Journal Search Engine

to

Search Advanced Search Adode Reader(link)
Download PDF Export Citation Korean Bibliography PMC Previewer
ISSN : 1229-6783(Print)
ISSN : 2288-1484(Online)
Journal of the Korea Safety Management & Science Vol.26 No.2 pp.23-31
DOI : http://dx.doi.org/10.12812/ksms.2024.26.2.023

Analysis of Ammunition Inspection Record Data and Development of Ammunition Condition Code Classification Model

Young-Jin Jung*, Ji-Soo Hong*, Sol-Ip Kim**, Sung-Woo Kang*
*Department of Industrial Engineering, INHA University
**PGM R&D Institute, Hanwha Aerospace
†이 연구는 2022년도 정부(방위사업청)의 재원으로 국방기술진흥연구소의 지원을 받아 수행된 연구임(KRIT-CT-22-081, 무기체계 CBM+ 특화연구센터).
†Corresponding Author : Ji-Soo Hong, Industrial Engineering, INHA UNIVERSITY, 100, inha-ro, Michuhol-gu, Incheon,
E-mail: wltnghd5182@inha.edu
May 01, 2024 June 04, 2024 June 04, 2024

Abstract

In the military, ammunition and explosives stored and managed can cause serious damage if mishandled, thus securing safety through the utilization of ammunition reliability data is necessary. In this study, exploratory data analysis of ammunition inspection records data is conducted to extract reliability information of stored ammunition and to predict the ammunition condition code, which represents the lifespan information of the ammunition. This study consists of three stages: ammunition inspection record data collection and preprocessing, exploratory data analysis, and classification of ammunition condition codes. For the classification of ammunition condition codes, five models based on boosting algorithms are employed (AdaBoost, GBM, XGBoost, LightGBM, CatBoost). The most superior model is selected based on the performance metrics of the model, including Accuracy, Precision, Recall, and F1-score. The ammunition in this study was primarily produced from the 1980s to the 1990s, with a trend of increased inspection volume in the early stages of production and around 30 years after production. Pre-issue inspections (PII) were predominantly conducted, and there was a tendency for the grade of ammunition condition codes to decrease as the storage period increased. The classification of ammunition condition codes showed that the CatBoost model exhibited the most superior performance, with an Accuracy of 93% and an F1-score of 93%. This study emphasizes the safety and reliability of ammunition and proposes a model for classifying ammunition condition codes by analyzing ammunition inspection record data. This model can serve as a tool to assist ammunition inspectors and is expected to enhance not only the safety of ammunition but also the efficiency of ammunition storage management.
Ammunition Inspection, Exploratory Data Analysis, Machine Learning, Classification Model

