**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 | ( ) |