시나리오 내용 반영

scenario_md/MNT04-장비정비·수리부속_PBL 품목관리-고장실적·수리부속 소모 기반 PBL 품목관리/MNT04-장비정비·수리부속_PBL 품목관리-고장실적·수리부속 소모 기반 PBL 품목관리.md

@@ -0,0 +1,97 @@
+**고장실적·수리부속 소모 기반 PBL 품목관리**
+
+난 이 도 **고급**
+
+| **프로젝트 목표** | 항공·기갑 장비의 엔진과 구동계는 고장이 나기 전에 진동, 온도, 압력에 미세한 변화가 먼저 나타나지만, 고정 임계값만으로는 고부하 운용일을 이상으로 오인하거나 초기 열화를 놓쳐 수리부속을 제때 확보하지 못한다. 본 프로젝트는 고장 실적과 수리부속 소모를 연결해 정비와 부품 관리의 연계 문제를 학습하는 것을 목표로, 교육용 가상 기동체 48대의 센서 시계열과 부품 소모를 코드로 만들어 분석한다. 센서 데이터셋 정의, 잡음 제거와 FFT 특징량 추출, 임계값 Baseline과 부품 소모 파레토 분석, 오토인코더 기반 미세 변화 감지와 파생 피처 모델, 잔존수명(RUL) 예측과 이상 신뢰도 점수, 설명가능한 경보 화면, 검사관 승인(HITL) 기반 조기 입고 시뮬레이터, 대용량 스트림 스트레스 시험, AAR 오경보 분석과 임계 재보정, 재학습을 포함한 통합 도구까지 단계별로 구현한다. 최종 목표는 고장 전에 이상 징후를 일찍 잡아 정비 시점과 수리부속 소요를 예고하되, 조기 입고 결정은 검사관이 근거를 보고 내리도록 지원하는 것이다. |
+| --- | --- |
+
+| **유의사항** | 모든 센서 파형·온도·압력·고장·부품 단가는 코드 안에서 만든 교육용 가상 자료이며 실제 부대명, 장비 제원, 정비 실적, 실제 센서 기준값은 사용하지 않는다. 부대 내 촬영이나 부대 자료의 외부 AI 서비스 입력은 금지한다. 경보·RUL 예측·입고 제안은 정비 판단 보조 정보이며 조기 입고와 정비 시행은 항공/기갑 검사관이 승인하고 실제 정비는 정비 매뉴얼과 안전 절차를 따른다. 비용 절감액 등 금액은 가정 단가로 계산한 상대 비교값으로 예산 근거로 쓰지 않는다. 미션별 정답 코드는 각각 한 파일로 독립 실행된다. |
+| --- | --- |
+
+**1단계. 센서 데이터셋 정의 및 신호 전처리**
+
+| **미션 1. 헬기/기갑 엔진 및 구동계 진동, 온도, 압력 센서 시계열 데이터셋 정의** [초급 · 1.5시간] | **미션 1. 헬기/기갑 엔진 및 구동계 진동, 온도, 압력 센서 시계열 데이터셋 정의** [초급 · 1.5시간] |
+| --- | --- |
+| **목표** | 헬기/기갑 엔진 및 구동계의 진동, 온도, 압력 센서 시계열과 고장·수리부속 소모 실적의 데이터셋 스키마, 데이터 딕셔너리, 업무 프로세스 맵을 정의한다. |
+| **수행** | 센서 수집부터 전처리, 특징 추출, 이상 감지, RUL 예측, 검사관 승인, 정비·부품 소모, 사후검토까지 업무 흐름을 단계별로 정리하고, 센서·특징·고장·부품 묶음으로 피처 20개 이상을 정의한다. 예측 대상(이상 여부, 잔존수명, 부품 소모)을 명확히 하고 장비·부품 식별코드는 국방 표준 코드 형식을 모사한 가상 코드로 둔다. 가상 센서 자료에서 표본을 추출해 검증기로 점검하고 오류를 일부러 넣어 검출되는지 확인한다. |
+| **산출물** | docs/mnt04_logistics_domain_spec.md, 데이터 딕셔너리 |
+| **평가** | **[필수] 센서 데이터셋 정의** — 업무 프로세스 맵 작성 완료, 피처 20개 이상 정의, 정상 표본 검증 오류 0건, 예측 대상과 분석 목표가 명확한가. |
+
+| **미션 2. 고주파 센서 신호 잡음 제거, FFT 변환 및 주요 특징량(RMS, Kurtosis) 전처리 구현** [초급~중급 · 2시간] | **미션 2. 고주파 센서 신호 잡음 제거, FFT 변환 및 주요 특징량(RMS, Kurtosis) 전처리 구현** [초급~중급 · 2시간] |
+| --- | --- |
