pbl02/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

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.)