도를 평가하는 기준으로 AUC를 사용하였다.
정규화기법 비교(case 1)과 같이 각 조건 (노드 수 조건 + 학습 데이터 수 조건)마다 100회의 학습 모델을 생성하였다. 은닉 계층의 노드 수는 10개, 20 개인 경우와 학습에 사용되는 데이터 수를 140개, 160 개, 180개, 200개인 경우를 조합하여 조건을 만들었다. 각 조건에서 최대 AUC, 총 학습 소요 시간(TET)과 학습 모델 사이의 총 학습 소요시간의 비(TET ratio)를 비교하였다.
제안된 정규화 기법의 학습속도 향상을 분석하기 위하여 가상의 특성에 대한 학습 데이터와 Noh et al(2018)[4] 의 155mm 백색추진장약에 대한 저장신뢰성평가 데이 터를 활용하였다. 머신 러닝에는 통계 프로그래밍 언어인 R(ver.
특성 A에 대한 임의의 학습 데이터 300개를 활용하여 학습을 수행하였으며 학습에 사용되지 않는 데이터는 분류 성능 검증에 사용하였다. 성능 A의 학습 데이터에 대한 평균과 표준편차에 대한 분포는 Fig.

이론/모형

학습에 사용된 언어 및 패키지와 연산 조건은 “정규화기법 비교 : case 1” 과 같다. 각 모델은 아래와 같이 정규화기법을 적용하였 고, 입력 변수는 Table 2와 같다.
학습모델은 1개의 은닉 계층을 갖은 인공신경망 모델을 사용하였다. 정규화기법 비교(case 1)과 같이 각 조건 (노드 수 조건 + 학습 데이터 수 조건)마다 100회의 학습 모델을 생성하였다.

성능/효과

두 가지 사례(case 1, case 2)에서 일반적인 최소-최대 정규화와 제안된 정규화 기법의 AUC는 0.95 이상으로 높으며, 제안된 정규화 기법은 분류 성능의 큰 차이 없이 학습속도가 향상되었다. 제안된 정규화 기법에 대하여 결론을 3가지로 정리할 수 있다.
첫째, 분류 성능의 저하 없이 학습 속도를 향상시킬 수있다. 학습 속도 향상의 주요한 요인은 입력 변수 감소를 통한 가중치 수렴에 소요되는 총 계산양의 감소이다.

후속연구

둘째, 일회성 시스템인 탄약의 높은 신뢰도로 인하여 불량률과 로트 추정 불량률로 정규화한 경우, unitary hypercube를 만족하기 위하여 최소-최대 정규화를 추가로 수행할 필요가 있다.
본 연구는 입력변수 정규화를 통해 저장탄약 신뢰성분류 모델의 학습 속도 향상에 있으며, 분류 정확도의 영향은 없어야 한다. 머신 러닝에 사용한 학습 데이터는 가상의 성능에 대한 적합여부 평가 데이터(300개)와 저장탄약 신뢰성평가 결과(250개 로트의 사용 가능 여부에 대한 결과)를 사용하였다.
셋째, 제안된 정규화 기법을 통해 적은 학습 데이터의 수에서 높은 분류 성능을 기대하였으나 최소-최대 정규 화와 비교할 때 학습 데이터 수에 따라 분류 성능에 차이가 없어 학습 데이터 수를 줄여 학습능률을 향상할 수 없는 한계가 있다. 이것은 이미 최소-최대 정규화만으로도 인공신경망의 분류 성능이 높기 때문인 것으로 판단된다.
이러한 현실 속에서 머신 러닝은 신속한 분석 결과를 도출해 줄 수 있는 도구로 생각된다. 향후 지속적인 연구를 통해 다양한 품목의 신뢰성평가에 사용할 수 있을 것이라 기대한다.

참고문헌 (11)

K.S. Yoon, J.C, Lee, "A Case Study on the Reliability Assessment of Stockpile Ammunition", Journal of the Korean Society for Quality Management , Vol.40, No.3, pp.259-269, 2012. DOI: https://doi.org/10.7469/JKSQM.2012.40.3.259

원문보기 상세보기
K.S. Yoon, S.W. Park, "A Study on the Estimation of Shelf-Life for 155mm propelling charge KM4A2 using ASRP's data" Journal of the Korean Society for Quality Management, Vol.42, No.3, pp.291-300, 2014. DOI: https://doi.org/10.7469/JKSQM.2014.42.3.291

원문보기 상세보기
D.N. Lee, K.S. Yoon, "A Study on the Estimation of Shelf Life for Fuze MTSQ KM577A1 from ASRP Data" Journal of Applied Reliability , Vol.18, No.1, pp.56-65, 2018. DOI: https://doi.org/10.33162/JAR.2018.03.18.1.56

원문보기 상세보기
Y.C. Noh, D.N. Lee, N.W. Cho, "A Study on Determinants of Stockpile Ammunition Using Data Mining", Proceedings of The Korean Society for Quality Management, p.20, October 2018.
S. Fritsch, F. Guenther, M. N. Wright, "neuralnet: Training of Neural Networks", R package version 1.44.2, 2019. https://CRAN.R-project.org/packageneuralnet
K.H. Cho, "A Study on the Self-life Estimation of the Propellant KM10 by using High Temperature Acceleration Aging Tests", Journal of the Korea Academia-Industrial Cooperation Society, Vol.11, No.5, pp.1735-1740, 2010. DOI: https://doi.org/10.5762/KAIS.2010.11.5.1735

원문보기 상세보기
F. Liu, H. Gong, L. Cai, K. Xu, "Prediction of Ammunition Storage Reliability Based on Improved Ant Colony Algorithm and BP Neural Network", Complexity, Vol.2019, Article ID 5039097, pp.13, 2019. DOI: https://doi.org/10.1155/2019/5039097
B. Lantz, "Machine Learning with R : Korean Edition," Packt Packt Publishing Ltd., p.306, p.447, 2017.
K.A. Mason, P.H. Raven, S.R. Singer, "Biology 11th," McGraw Hill Education, p.890, 2017.
"Sampling Procedures and Tables for Inspection by Variables for Percent Nonconforming," American Society for Quality, ANSI/ASQ Z1.9, 2008.
T. Fawcett, "ROC Graphs : Notes and Practical Considerations for Data Mining Researchers," Technical Report, HP Laboratories, US, p.3, 2003.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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