+| **목표** | 고주파 센서 신호의 잡음을 제거하고 FFT 변환으로 RMS, 첨도 등 주요 특징량을 추출하는 전처리 모듈을 구현한다. |
+| **수행** | 표기·단위(온도 F/C, 압력 psi/kPa) 통일, 중복 제거, 불가능값 결측 처리, 파형 단발 스파이크의 중앙값 필터 제거, 간섭 잡음 창의 저역통과 필터, KNN 결측 보정 등 정제 규칙 10종을 적용한다. 고장 임박 시점의 긴급 점검 측정처럼 이상값으로 보여도 군수 예외인 기록은 지우지 않고 표시만 한다. 정제 전후로 RMS와 첨도의 오차와 기술통계를 비교한다. |
+| **산출물** | src/etl/mnt04_data_cleansing.py, 정제 품질 보고서 |
+| **평가** | **[필수] 신호 정제·특징 추출** — 정제 규칙 10종 적용, 정합성 검증 통과율 100%, 긴급 점검 예외 보존, 정제 전후 특징량 오차가 줄었는가. |
+
+**2단계. 임계값 Baseline 분석 및 오토인코더 예지정비 모델**
+
+| **미션 3. 임계값 초과 기반 1차 센서 이상 징후 감지 Baseline 알고리즘 구현** [중급 · 2.5시간] | **미션 3. 임계값 초과 기반 1차 센서 이상 징후 감지 Baseline 알고리즘 구현** [중급 · 2.5시간] |
+| --- | --- |
+| **목표** | 임계값 초과 기반 1차 센서 이상 징후 감지 Baseline을 구현하고, 탐색적 분석으로 고정 임계값의 한계와 수리부속 소모의 핵심 관리 대상을 찾는다. |
+| **수행** | 정상 자료 분포로 RMS, 첨도, 온도, 압력 임계값을 정하고 하나라도 넘으면 이상으로 보는 Baseline의 탐지율, 정밀도, 고부하 운용일 오경보율, 고장 전 확보 시간을 측정한다. 피처와 잔존수명의 스피어만 상관계수·p-value로 유의한 인자를 고르고 EDA 차트 8종 이상을 그린다. 고장 유형별 수리부속 소모 비용의 파레토(ABC) 분석으로 핵심 부품을 식별한다. |
+| **산출물** | notebooks/mnt04_eda_analysis.ipynb, EDA 요약 리포트 |
+| **평가** | **[필수] Baseline 및 EDA** — EDA 차트 8종 이상, 유의한 상관 피처 5개 이상(p<0.05), 파레토 상위 20% 품목 식별, 핵심 발견점이 정비 의사결정에 직관적인가. |
+
+| **미션 4. 오토인코더(Autoencoder)/LSTM 기반 미세 진동 변화 감지 예지정비(PdM) 모델 고도화** [중급 · 3시간] | **미션 4. 오토인코더(Autoencoder)/LSTM 기반 미세 진동 변화 감지 예지정비(PdM) 모델 고도화** [중급 · 3시간] |
+| --- | --- |
+| **목표** | 오토인코더 기반 미세 진동·온도 변화 감지 예지정비(PdM) 모델을 고도화하고, 파생 피처로 잔존수명 기준 모델을 만든다. |
+| **수행** | 정상 자료만으로 오토인코더(MLP)를 학습해 재구성 오차를 이상 점수로 쓰고 2일 연속 초과 시 경보를 켠다. 임계값 Baseline과 탐지율, 오경보율, 미세 변화 구간 탐지율을 비교한다. 부하·외기 보정 잔차, 이동 평균, 일 변화량 등 파생 피처 10개 이상으로 RUL 모델을 만들어 개체 단위 시계열 교차검증으로 MAPE를 평가하고 순열 중요도로 피처를 줄인다. |
+| **산출물** | src/features/mnt04_feature_engineering.py, 기준 모델 |
+| **평가** | **[선택] 오토인코더·파생 피처** — 파생 피처 10개 이상, 기준 모델 MAPE 25% 이하, 개체 단위 시계열 교차검증 적용, 피처 설계가 정비 실무에서 납득 가능한가. |
+
+**3단계. RUL 예측·신뢰도 점수 및 설명가능한 경보 화면**
+
+| **미션 5. 부품 고장 임박 시점(RUL) 예측 및 상태 기반 이상 신뢰도 점수 엔진 개발** [중급~고급 · 3.5시간] | **미션 5. 부품 고장 임박 시점(RUL) 예측 및 상태 기반 이상 신뢰도 점수 엔진 개발** [중급~고급 · 3.5시간] |