탄약검사기록 데이터 분석 및 탄약상태기호 분류 모델 개발

정영진*, 홍지수*, 김솔잎**, 강성우*
*인하대학교 산업경영공학과
**한화에어로스페이스 PGM 연구소

초록

1. 서 론 

 4차 산업혁명의 주요한 기술 키워드인 인공지능, 빅데이터, 클라우드와 함께 언급되는 핵심적인 자원은 바로 데이터이다. 다양한 산업에서 기존 데이터를 재해석하거나 새롭게 수집하고 있으며, 국방산업에서도 많은 데이터를 확보하고 활용하기 위해 노력한다. 특히 군에서 저장 및 관리하는 탄약과 폭발물은 안전에 심각한 피해를 초래할 수 있기에 탄약 신뢰성 데이터를 활용한 안전성 확보가 중요하다[1]. 
 ‘국방혁신 4.0 기본계획’은 ‘국방개혁에 관한 법률’에 근거하여 작성한 국방기획체계 상의 문서로, 4차 산업혁명의 첨단과학기술을 한국군에 적용하기 위해 개발되었다[2]. 이를 통해 군은 북한 핵/미사일 대응능력을 획기적으로 강화하고, 군사전략/작전개념을 선도적으로 발전시키며, AI 기반 핵심 전력을 확보하고, 군의 구조와 교육훈련을 혁신하고, 국방 연구개발/전력증강체계를 재설계하는 등 5대 중점과제를 제시한다. 또한, AI과학기술을 강화하기 위한 중요한 노력 중 하나로, 한국과학기술정보연구원(KISTI)은 방위사업청과 국방기술진흥연구소의 지원을 받아 2023년부터 2028년까지 6년간 무기체계 CBM+ 센터를 통해 무기체계 상태기반정비 데이터 수집체계와 진단예측 절차 확립을 위한 수집/예측 관련 기반 기술을 연구한다[3]. 이처럼 무기체계의 획득과 함께, 전력화 이후 무기체계 가용도 및 신뢰성 향상을 위해 센서 데이터를 활용한 상태기반정비 체계구축 등 국방혁신 4.0 구현을 위한 노력이 진행되고 있다[4].
 탄약 저장체계는 무기체계 중 하나로, 탄약고(완성탄보관소)에 저장되는 탄약 및 관련 저장체계를 의미한다. 최근 스마트 탄약고와 같은 탄약 저장시설의 진보된 관리 방안에 대한 필요성이 지속적으로 대두되고 있다[5]. 탄약 저장체계는 타 무기체계와 달리, 정비 대상품의 비율, 가동률 등에서 정비개념의 큰 차이를 갖고 있다. 탄약고 속 저장탄약에는 센서를 직접 부착할 수 없으므로, 탄약고 환경이 저장탄약에 미치는 요인을 도출해야 한다. 특히 탄약 저장환경에 대한 신뢰성 있는 데이터 구축과 탄약 보관시설의 과학적 관리를 위한 IoT 센서 데이터 기반의 시설 표준 수립이 중요한 과제이다. 이를 위해 현재 군 정비 요원이 정비 및 검사 행위의 결과로 작성하는 수기 자료에 대한 분석과 이로부터 신뢰성 정보를 발견하는 연구가 선행되어야 한다.
 탄약은 일회성 체계로 사용하게 되면 파괴되는 특성이 있다[6]. 사용한 탄약은 파괴되기 때문에 탄약 성능을 확인하기 위해 로트를 하나의 모수로 보고 평가를 수행한다[7]. 군에서는 저장탄약의 수명을 저장탄약신뢰성평가(ASRP: Ammunition Stockpile Reliability Program)를 통해 관리한다. ASRP 결과를 활용한 탄약 수명 예측 연구는 많이 진행된 반면, 탄약검사기록만을 분석한 연구는 많지 않다[8,9]. 그동안 탄약검사기록은 ASRP 결과의 비기능등급에 포함되어, 기능등급, 저장성등급과 종합하여 분석되었다. 탄약검사기록은 탄약의 제조 정보와 검사되어 온 기록, 이를 통한 탄약상태기호 정보를 가지고 있으므로, 분석을 통해 저장탄약의 신뢰성 정보를 알 수 있다면 보다 효율적으로 저장탄약의 수명을 예측할 수 있다. 
 따라서 본 연구에서는 탄약검사기록 데이터의 탐색적 데이터 분석을 통해 저장탄약의 신뢰성 정보를 추출하고, 탄약의 수명 정보인 탄약상태기호를 예측하고자 한다. 이를 통해 검사기록 속 다양한 변수의 분포를 확인하고, 각 변수와 탄약상태기호와의 관계를 머신러닝 모델에 학습하여 탄약상태기호를 예측하는 분류 모델을 제안한다.   
 

