기계학습을 활용한 레이더 공기건조기 이상 탐지

김요진; 강필성; 염동원; 김건우

doi:10.5762/KAIS.2023.24.3.1

주제분류

...

저널정보

한국산학기술학회
한국산학기술학회 논문지 학술저널
한국산학기술학회논문지 제24권 제3호
2023.3 1 - 12 (12page)
DOI : 10.5762/KAIS.2023.24.3.1

저자정보

김요진 (한화시스템)
강필성 (고려대학교)
염동원 (한화시스템)
김건우 (한화시스템)

이용수
내서재: 2

내서재에 추가
되었습니다. 내서재에서
삭제되었습니다.

초록·키워드

오류제보하기

무기체계가 첨단화됨에 따라 기존의 사후정비나 예방정비를 통해 무기체계를 운용 및 정비하는 것은 선제적 관리측면에서 한계점이 존재한다. 이를 극복하기 위해 국방부에서는 「국방개혁 2020」을 통해 빅데이터 기반의 총수명주기관리체계의 중요성을 강조하였고, 국방업무 전분야에서 상태기반정비(CBM: Condition Based Maintenance, 이하 CBM)를 적용하는 사업이 추진되고 있다. 하지만 보안규제 및 아날로그식 장비운용 등으로 인해 데이터 수집 및 활용에 제약이 있고 이로 인해 빅데이터 기반의 CBM을 적용하는데 어려움을 겪고 있다. 본 연구에서는 이러한 제약으로 인해 충분히 확보되지 않은 장비의 운용데이터를 이용하여 레이더의 고장방지를 위한 공기건조기의 이상탐지 모델 구축 사례를 제시하며, 운용데이터와 고장이력이 충분하지 않은 여건에서의 무기체계의 이상탐지 방법을 제안한다. 6개 부대의 운용데이터로 확보한 정상데이터를 이용하여 비지도학습 알고리듬 기반의 여러 가지 이상탐지 모델을 구축한 후 최적의 모델을 선정하는 작업을 수행하였다. 또한, 부대별로 정상상태에서의 오알람율을 낮추고 최대한 빠르게 이상을 탐지할 수 있도록 최적의 임계치 선정 및 고장알람기준을 정의하는 작업을 진행하였다. 본 연구결과는 무기체계의 운용데이터를 이용하여 기계학습 기반의 CBM 모델을 확보하는 실증사례를 확보함으로써 추후 다른 무기체계에서도 인공지능 적용을 통한 기계학습 방법론의 적용 가능성을 확인하고 기반을 마련하였다.

As weapon systems become advanced, it is difficult to operate and maintain them through existing post-maintenance or preventive maintenance methods. To overcome this, the Ministry of National Defense has emphasized the importance of "management of the total life cycle system" through "Defense Reform 2020," and a project is being promoted to apply big-data-based state-based maintenance (CBM) in all areas of defense work. However, due to security regulations and the operation of analog facilities, data collection and use are limited, and it is difficult to apply big-data-based CBM. This research shows a case of constructing an abnormal detection model of an air dryer to prevent radar failure using the operation data of facilities that are not sufficiently secured due to the restrictions mentioned. An abnormal detection method is proposed for a weapon system under conditions with insufficient operation data and failure history. After acquiring normal operational data from six military units, an anomaly detection model was made using various anomaly detection techniques from unsupervised learning, and an optimal model was selected. In addition, an optimal threshold and alarm criteria were selected to decrease the false alarm rate in normal conditions for each unit and to detect abnormalities as quickly as possible. The results of this study confirmed the possibility of applying anomaly detection through AI application to another weapon system and laid the foundation of securing empirical cases, CBM models using AI, and data analysis techniques with actual operation data.

#Unsupervised Learning #Anomaly Detection #Weapon System #CBM #Machine Learning #AI