+| --- | --- |
+| **목표** | 부품 고장 임박 시점(RUL)을 예측하는 앙상블 모델과 상태 이상 신뢰도 점수 엔진을 개발한다. |
+| **수행** | 그래디언트 부스팅, 랜덤 포레스트, 릿지를 평균하는 앙상블을 하이퍼파라미터 탐색으로 만들어 RMS와 온도만 쓰는 선형 기준 모델과 Hold-out 검증 개체에서 MAE, RMSE, R2를 비교한다. 오토인코더 이상 점수와 모델 간 의견 일치도를 결합한 신뢰도 점수를 구간별 실제 열화 비율로 점검하고, 점검 카드로 정비 계획 수립 권고 또는 추가 관찰을 출력한다. |
+| **산출물** | src/models/mnt04_advanced_model.py |
+| **평가** | **[필수] RUL 앙상블·신뢰도** — 기준 모델 대비 MAE/RMSE 20% 이상 개선, R2 0.85 이상, 열화 단계별 예측이 안정적이고 신뢰도 점수가 보정되었는가. |
+
+| **미션 6. 장비 센서 상태 실시간 모니터링 및 결함 징후 경보 대시보드 구현** [중급~고급 · 3시간] | **미션 6. 장비 센서 상태 실시간 모니터링 및 결함 징후 경보 대시보드 구현** [중급~고급 · 3시간] |
+| --- | --- |
+| **목표** | 장비 센서 상태를 개체별로 모니터링해 결함 경보를 띄우는 정비병용 화면을 구성하고, 경보 건마다 기여도 상위 3개 인자와 자연어 요약을 자동 산출하는 설명가능성(XAI) 모듈을 구현한다. |
+| **수행** | 오토인코더 재구성 오차를 입력 인자별로 나누어 경보 건마다 상위 3개 인자를 뽑고, 1순위 인자를 정상값으로 되돌렸을 때 점수가 내려가는지로 근거 유효성을 점검한다. 1순위 인자에서 의심 부품(베어링, 기어, 오일 펌프, 냉각 팬 모터)을 추정해 점검 카드와 운용 상태표(정상·주의·경보)를 출력한다. 요약 문장은 근거를 자연어로 풀어 쓴다. |
+| **산출물** | src/explainability/mnt04_xai_explainer.py, XAI 리포트 |
+| **평가** | **[선택] 설명가능성·경보 화면** — 경보 건당 기여도 상위 3개 인자 자동 산출률 100%, 정비 담당자가 신뢰하고 조치할 수 있도록 근거와 의심 부품이 명확한가. |
+
+**4단계. 검사관 승인(HITL) 및 대용량 스트림 스트레스 시험**
+
+| **미션 7. 예방 정비 조기 입고 결정을 위한 항공/기갑 검사관 HITL 승인 모듈 설계** [고급 · 3.5시간] | **미션 7. 예방 정비 조기 입고 결정을 위한 항공/기갑 검사관 HITL 승인 모듈 설계** [고급 · 3.5시간] |
+| --- | --- |
+| **목표** | 센서 경보 시 예방 정비 조기 입고를 제안하되 항공/기갑 검사관이 승인해야 확정되는 HITL 승인 모듈을 설계하고 효과를 시뮬레이션으로 검증한다. |
+| **수행** | 경보와 RUL 예측으로 입고일을 제안하고 승인 대기열에 올려 검사관의 승인·반려·무응답(기본 계획인 정기 교체 유지)을 사유와 함께 해시 체인 감사 로그로 남긴다. 정기 교체 대비 비용(부품, 점검, 사후 고장, 남은 수명 낭비) 절감률을 계산하고, 승인 후 입고 지연과 가동 강도 급증(전시 전환 가정)에 대한 민감도를 분석한다. |
+| **산출물** | src/optimization/mnt04_simulator.py |
+| **평가** | **[필수] 검사관 승인(HITL)** — 정기 교체 대비 비용 15% 이상 절감, 자동 승인 0건, 결정 로깅률 100%, 입고 지연·가동 강도 등 현실 제약과 시나리오별 대안이 적절한가. |
+
+| **미션 8. 장시간 비행/기동 센서 데이터 대용량 스트림 주입 스트레스 테스트** [고급 · 3시간] | **미션 8. 장시간 비행/기동 센서 데이터 대용량 스트림 주입 스트레스 테스트** [고급 · 3시간] |
+| --- | --- |