2. 연구 방법 및 데이터 분석 

2.1 연구 방법   

 탄약검사는 탄약성능관리를 위해 시행되며 주로 육안 및 게이지 검사로 진행된다[10]. 탄약검사기록은 부대 내 저장 탄약에 대하여 저장탄약의 제조 정보 확인, 품질 관리, 유지보수 및 검사를 기록한 정보로 기록을 목적으로 국방군수통합정보체계(DELIIS: Defense Logistics Integrated Information Systme)에 기록된다[11]. 포병탄약의 경우, 대부분 5년 주기로 검사를 실시하며, 탄약 표면의 발청 상태는 탄약관리부대 검사관의 육안검사에 의해 판정한다[12]. 판정 기준은 탄약지원사령부에서 발행한‘탄약검사 및 상태분류기준서’를 사용하는데, 개념적인 사항만 포함되어 있을 뿐, 세부적인 검사 분류 기준이 없어 검사관의 경력, 성향에 따라 검사 결과 및 상태 판정이 상이한 문제가 발생하므로 주의하여야 한다. 
 본 연구에서는 탄약검사기록 데이터인 ‘검사기록DSR 데이터’와 ‘상태변경이력 데이터’를 수집하고 머신러닝 모델을 통해 탄약상태기호를 분류한 결과를 기술한다.   
 
 
 본 연구에서는 [Figure 1]과 같이 데이터 수집 및 전처리, 탐색적 데이터 분석, 탄약상태기호 예측으로 크게 3단계의 연구 프로세스를 따른다.   
 

2.2 연구 대상   

 본 연구에서 분석하고자 하는 데이터는 DELIIS 시스템에서 제공받은 탄약검사기록 데이터인 ‘검사기록DSR 데이터’와 ‘상태변경이력 데이터’, 두 가지 데이터 셋이다. ‘검사기록DSR 데이터’는 1985년부터 2023년까지의 특정 탄약(KC256)에 대한 검사결과 정보를 포함하는 8,923개의 데이터로, 아래 <Table 1>과 같이 구성된다. ‘상태변경이력 데이터’는 1997년부터 2023년까지의 특정 탄약(KC256)에 대한 상태변경이력 정보를 포함하는 10,968개의 데이터로, 아래 <Table 2>와 같이 구성된다. <Table 1>과 <Table 2>에서 군 기밀 사항으로 공개할 수 없는 정보의 경우 검은 박스로 대체하였다.   
 
 
 본 연구에서는 <Table 1>과 <Table 2>에 대해, ‘부대명’, ‘LOTNO’, ‘검사일자’를 기준으로 일치하는 데이터를 병합하여 실험에 사용한다. 
 

2.3 데이터 수집 및 전처리   

 본 연구에서는 탄약검사기록 데이터인 ‘검사기록DSR 데이터’와 ‘상태변경이력 데이터’를 병합하고, 데이터 전처리 과정을 통해 기존 컬럼에서 얻은 정보를 바탕으로 새로운 컬럼으로 생성하여 실험을 진행한다. 
 먼저, ‘검사기록DSR 데이터’인 Table 1과 ‘상태변경이력 데이터’인 Table 2에 대해, ‘부대명’, ‘LOTNO’, ‘검사일자’를 기준으로 일치하는 행들만 조회하여 새로운 데이터 셋으로 병합한다. 다음으로, 세부 분석을 위해 기존 컬럼이 가지는 데이터 정보를 나누어 새로운 컬럼을 생성한다. ‘검사일자’ 컬럼에서 년, 월, 일을 구분하여 ‘검사년도’, ‘검사월’, ‘검사일’ 컬럼을 생성하고, ‘LOTNO’컬럼에서 제조회사 정보, 제작된 년, 월을 구분하여 ‘제조회사’, ‘제작년도’, ‘제작월’ 컬럼을 생성하고, 검사년도에서 제작년도의 차이를 통해 ‘저장기간’ 컬럼을 추가 생성한다.   
 

2.4 탐색적 데이터 분석 

 ‘검사기록DSR 데이터’에 따르면, 탄약검사는 과거(1985년)부터 시행되었으나 2010년 이전의 데이터에서는 본 연구에서 예측하고자 하는 탄약상태기호와 같은 수명 정보를 가지고 있는 ‘상태변경이력 데이터’와 매칭되지 않아 탄약 수명 예측을 위한 분석에 어려움이 있다.   
 
 
 [Figure 2]은 제작년도와 저장기간을 나타낸 그래프로, 제작년도 그래프를 통해 1980~1990년대에 만들어진 해당 탄약검사 정보가 많음을 알 수 있다(왼쪽 그래프). 저장기간 그래프를 통해 해당 탄약은 초기(0~1년)와 25~35년 사이에 주로 검사한다는 것을 알 수 있다(오른쪽 그래프).   
 
