함정선체 정비인시 예측 모델 연구

안원철¹ ; 유동훈² ; 이찬하³^{, *} ; 신승민⁴ ; 오경원⁵ ; 신일식⁶

1(주)베가스 데이터 책임분석가
2(주)베가스 데이터 수석분석가
3(주)베가스 국방데이터 전문가, 공학박사
4부산대학교 선박해양플랜트기술연구원 초빙교수
5호원대학교 항공정비공학과 교수
6중소조선연구원 민군협력센터 센터장

A Study on the Prediction Model of Warship’s Hull Maintenance Manhour

Wonchul Ahn¹ ; Donghoon Yoo² ; Chan-Ha Lee³^{, *} ; Sengmin Shin⁴ ; Kyungwon Oh⁵ ; Shin Ilsik⁶

1Data analyst, Begas Co., Ltd.
2Data analyst, Begas Co., Ltd.
3Ph.D/National Defense Data Consultant, Begas Co., Ltd.
4Visiting professor, Research Institute of Ships & Ocean Engineering, Pusan University
5Professor, Dept. of Aircraft MRO Engineering, Howon University
6Center director, Civil-military Support Center, Research Institute of Medium & Small Shipbuilding

Correspondence to: ^*Chan-Ha Lee E-mail: lch1577@naver.com

초록

해군정비창은 선제적인 정비지원을 위하여 함정선체 정비인시 예측 모델을 개발하고자 한다. 우선 업무 프로세스 이해를 통해 필요한 데이터를 식별하고, 전처리 과정을 거쳐 데이터셋을 준비하였다. 이후 데이터 규모 확대를 위하여 정비항목 군집화를 수행하였다. 모델은 전통기법과 인공지능 기법을 활용하였으며, MAE를 최소로 하는 관점에서 성능을 평가하였다. 그 결과 인공지능 기법이 우수한 성능을 제공하지 못하였다. 이는 데이터 부족과 특성이 제대로 고려되지 못한 것으로 해석되며 데이터에 대한 인식이 개선되어야 할 것으로 사료된다.

Abstract

The Naval Shipyard intends to develop a predict model of Warship’s hull maintenance manhour for preemptive maintenance support. First, understand the business rule to identify the data you need, a data set was prepared through a preprocessing process. After that, maintenance item clustering was performed to expand the data scale. The model used traditional techniques and AI techniques, Performance was evaluated from the viewpoint of minimizing MAE. As a result, AI techniques did not provide excellent performance. This is interpreted as a lack of data and characteristics not properly considered, It is believed that the perception of data should be improved.

Keywords:

Warship’s Hull, Maintenance Manhour, Maintenance Item Clustering, AI Techniques, Lack of Data and Characteristics

키워드:

함정선체, 정비인시, 정비항목 군집화, 인공지능 기술, 데이터 부족 및 특성

Acknowledgments

본 논문은 2021 민군협력개발사업 “IoT 기반 함정 정비통합관제 플랫폼 개발”에 의해 수행되었음(21-CM-TN-12).

References

국방부, 「군수빅데이터 기반 구축 추진계획」, 2020.
국방부, 「4차 산업혁명 스마트 국방혁신을 위한 스마트팩토리 구축추진 계획」, 2020.
국방부, 「국방 모바일 환경 및 서비스 구축·운영에 관한 지시」, 2020.
해군본부, 「SMART Navy 종합발전계획」, 2020.
국방부, 산업부, 해경청, 「국가연구개발사업 협약서(21-CM-TN-12) IoT기반 함정 정비 통합관제플랫폼 개발」2021.
해군군수사,「군수업무 빅데이터 기술 적용 연구보고서」, 2015. 12.
해군함정기술연구소, 「장비 고장예측 시스템 개발방안 기초연구보고서」. 2016.6.
해군군수사,「군수업무 빅데이터 분석활용체계 구축 시범사업 연구보고서」, 2017. 10.
해군함정기술연구소, 「통합기관제어감시장치 고장예측 시스템 구축 연구보고서」. 2018.12.
국방부, 국방 빅데이터 인공지능 공통 분석서비스 사업 결과 보고서, 2021.11
C. W. Hong, K. Hur, “Electric Power Load Forecasting of DP ships by Using CNN-RNN based DNN,” Journal of the KNST, Vol.4, No.2, pp.121-126. 2021. [https://doi.org/10.31818/JKNST.2021.09.4.2.121]
J. W. Choi1, J. M. Jang, S. H. Park, “Spare Parts Prediction Using Digital Twins of Naval Systems,” Journal of the KNST, Vol. 6, No. 1, pp. 84-91. 2023. [https://doi.org/10.31818/JKNST.2023.03.6.1.84]
해군 정비관리규정
Sean J. Taylor & Benjamin Letham, “Forecasting at Scale,” The American Statistician, Vol. 72(1), pp. 37-45. 2018. [https://doi.org/10.1080/00031305.2017.1380080]
Sepp Hochreiter, Jürgen Schmidhuber, “Long Short-term Memory,” Neural Computation, Vol. 9(8), pp. 1735–1780. 1997. [https://doi.org/10.1162/neco.1997.9.8.1735]
Christopher Olah, “Understanding LSTM Networks,” 2015.