+| **목표** | 장시간 기동 센서 데이터를 대용량 스트림으로 주입해 처리 시간, 경보 정확도, 불량 패킷 격리를 확인하는 스트레스 시험을 수행한다. |
+| **수행** | 가상 센서 측정 1,000건에 결측 패킷, 센서 고정, 포화, 범위 이탈을 섞어 한꺼번에 주입하고 정상 처리·격리·유실 건수와 처리 시간을 센다. 정상 구간과 열화가 뚜렷한 구간을 기준으로 경보 정확도, 재현율, 정밀도를 계산하고 상태 화면 구성 시간을 잰다. 1,000~100,000건으로 규모를 늘려 처리량과 운용 기준을 정리한다. |
+| **산출물** | src/dashboard/mnt04_app.py(Streamlit/Dash 구성은 스트레스 시험 결과로 대체), 스트레스 시험 결과표 |
+| **평가** | **[선택] 대용량 스트림 시험** — 1,000건 처리와 화면 구성 시간 2초 이내, 경보 발령 정확도 95% 이상, 불량 패킷 격리와 유실 0건이 확인되었는가. |
+
+**5단계. AAR 임계 재보정 및 통합 도구 완성**
+
+| **미션 9. AAR 기반 예지정비 오경보 분석 및 이상 감지 임계 파라미터 재보정** [고급 · 3시간] | **미션 9. AAR 기반 예지정비 오경보 분석 및 이상 감지 임계 파라미터 재보정** [고급 · 3시간] |
+| --- | --- |
+| **목표** | AAR 기반으로 예지정비 오경보를 원인별로 분석하고 이상 감지 임계 파라미터를 재보정해 효과를 지표로 산출한다. |
+| **수행** | AAR 기간 오경보를 고부하 운용일, 외기 급변, 센서 스파이크, 열화 초기 경계 등으로 분류하고, 정상 분위수·연속 일수·고부하일 임계 완화를 AAR 기간 자료만으로 격자 탐색해 재보정한다. 이후 검증 기간 개체에서 오경보와 고장 전 확보 시간을 비교하고, 비용 절감, 불필요 점검 시간 단축, 확보 시간 변화의 3대 정량 효과 지표를 가정 단가로 계산하며 도입 로드맵을 정리한다. |
+| **산출물** | reports/mnt04_roi_analysis.md |
+| **평가** | **[필수] AAR·임계 재보정** — 비용 절감액, 시간 단축률 등 3대 정량 효과 지표 산출, 검증 기간 오경보 감소와 미탐 0대 유지, 추정 산식이 객관적이고 기획 부서를 설득할 수 있는가. |
+
+| **미션 10. 항공/기갑 장비 예지정비(PdM) 센서 데이터 이상 징후 감지 시스템 통합 완성** [최고급 · 3.5시간] | **미션 10. 항공/기갑 장비 예지정비(PdM) 센서 데이터 이상 징후 감지 시스템 통합 완성** [최고급 · 3.5시간] |
+| --- | --- |
+| **목표** | 센서 검증부터 이상 감지, RUL 예측, 승인 대기 입고 제안, 수리부속 소요 예고, 재학습까지 한 파일로 통합하고 자체 점검과 브리핑 요약을 출력하는 도구를 완성한다. |
+| **수행** | 지난달·이번 달 실적으로 챔피언 모델과 도전자 모델을 학습해 검증 F1을 비교하고 비슷하거나 나을 때만 교체한다. 운용 측정의 손상 건은 격리하고, 재보정 임계로 경보를 내며, 경보 개체의 입고 제안을 승인 대기로 두고 의심 부품별 소요를 예고한다. 모델 장애 시 정기 주기 기준 대체 동작을 시험하고, 자체 점검 항목, 운영 문서 7개 장 완비 여부, 정비 담당 장교 브리핑 요약을 출력한다. |
+| **산출물** | docs/mnt04_operations_guide.md, pipeline/mnt04_retrain.py |
+| **평가** | **[필수] 통합 도구 완성** — 자동 재학습 파이프라인 정상 실행, 최종 문서 100% 완비, 자체 점검 전 항목 통과, 군수 정보체계 연동 인터페이스 방안이 있어 지속 운영이 가능한가. |
+
+**최종 판정**
+
+**판정 기준 :** 모든 필수 항목([필수])에서 PASS를 받아야 최종 PASS로 인정한다.
+
+최종 판정 결과 : ( PASS / FAIL )
+
+평가 의견 : (필수 항목 중 하나라도 FAIL인 경우 사유를 기재한다.)