 
 [Figure 3]은 ‘검사기록DSR 데이터’와 새롭게 병합한 데이터 셋의 검사년도 빈도수를 나타낸 그래프로,  ‘검사기록DSR 데이터’그래프를 통해 1985년부터 2023년까지 검사년도 빈도수를 확인할 수 있다(왼쪽 그래프). 하지만 이 중에서는 상태변경이력 데이터‘에 조회되지 않는 데이터도 존재하는 문제가 있다. 이를 해결하기 위해 본 연구팀이 새로 구축한 데이터 셋의 경우 탄약상태기호를 알 수 있으며, 이 데이터 셋을 통해 2010년부터 2023년까지의 검사년도 빈도수를 확인할 수 있다(오른쪽 그래프).
 
   
 본 연구에서 사용하는 검사기록의 검사종류는 [Figure 4]와 같이 8가지가 있으며, PII(불출 전 검사)가 가장 많이 시행됨을 알 수 있다. 
 PII는 불출 전 검사로, 지원부대에서 편성부대로 불출하기 이전 수행하는 검사이다. PI는 정기검사를 말하며, 불출중지 탄약을 대상으로 정기적으로 수행하는 검사이다. RMI는 탄약 반환 검사, SPI는 특별정기검사, RI는 수령검사를 의미한다. IRI는 최초수령검사로, 소요 지원부대에서 직접 수입 후 5근무일 이내에 수행하는 검사이다. SMI는 저장 중 검사를 뜻하며, 유도탄약 및 연소성 탄약을 대상으로 연소성 작용제 누출 여부를 확인하는 검사이며, 압축 포장 품목의 압력 및 습도 상태를 확인할 수 있는 검사이다. BLI는 기본 휴대량 검사로, 육안검사 결과 포장물이 불량하거나 내용물이 의심스러울 때 필요에 의해 실시하는 검사이다[10]. 
 [Figure 5]는 PII, PI, RMI, SPI, RI, IRI, SMI, BLI에 따른 저장기간 그래프이다. 
 (1, 1) 위치의 그래프인 PII는 저장기간이 25년에서 35년 사이일 때 빈도가 높은 편으로, 이 시기에 편성부대로 불출됨을 알 수 있다. (1, 2) 위치의 PI 역시 저장기간이 25년에서 35년 사이 빈도가 높은 것을 확인할 수 있는데, 이 시기에 주로 정기 검사가 수행됨을 알 수 있다. 
 (2, 1) 위치의 RMI는 20년 전후를 기준으로 20년이 지난 시점부터 빈도가 높은 것으로 보아 저장기간 20년 이후 탄약 반환 검사를 주로 수행함을 알 수 있다. (2, 2) 위치의 SPI는 특정한 기준이나 패턴 없이 불규칙하게 빈도가 높은 것을 확인할 수 있는데, 이는 특별 정기 검사의 특성으로 파악된다. 
 (3, 1) 위치의 RI는 0~1년 사이에 가장 높음을 확인할 수 있는데, 이는 지원부대에서 편성부대로 이동하였을 때 하는 검사이기에 탄약 제작 후 1년 이내의 기간에 탄약 이동이 많음을 알 수 있다. (3, 2) 위치의 IRI는 최초 수령 검사로, 소요 지원부대에서 직접 수입 후 5근무일 이내에 수행되는 검사이다보니 저장기간 0년도에 가장 많은 빈도를 나타냄을 알 수 있다. 
 (4, 1) 위치의 SMI는 저장 중 검사로, 특정 시기에 해당 검사를 정기적으로 수행함을 알 수 있다. (4, 2) 위치의 BLI 검사는 육안 검사 결과 불량이 의심될 때 진행되는 검사로, 저장 기간 10년, 30년에 이루어졌음을 확인할 수 있다. 
 
