머신러닝 기반의 동시조달수리부속 예측모형 연구
A study on Forecasting Initial Provisioning based on Machine-Learning
김재동(한국국방연구원); 최정호(대한민국 육군); 박홍석(금오공과대학교 산학협력단)
25권 3호, 477~493쪽
초록
동시조달수리부속은 초기 일정기간 재보급 없이 무기체계에 주어진 운용임무를 수행하기 위해 필요한 필수소요를 충족시키기 위한 수리부속을 말한다. 이러한 목적 달성을 위한 동시조달수리부속 소요산정은 가용예산 범위 내에서 전투준비태세를 보장하고 효율적이며 원활한 무기체계 운용유지를 위해 필요하다. 따라서 본 연구는 동시조달수리부 속의 소요산정에 대한 중요성을 고려하여 기존의 방법론에 대한 정확도를 높이기 위해 랜덤포레스트(RF), 아다부스트 (ABC), 지지기반머신(SVM) 등 머신러닝 기반의 모형을 제시하였다. 동시조달수리부속 예측을 위해 수리부속의 보급 및 정비체계인 장비정비정보체계(DELIIS)의 획득데이터와 운영데이터를 활용하였고 '13년에 전력화된 K-XX 장갑차 를 모델 구축을 위한 대상장비로 선정하였다. 기존의 육군에서 주로 사용한 고장간 평균시간(MTBF) 기반의 기법은 획득데이터만 활용한 반면 본 연구에서의 머신러닝 기법은 운영데이터도 함께 활용하였다는데 의의를 가진다. 본 연 구는 기존의 방법론 대비 운영데이터를 추가적으로 활용하였으며, 머신러닝 기법을 적용하여 결과의 개선을 보였다는 데 큰 의의를 갖는다.
Abstract
Concurrent Spare Part(CSP) is a spare part of meeting the essential requirements to perform tasks given to weapons systems without resupply for an initial operating time. It is important to ensure combat readiness and efficient operation. This study presents machine learning-based models such as Random Forest (RF), adaboost (ABC), and Support-Based Machine (SVM) to increase accuracy on existing methodologies, considering the importance of estimating the requirements of CSP. In order to predict CSP, it utilizes the acquisition data and operation data of DELIIS, a supply and maintenance system of spare parts, and selects K-XX armored vehicles fielded in 2013 as target equipment for this model. It is meaningful that MTBF-based techniques, which were mainly used by the Army, only used acquisition data, while machine learning techniques also used operational data together. This study has great significance in utilizing additional operational data compared to existing methodologies and showing improvements in outcomes using machine learning techniques and suggests the possibility of model improvement through additional data or methodologies in the future.
- 발행기관:
- 한국기술혁신학회
- 분류:
- 기술정책