scenario_md/MNT04-장비정비·수리부속_PBL 품목관리-고장실적·수리부속 소모 기반 PBL 품목관리/MNT04_실습가이드.md

@@ -0,0 +1,267 @@
+**MNT04 실습가이드 - 고장실적·수리부속 소모 기반 PBL 품목관리**
+
+구    분 **실습가이드 [교육용가상자료]**
+
+**1. 실습 개요**
+
+본 실습은 교육용 가상 기동체 48대의 엔진·구동계 진동, 온도, 압력 센서 자료로 이상 징후를 감지하고 잔존수명과 수리부속 소요를 예고하는 예지정비 도구를 미션 단위로 구현하는 과정이다. 미션마다 정답 코드(MNT04_정답코드.md)의 해당 코드를 웹 파이썬 실행기에 붙여 넣어 실행하고, 출력된 수치가 평가 기준을 충족하는지 확인한 뒤 파라미터를 바꿔 보는 도전 과제를 수행한다. 미션별 코드는 서로 독립적이어서 어느 미션부터 실행해도 동작한다.
+
+| **과제** | MNT04 고장실적·수리부속 소모 기반 PBL 품목관리 |
+| --- | --- |
+
+| **난이도·유형** | 고급 / 데이터분석형 |
+| --- | --- |
+
+| **예상 소요시간** | 미션 10개, 총 28.5시간 |
+| --- | --- |
+
+| **준비물** | MNT04_정답코드.md, 웹 파이썬 실행기(numpy·pandas·scipy·scikit-learn·matplotlib 사용 가능), 결과 기록용 문서 |
+| --- | --- |
+
+**2. 진행 방법**
+
+- 정답코드 md에서 해당 미션의 코드 블록 전체를 복사해 실행기에 붙여 넣고 실행한다(부분 복사 시 센서 자료 생성 함수가 빠져 오류가 난다).
+
+- 실행 결과를 md의 '실행 결과 예시'와 비교한다. 난수 시드가 고정되어 같은 값이 나오지만, 처리 시간(초)은 실행 환경에 따라 달라진다.
+
+- 도전 과제는 코드 상단의 파라미터(임계 분위수, 경보 연속 일수, 정기 교체 주기, 점검 단가 등)를 바꿔 다시 실행하고 변화와 이유를 기록한다.
+
+- 그래프 글자는 영문, 표·출력은 한글이다. 한글이 깨지면 실행기 글꼴 문제이며 결과에는 영향이 없다. M4, M5, M10은 실행에 20~30초 걸릴 수 있다.
+
+- 실제 부대·장비·정비 실적은 입력하지 않는다. 조기 입고와 정비 시행은 검사관 승인 사항이며, 금액은 가정 단가에 따른 상대 비교값이다.
+
+**3. 미션 진행 요약**
+
+| **미션** | **난이도·시간** | **핵심 확인 결과** |
+| --- | --- | --- |
+| **M1. 헬기/기갑 엔진 및 구동계 진동, 온도, 압력 센서 시계열 데이터셋 정의** | 초급
+1.5시간 | 피처 22개(목표 20개 이상), 표본 20건 검증 오류 0건 |
+| **M2. 고주파 센서 신호 잡음 제거, FFT 변환 및 주요 특징량(RMS, Kurtosis) 전처리 구현** | 초급~중급
+2시간 | 정합성 검증 10/10 통과(통과율 100%) |
+| **M3. 임계값 초과 기반 1차 센서 이상 징후 감지 Baseline 알고리즘 구현** | 중급
+2.5시간 | Baseline 탐지율 25.3%, 정밀도 90.3%, 고부하일 오경보율 28.6% |
+| **M4. 오토인코더(Autoencoder)/LSTM 기반 미세 진동 변화 감지 예지정비(PdM) 모델 고도화** | 중급
+3시간 | 오토인코더 탐지율 79.2%·오경보율 0.0%(Baseline 22.7%·1.7%), 미세 구간 2.0% -> 32.4% |
+| **M5. 부품 고장 임박 시점(RUL) 예측 및 상태 기반 이상 신뢰도 점수 엔진 개발** | 중급~고급
+3.5시간 | MAE 76.0%, RMSE 70.9% 개선(목표 20% 이상), R2 0.909(목표 0.85 이상) |
+| **M6. 장비 센서 상태 실시간 모니터링 및 결함 징후 경보 대시보드 구현** | 중급~고급
+3시간 | 경보 1,327건 모두 상위 3개 인자 산출(산출률 100%), 근거 유효성 98.9% |
+| **M7. 예방 정비 조기 입고 결정을 위한 항공/기갑 검사관 HITL 승인 모듈 설계** | 고급
+3.5시간 | 비용 절감률 15.3%(목표 15% 이상), 승인 126·반려 7·무응답 11건, 자동 승인 0건 |
+| **M8. 장시간 비행/기동 센서 데이터 대용량 스트림 주입 스트레스 테스트** | 고급
+3시간 | 1,000건 정상 945·격리 55·유실 0, 처리 0.1초 이내(목표 2초 이내) |
+| **M9. AAR 기반 예지정비 오경보 분석 및 이상 감지 임계 파라미터 재보정** | 고급
+3시간 | AAR 기간 오경보 9건(고부하 운용일 22%) -> 재보정 후 4건, 검증 기간 16 -> 10건, 미탐 0대 유지 |
+| **M10. 항공/기갑 장비 예지정비(PdM) 센서 데이터 이상 징후 감지 시스템 통합 완성** | 최고급
+3.5시간 | 재학습 정상 실행(챔피언 F1 0.868, 도전자 0.837로 챔피언 유지), 자체 점검 8/8 통과 |
+
+**미션 1. 헬기/기갑 엔진 및 구동계 진동, 온도, 압력 센서 시계열 데이터셋 정의**
+
+| **난이도·시간** | 초급 · 1.5시간 |
+| --- | --- |
+
+| **진행 순서** | 1) M1 코드를 실행해 데이터 딕셔너리(센서·특징·고장·부품)와 피처 수를 확인한다.