 
       
 [Figure 6]은 검사 후 상태별 빈도수를 나타낸 그래프로, 1A의 탄약상태기호 빈도가 가장 높음을 알 수 있다. 본 연구에서 사용한 데이터의 탄약상태기호는 8가지(1A, 2C, 6E, 6F, 2D, 2J, 8H)로, 탄약상태기호에 대한 자세한 설명은 아래 <Table 3>과 같다.   
 
 
 
 [Figure 7]은 저장기간에 따른 탄약상태기호의 검사 후 상태별 빈도수를 나타낸 히트맵으로, 저장기간이 늘어날수록 1A(CC-A)의 색이 옅어지는 것으로 보아 저장기간이 길수록 최상등급이 떨어지는 것을 알 수 있다.   
 

3. 탄약상태기호 분류 모델 구축 

3.1 탄약상태기호 분류 모델의 정의 

 2.4절 탐색적 데이터 분석을 통해 학습에 활용할 변수로 ‘검사년도’, ‘제작년도’, ‘저장기간’, ‘검사종류’, ‘검사전상태’을 선정하였다. 본 연구에서는 이 변수들을 통해 검사 후 탄약상태기호를 의미하는 ‘검사후상태’를 분류하는 모델을 탄약상태기호 분류 모델로 정의한다.   
 

