earticle

영어

According to the depot maintenance policy, the depot maintenance item, source, type and the development cost are determined. In order to efficiently link acquisition and operation, it is necessary to review the depot maintenance policy from the planning stage. This is because, depending on how the concept of depot maintenance is set, it has a great impact on the design and future operation and maintenance. In this study, a machine learning prediction model that can be used at the beginning of the acquisition stage or during the establishment of the depot maintenance policy was presented. Whether of not depot maintenance is carried out, depot maintenance source, depot maintenance type and development cost for depot maintenance element are dependent variables. The independent variables are the price of equipment, the quantity, the number of components. The statistical model used for machine learning were Logit, Probit, LPM(Linear Probability Model), and 33 depot maintenance analysis data were trained and tested. As a result of the experiment, the accuracy of the Logit model was the highest, and the accuracy of dependent vairables was up to 100%, and the average accuracy was 65%~93%.

한국어

창정비를 위한 창정비 대상품목, 창정비형태, 창정비원, 요소개발에 필요한 요소개발비 등은 창정비방침에 따라 결정된다. 획득과 운영유지의 효율적인 연계를 위해서는 소요기획 단계부터 창정비방침에 대한 검토가 필요하다. 창정비에 대한 개념을 어떻게 설정하느냐에 따라 설계와 향후 운영유지에 미치는 영향이 크기 때문이다. 본 연구에서는 획득단계 초기 또는 창정비 방침 설정간 활용할 수 있는 머신러닝 예측모델을 제시하였다. 종속변수로서 창정비 수행여부, 창정비 형태(계획정비 또는 고 장정비), 창정비원(군직 또는 외주), 병행정비(군직과 외주), 창정비 요소개발비를 선정하였다. 독립변수로서 장비가격, 전력화 대수, 시스템 단위(전체 또는 구성품), 요소개발 부품수를 선정하였다. 머신러닝에 활용한 통계모형은 로짓(Logit), 프로빗 (Probit), 선형확률모형(LPM)으로 육군에서 분석한 33개의 창정비 분석 자료를 활용하여 학습과 테스트를 수행하였다. 실험 결과 로짓(Logit) 모형의 정확도가 가장 높았으며, 각 종속변수의 정확도는 최대 100%, 평균 65%~93%로 나타났다.