+2) 업무 프로세스 맵 10단계에서 각 단계의 입력·출력 데이터를 정리한다.
+3) 오류 주입 결과에서 각 오류가 어떤 규칙(형식·범위·허용값·누락·자료형)에 걸렸는지 표로 정리한다. |
+| --- | --- |
+
+| **확인할 결과** | 피처 22개(목표 20개 이상), 표본 20건 검증 오류 0건
+주입 오류 5건 모두 검출 |
+| --- | --- |
+
+| **도전 과제** | 센서 묶음에 '진동 가속도 최댓값(vib_peak, 0~20)' 필드를 추가하고 범위 밖 값을 넣어 검출되는지 확인한다. |
+| --- | --- |
+
+| **제출물** | 스키마·딕셔너리 코드, 도메인 분석서(프로세스 맵·예측 대상) |
+| --- | --- |
+
+**미션 2. 고주파 센서 신호 잡음 제거, FFT 변환 및 주요 특징량(RMS, Kurtosis) 전처리 구현**
+
+| **난이도·시간** | 초급~중급 · 2시간 |
+| --- | --- |
+
+| **진행 순서** | 1) M2 코드를 실행해 정제 규칙 10종별 처리 건수를 확인한다.
+2) R7(스파이크 제거)과 R8(저역통과)이 어떤 오류에 적용되는지, R10(긴급 점검 보존)이 일반 이상값과 어떻게 다른지 설명한다.
+3) 정제 전후 RMS·첨도 오차 표와 기술통계 표를 정리한다. |
+| --- | --- |
+
+| **확인할 결과** | 정합성 검증 10/10 통과(통과율 100%)
+중복 80건 제거, 긴급 점검 11건 보존, RMS 오차 0.267 -> 0.116, 첨도 8.31 -> 0.86 |
+| --- | --- |
+
+| **도전 과제** | KNNImputer의 n_neighbors를 5에서 2로 바꿔 보정된 온도·압력 평균이 어떻게 달라지는지 확인한다. |
+| --- | --- |
+
+| **제출물** | 정제 모듈 코드, 정제 품질 보고서(규칙·건수·전후 통계) |
+| --- | --- |
+
+**미션 3. 임계값 초과 기반 1차 센서 이상 징후 감지 Baseline 알고리즘 구현**
+
+| **난이도·시간** | 중급 · 2.5시간 |
+| --- | --- |
+
+| **진행 순서** | 1) M3 코드를 실행해 Baseline의 탐지율·정밀도·고부하일 오경보율을 확인한다.
+2) 상관분석 표에서 유의한 피처를 고르고 EDA 차트 8종에서 열화 징후를 찾는다.
+3) 파레토 표에서 A등급 부품과 상위 20% 비중을 확인해 핵심 발견점 3가지를 쓴다. |
+| --- | --- |
+
+| **확인할 결과** | Baseline 탐지율 25.3%, 정밀도 90.3%, 고부하일 오경보율 28.6%
+유의 피처 9개, EDA 차트 8종, 상위 20% 품목(구동 기어 세트)이 소모 비용의 46% |
+| --- | --- |
+
+| **도전 과제** | TH의 rms 임계값을 1.25에서 1.0으로 낮춰 탐지율과 고부하일 오경보율이 어떻게 변하는지 확인한다. |
+| --- | --- |
+
+| **제출물** | Baseline·EDA 코드, EDA 요약 리포트(핵심 발견점) |
+| --- | --- |
+
+**미션 4. 오토인코더(Autoencoder)/LSTM 기반 미세 진동 변화 감지 예지정비(PdM) 모델 고도화**
+
+| **난이도·시간** | 중급 · 3시간 |
+| --- | --- |
+
+| **진행 순서** | 1) M4 코드를 실행해 파생 피처 목록과 오토인코더·Baseline 비교(탐지율·오경보율·확보 시간)를 확인한다.