3.2 탄약상태기호 분류 모델 구축 

 본 연구에서는 부스팅(Boosting) 알고리즘 기반의 모델을 학습하여 분류 모델을 구축한다. 부스팅 알고리즘은 분류기를 조정하여 학습 모델의 성능을 향상시키는 개념에서 출발한다[13]. 부스팅 알고리즘 기반의 모델은 데이터를 정제하여 여러 개의 분류 모델을 생성하는 방식으로 작동되며, 여러 개의 단순한 분류기를 조합하여 복잡한 분류기보다 우수한 성능을 달성하는 것이 목표이다. 각 단계에서 이전 단계의 학습 결과를 바탕으로 다음 단계의 분류 모델의 학습 데이터에 대한 가중치를 조정하는 과정을 통해 이전 단계의 학습 결과가 다음 단계의 학습 결과에 영향을 미치게 된다. 이를 통해 학습이 진행될수록 분류 경계선 상의 데이터의 가중치가 증가하여 더욱 강력한 분별력을 갖게 된다. 본 연구에서는 AdaBoost, GBM, XGBoost, LightGBM, CatBoost 총 5가지 부스팅 알고리즘 기반의 모델을 사용하여 학습을 진행한다.
 AdaBoost(Adaptive Boosting)는 기본적인 부스팅 알고리즘 중 하나로, 이 알고리즘은 약한 분류기들이 순차적으로 학습하고, 이를 조합하여 강한 분류기를 형성한다[14]. 각 학습 단계에서는 이전 단계에서 잘못 분류한 샘플에 더욱 가중치를 부여하여 다음 분류기의 학습에 활용한다. 이를 통해 모델은 이전 분류기가 잘못 분류한 샘플에 더욱 집중하여 모델의 성능을 향상시킨다. 마지막으로 이렇게 학습된 약한 분류기들을 조합하여 강한 분류기를 형성하며, 이는 전체 모델의 성능을 향상시킨다. AdaBoost의 주요한 장점 중 하나는 이전 분류기가 잘못 분류한 샘플에 더욱 집중하여 학습하므로, 모델 성능 향상에 도움을 준다는 것이다.
 그래디언트 부스팅 머신(Gradient Boosting Machine, GBM)은 부스팅 알고리즘의 한 종류로, 남은 잔차(Residual)를 개선하여 모델을 최적화하는 방법을 사용한다[15]. 부스팅은 초기에는 간단한 모델로부터 시작하여 반복적으로 모델을 개선해 나가는 방식으로 동작한다. 그래디언트 부스팅은 이러한 잔차를 줄여주는 최적의 파라미터를 찾기 위해 경사하강법(Gradient Descent)을 사용한다. 경사하강법은 손실 함수(Loss Function)의 기울기를 따라 가장 가파른 경사로 이동하여 손실을 최소화하는 방향으로 모델을 업데이트한다. GBM은 이를 활용하여 각 단계에서 잔차를 가장 효과적으로 줄이는 방향으로 모델을 개선한다. 이러한 방식으로 GBM은 강력한 분류 모델을 구축할 수 있으며, 특히 높은 성능을 보이는 모델 중 하나이다. 그러나 GBM은 과적합의 위험이 있기 때문에, 샘플링이나 정규화와 같은 기술을 활용하여 이를 완화하고 모델의 일반화 성능을 향상시킬 필요가 있다.
 XGBoost(eXtreme Gradient Boosting) 알고리즘은 탐욕 알고리즘(Greedy algorithm)을 사용하여 내부에 생성된 다양한 모델들의 성능을 보완하는 가중치를 탐색한다[16]. 이 가중치는 CART(Classification And Regression Trees)라 불리는 앙상블 모델을 사용하며, 모든 최종 노드들이 최종 스코어를 계산하는 데 사용된다. XGBoost는 내부 하위 모델의 앙상블을 통해 과적합 문제를 효과적으로 해결할 수 있으며, 동시에 병렬 처리를 통해 그래디언트 부스팅 대비 학습 시간을 단축할 수 있는 장점이 있다. 이 알고리즘은 다양한 하이퍼파라미터 튜닝 옵션을 제공하여 모델의 성능을 최적화할 수 있는 유연성을 가지고 있다.
 LightGBM은 XGBoost와 유사하게 GBM(Gradient Boosting Machine) 기반 알고리즘으로, Gradient- based One-Side Sampling(GOSS)로, 계산 시에 가중치가 작은 개체에 승수 상수를 적용하여 데이터를 효율적으로 증폭시키는 모델이다[17]. LightGBM은 XGBoost보다 속도와 성능 면에서 우수하며, 일반적인 GBM 계열 트리의 특징인 level-wise 방식이 아닌 leaf-wise 방식을 통해 트리를 분할한다. Leaf-wise 방식은 가장 큰 손실을 가진 노드에 집중하여 분할하는 방식으로, level- wise 방식에 비해 시간적, 메모리적으로 효율적이다. Level-wise 방식은 트리를 균형적으로 만들기 위해 추가적인 연산이 필요하여 시간적으로 비효율적이다. 따라서 LightGBM은 대용량 데이터셋에서도 효율적으로 동작하면서 뛰어난 예측 성능을 제공하는 알고리즘 중 하나이다.
 CatBoost는 XGBoost와 유사하게 level-wise 방식으로 트리를 부스팅하는 알고리즘으로, 속도가 빠르고, 불균형한 데이터에 대해서도 높은 예측 성능을 보이는 특징을 가지고 있다[18]. CatBoost의 특이한 점 중 하나는 Ordered Boosting이라는 기술을 사용한다는 것으로, 이는 모든 데이터를 대상으로 잔차 계산을 수행하는 기존 부스팅 알고리즘과는 다르게 일련의 순서를 가지고 데이터의 일부만을 선정하여 잔차를 계산한다. 이러한 방식은 순서 기준을 랜덤하게 섞어 과적합을 방지하는 데 도움이 되며, 효과적인 분류 모델을 구축한다. CatBoost는 특히 대용량 데이터셋에서도 뛰어난 성능을 보이면서, 사용자가 매개변수를 조정하기 쉽도록 설계되어 있는 장점이 있다.   
 

3.3 모델 성능 평가 및 선정 

 본 연구에서는 탄약검사기록 데이터에서 선정한 변수를 학습하여 탄약검사 이후에 받게 될 탄약상태기호를 분류한다. 이후, 어떤 모델이 탄약상태기호를 보다 정확하게 분류할 수 있는 모델인지 평가하기 위해 모델 성능을 비교한다. 모델 성능 비교는 구체적으로, 모델 학습에 사용한 AdaBoost, GBM, XGBoost, LightGBM, CatBoost의 성능을 Accuracy(정확도), Precision(정밀도), Recall(재현율), F1-score 지표를 기준으로 비교한다. 
 Accuracy는 분류 모델이 전체 데이터 중에서 바르게 예측한 비율을 나타낸다. 이는 분류 모델의 기본적인 성능 지표이지만, 데이터 클래스가 불균형한 경우 성능을 올바르게 평가하기 어려울 수 있다. Precision은 모델이 True로 예측한 데이터 중에서 실제로 True인 비율을 의미한다. 즉, 모델이 True로 예측한 결과가 얼마나 정확한지를 나타낸다. Recall은 실제 True인 데이터를 모델이 True로 예측한 비율을 나타내며, 모델이 실제 True를 얼마나 잘 예측하는지를 평가한다. F1-score는 Precision과 Recall의 조화 평균으로, Precision과 Recall을 동시에 고려하여 모델의 성능을 평가한다. 이 값은 0과 1 사이의 범위를 가지며, 1에 가까울수록 분류 모델의 성능이 우수함을 의미한다[19].
 본 연구에서는 Accuracy와 F1-score를 기준으로 모델을 선정한다<Table 4>.   
 
 
 
 실험 결과는 <Table 5>와 같이, CatBoost 모델을 사용했을 때 가장 좋은 성능이 나타난다. Accuracy 93%, F1-score 93%로 모든 모델 중 가장 높은 성능임을 알 수 있다.   
 

4. 결 론   

 본 연구에서는 탄약 및 폭발물과 같은 군수 자원의 안전성과 신뢰성 확보의 중요성, 탄약 저장시설의 관리 방안에 대한 필요성, 탄약 상태를 평가하기 위한 기존 방법의 한계 및 개선의 필요성, 탄약검사기록 데이터를 활용하여 저장탄약의 신뢰성 정보를 추출하고 탄약상태를 예측하는 방법의 필요성에 주목하였다. 따라서 탄약검사기록 데이터를 분석하고, 검사관들이 탄약검사 이후 부여하는 탄약상태기호를 분류하는 모델을 제안하였다. 본 연구에서 사용한 데이터는 DELIIS 시스템에서 제공받았으며, 데이터 병합 후 데이터 전처리 단계에서 기존 컬럼을 재가공하여 새로운 컬럼을 생성하였다. 탐색적 데이터 분석을 통해 탄약검사는 1985년부터 시행되었으나, 2010년 이전의 데이터에는 원하는 수명 정보를 가진 데이터가 없어 예측에 어려움이 있었다는 점, 해당 탄약은 1980년대부터 1990년대에 많이 만들어 진 점, 초기와 30년 전후에 검사량이 증가한다는 점, 검사종류로는 불출 전 검사(PII)가 가장 많으며 저장기간이 길어질수록 탄약상태기호의 등급이 떨어지는 경향을 보인다는 점을 확인했다. 마지막으로, 이를 기반으로 탄약상태기호 분류 모델을 학습시켜 Accuracy 93%, F1-socre 93%의 성능을 보이는 CatBoost 모델을 구축하였다. 
 탄약상태기호 분류 모델은 탄약검사에 있어 검사관의 보조 지표로 활용될 수 있으며, 군수 관리 및 작전 실행에 참고될 수 있다. 또한, 분류 모델이 탄약의 안전성 뿐만 아니라, 탄약고 관리의 효율성을 높이는 등 적절한 유지보수 및 대응 조치를 취하는데 도움이 될 것으로 기대된다. 향후 계획으로, 본 연구팀은 탄약 저장환경 데이터를 수집, 분석하여 IoT 기술과 센서 데이터를 활용한 탄약 저장시설 신뢰성과 안전성 향상 연구를 진행할 것이다. 이를 통해 탄약 보관환경에 영향을 미치는 요인을 식별하여, 효율적인 시설 관리 표준 수립 방안을 제안하고자 한다. 