+2) 미세 변화 구간(열화 0.1~0.3) 탐지율 차이를 확인하고 이유를 설명한다.
+3) 교차검증 폴드별 MAPE, 피처 중요도, 차원 축소 결과를 정리한다. |
+| --- | --- |
+
+| **확인할 결과** | 오토인코더 탐지율 79.2%·오경보율 0.0%(Baseline 22.7%·1.7%), 미세 구간 2.0% -> 32.4%
+파생 피처 14개, 교차검증 평균 MAPE 22.7%(목표 25% 이하) |
+| --- | --- |
+
+| **도전 과제** | AE 클래스의 q(정상 분위수)를 0.99에서 0.95로 낮춰 탐지율과 오경보율이 어떻게 달라지는지 확인한다. |
+| --- | --- |
+
+| **제출물** | 피처·오토인코더 코드, 기준 모델 성능표 |
+| --- | --- |
+
+**미션 5. 부품 고장 임박 시점(RUL) 예측 및 상태 기반 이상 신뢰도 점수 엔진 개발**
+
+| **난이도·시간** | 중급~고급 · 3.5시간 |
+| --- | --- |
+
+| **진행 순서** | 1) M5 코드를 실행해 기준 모델, 단일 모델 3종, 앙상블의 MAE·RMSE·R2를 비교한다.
+2) 열화 단계별(30일 이내·30~90일·90일 이상) 오차 표를 읽고 어느 구간이 어려운지 설명한다.
+3) 신뢰도 구간별 실제 열화 비율 표와 점검 카드 3건을 확인한다. |
+| --- | --- |
+
+| **확인할 결과** | MAE 76.0%, RMSE 70.9% 개선(목표 20% 이상), R2 0.909(목표 0.85 이상)
+신뢰도 ECE 0.065, 선택 하이퍼파라미터 GBR depth=4, ridge alpha=1 |
+| --- | --- |
+
+| **도전 과제** | 하이퍼파라미터 탐색 목록의 ridge alpha (1, 10)에 100을 추가해 선택값과 검증 MAE가 달라지는지 확인한다. |
+| --- | --- |
+
+| **제출물** | RUL 모델 코드, 성능 비교표, 점검 카드 예시 |
+| --- | --- |
+
+**미션 6. 장비 센서 상태 실시간 모니터링 및 결함 징후 경보 대시보드 구현**
+
+| **난이도·시간** | 중급~고급 · 3시간 |
+| --- | --- |
+
+| **진행 순서** | 1) M6 코드를 실행해 상위 3개 인자 산출률과 근거 유효성을 확인한다.
+2) 점검 카드 4건(베어링·기어·오일 펌프·냉각 팬 모터)에서 근거와 의심 부품이 맞는지 확인한다.
+3) 운용 상태표의 정상·주의·경보 대수를 읽고 경보 화면의 정렬 기준을 정한다. |
+| --- | --- |
+
+| **확인할 결과** | 경보 1,327건 모두 상위 3개 인자 산출(산출률 100%), 근거 유효성 98.9%
+의심 부품 정확도 99.3%, 기준일 상태표 경보 11대 |
+| --- | --- |
+
+| **도전 과제** | 경보 판정의 연속 일수 k를 2에서 1로 바꿔 경보 건수가 어떻게 달라지는지 확인한다. |
+| --- | --- |
+
+| **제출물** | XAI 코드, XAI 리포트(카드 예시와 근거 유효성) |
+| --- | --- |
+
+**미션 7. 예방 정비 조기 입고 결정을 위한 항공/기갑 검사관 HITL 승인 모듈 설계**
+
+| **난이도·시간** | 고급 · 3.5시간 |
+| --- | --- |
+
+| **진행 순서** | 1) M7 코드를 실행해 정기 교체, 검사관 승인 방식, 전부 적용(비교용)의 비용을 비교한다.
+2) 감사 로그 무결성 검사와 변조 탐지, 반려 사유 예를 확인한다.