Figure

Table

Reference

  1. [1] Y. J. Jung, J. S. Hong, S. I. Kim, S. W. Kang(2024), “A Review on Ammunition Shelf-life Prediction Research for Preventing Accidents Caused by Defective Ammunition.” Journal of Korea Safety Management & Science, 26(1):39-44.
  2. [2] Ministry of National Defense(2023), Principle Plan of ROK’s Defense Innovation 4.0.
  3. [3] Korea Institute of Science and Technology Information (2023), Weapon System CBM+ Research Center.
  4. [4] J. Y. Kim, H. S. Shim, J. S. Son, Y. Y. Hwang(2023), “A Study on the Metadata Schema for the Collection of Sensor Data in Weapon Systems.” Journal of Internet Computing and Services, 24(6):161-169.
  5. [5] J. G. Choi, B. K. Kim, Y. S. Chang(2022), “Building plan research of Smart Ammunition Logistics System based on the 4th industrial technology.” Journal of Internet Computing and Services, 23(1): 135-145.
  6. [6] K. J. Jo, H. C. Jung, H. H. Hong(2023), “A Study on the Test Standard according to Reliability and Confidence Level of the Ammunition.” Journal of the Korea Academia-Industrial cooperation Society, 24(9):562-568.
  7. [7] K. J. Jo, Y. C. Kim, S. H. Gu(2023), “A Study on the Standard Establishment of LOT Setting for the Guided Missile ASRP.” Journal of the Korea Academia-Industrial cooperation Society, 24(4): 288-294.
  8. [8] W. S. Kim, S. H. Cho, K. S. Yoon(2024), “A study on The Shelf-life of Catridge, 81MM High- Explosive for Mortar Using Regression Analysis.” Journal of the Korea Academia-Industrial cooperation Society, 25(1):122-131.
  9. [9] S. H. Cho, W. S. Kim, J. H. Lee(2023), “A Study on the Reliability and Shelf-life of Floating HC smoke pot.” Journal of the Korea Academia-Industrial cooperation Society, 24(11):304-312.
  10. [10] Ammunition Support Command(2019), Ammunition Inspection and Condition Classification Standards.
  11. [11] Ministry of National Defense(2020), Defense Logistics Integrated Information System.
  12. [12] H. S. Ko, J. W. Heo, M. H. Kim, W. M. Shin(2022), “Development of artificial intelligence ammunition inspection software using laser displacement sensor and military utilization plan.” Defense Technology, 520:160-175.
  13. [13] Y. J. Jung, T. H. Kang, J. I. Park, J. Y. Cho, J. S. Hong, S. W. Kang(2024), “Methodology for Variable Optimization in Injection Molding Process.” Journal of Korean Society for Quality Management, 52(1):43-56.
  14. [14] Y. Freund, R. E. Schapire(1999), “A Short Introduction to Boosting.” Journal of Japanese Society for Artificial Intelligence, 14(5):771-780.
  15. [15] J. H. Friedman(2001), “Greedy Function Approximation: A Gradient Boosting Machine.” The Annals of Statistics, 29(5):1189-1232.
  16. [16] T. Chen, C. Guestrin(2016), “XGBoost: A Scalable Tree Boosting System.” In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining: 785-794.
  17. [17] G. Ke, Q. Meng, T. Finley, T. Wang, W. Chen, W. Ma, Q. Ye, T. Y. Liu(2017), “LightGBM: A Highly Efficient Gradient Boosting Decision Tree.” Advances in Neural Information Processing Systems, 30.
  18. [18] L. Prokhorenkova, G. Gusev, A. Vorobev, A. V. Dorogush, A. Gulin(2018), “CatBoost: unbiased boosting with categorical features.” Advances in Neural Information Processing Systems, 31.
  19. [19] Y. J. Jung, C. Y. Jang, S. W. Kang(2022), “Elevator Falut Classification using Deep Learning Model.” Journal of Korea Safety Management & Science, 24(4):1-7.
  1. SEARCH

  2. Online Submission

    http://submission.koreasafety.or.kr

  3. KSSM

    The Korean Society of Safety ManagementWaste Society

  4. Editorial Office
    Contact Information

    - Tel: +82.31.336.2844
    - Fax: +82.31.336.2845
    - E-mail: safety@mju.ac.kr