+3) 승인 후 입고 지연과 가동 강도 급증 민감도 표를 읽고 대안(승인 기한, 대기 정비 슬롯)을 정리한다. |
+| --- | --- |
+
+| **확인할 결과** | 비용 절감률 15.3%(목표 15% 이상), 승인 126·반려 7·무응답 11건, 자동 승인 0건
+결정 로깅률 100%, 변조는 seq 5에서 탐지 |
+| --- | --- |
+
+| **도전 과제** | PERIOD(정기 교체 주기)를 90에서 110으로 바꿔 절감률이 어떻게 달라지는지 확인하고 이유를 설명한다. |
+| --- | --- |
+
+| **제출물** | HITL 시뮬레이터 코드, 민감도 분석표, 워크플로우 설명 |
+| --- | --- |
+
+**미션 8. 장시간 비행/기동 센서 데이터 대용량 스트림 주입 스트레스 테스트**
+
+| **난이도·시간** | 고급 · 3시간 |
+| --- | --- |
+
+| **진행 순서** | 1) M8 코드를 실행해 1,000건 주입 결과(정상·격리·유실, 처리 시간)를 확인한다.
+2) 경보 정확도·재현율·정밀도와 회색 구간(열화 초기) 처리 방식을 확인한다.
+3) 규모별 처리량 표와 운용 기준(격리율 20% 초과 시 센서 점검, 축소 모드)을 정리한다. |
+| --- | --- |
+
+| **확인할 결과** | 1,000건 정상 945·격리 55·유실 0, 처리 0.1초 이내(목표 2초 이내)
+경보 정확도 98.0%(목표 95% 이상), 상태 화면 구성 0.03초, 100,000건 처리 수 초 이내 |
+| --- | --- |
+
+| **도전 과제** | make_stream의 bad_rate를 0.06에서 0.25로 높여 격리 건수와 운용 기준(격리율 20%) 적용 여부를 확인한다. |
+| --- | --- |
+
+| **제출물** | 스트레스 시험 코드, 결과표, 기능 축소 운용 기준 |
+| --- | --- |
+
+**미션 9. AAR 기반 예지정비 오경보 분석 및 이상 감지 임계 파라미터 재보정**
+
+| **난이도·시간** | 고급 · 3시간 |
+| --- | --- |
+
+| **진행 순서** | 1) M9 코드를 실행해 AAR 기간 오경보 건수와 원인 분류 비율을 확인한다.
+2) 재보정 전후의 AAR 기간·검증 기간 오경보와 고장 전 확보 시간을 비교표로 정리한다.
+3) 3대 정량 효과 지표와 도입 로드맵을 ROI 보고서에 옮긴다. |
+| --- | --- |
+
+| **확인할 결과** | AAR 기간 오경보 9건(고부하 운용일 22%) -> 재보정 후 4건, 검증 기간 16 -> 10건, 미탐 0대 유지
+비용 10.9% 절감, 불필요 점검 37.5% 단축, 확보 시간 60 -> 57일 |
+| --- | --- |
+
+| **도전 과제** | LATE_COST를 0.15에서 0.5로 올려 재보정 파라미터가 어떻게 달라지는지 확인한다. |
+| --- | --- |
+
+| **제출물** | AAR·재보정 코드, ROI 분석 보고서(지표·로드맵) |
+| --- | --- |
+
+**미션 10. 항공/기갑 장비 예지정비(PdM) 센서 데이터 이상 징후 감지 시스템 통합 완성**
+
+| **난이도·시간** | 최고급 · 3.5시간 |
+| --- | --- |
+
+| **진행 순서** | 1) M10 코드를 실행해 재학습 결과(챔피언·도전자 F1, 교체 여부)를 확인한다.
+2) 자체 점검 통과 수와 운영 문서 작성률, 모델 장애 시 대체 동작을 확인한다.
+3) 출력된 브리핑 요약으로 5분 분량 정비 담당 장교 브리핑 자료를 만든다. |
+| --- | --- |
+
+| **확인할 결과** | 재학습 정상 실행(챔피언 F1 0.868, 도전자 0.837로 챔피언 유지), 자체 점검 8/8 통과
+운영 문서 7개 장 100%, 입고 제안 31건 승인 대기(자동 승인 0건) |
+| --- | --- |
+
+| **도전 과제** | CONFIG의 retrain_tolerance를 0.02에서 0.05로 올려 도전자 교체 여부가 바뀌는지 확인한다. |
+| --- | --- |
+
+| **제출물** | 통합 코드, 운영 지침서, 재학습 파이프라인 설명, 브리핑 자료 |
+| --- | --- |
+
+**4. 최종 점검표**
+
+| **점검 항목** | **확인** |
+| --- | --- |
+| 미션 1~10 코드가 모두 오류 없이 실행되었다 | ( ) |
+| 각 미션의 확인할 결과를 기록했다 | ( ) |
+| 도전 과제 결과와 이유를 기록했다 | ( ) |
+| 브리핑 수치가 실행 결과와 일치한다 | ( ) |
+| 실제 부대·장비·정비 실적을 사용하지 않았다 | ( ) |
+| 조기 입고와 정비 시행은 검사관 승인 사항으로 설계했다 | ( ) |