• Journal of the Korean Data and Information Science Society
• /
• 제22권4호
• /
• pp.755-764
• /
• 2011

기업은 종종 과거의 필드 고장 데이터를 이용하여 미래에 필드에서 고장이 얼마나 일어날 것인지 예측한다. 특히 이런 예측은 필드에서 예기치 않던 고장모드 (failure mode)가 발견될 때 더욱 하고 싶어진다. 왜냐하면 기업은 이런 예측을 통해 미래에 품질보증 비용이 얼마나 될 것인지 파악하고, 고장 난 부품을 재빨리 수리하는데 필요한 여유 부품의 수를 파악하고 싶기 때문이다. 본 연구에서는 기업에서 생길 수 있는 요약 데이터를 사용하여 미래 필드에서 고장이 얼마나 발생할 것인지 예측하고, 이런 요약 데이터이외에 또 어떤 데이터가 생길 수 있으며 이때 분석결과가 어떻게 나올 수 있는지 알아본다.

• 한국정보처리학회논문지
• /
• 제7권12호
• /
• pp.3821-3828
• /
• 2000

많은 소프트웨어 프로젝트는 시험이나 운영단계에서 고장 시간이나 고장 수 데이타 보다는 그룹 고장 데이타 (여러 고장 간격에서 또는 가변적인 시간 간격에서의 고장 들)가 수집된다. 본 논문은 그룹 고장 데이타에 대해 가변적인 미래의 시간에서 누적 고장 수를 예측할 수 있는 신경망 모델을 제시한다. 신경망의 입-출력으로 무엇을 선택하고 어떤 순서로 훈련을 수행하느냐에 따라 신경망의 예측력에 영향을 미친다. 따라서, 신경망의 입-출력에 대한 11개의 훈련제도가 고려되었으며, 모델의 성능을 평가하기 위해 다음 단계 평균 상대 예측 오차 (AE)와 정규화된 AE (NAE) 측도에 의해 최적의 훈련제도가 선택되고, 다른 잘 알려진 신경망 모델과 통계적 소프트웨어 신뢰성 성장 모델과 비교되었다. 실험 결과, 가변적인 미래의 시간 간격에서 누적 고장 수를 예측하기 위해서는 신경망 모델에 가변 시간간격 정보가 필요함을 보였다.

• 한국경영과학회지
• /
• 제26권1호
• /
• pp.109-116
• /
• 2001

The detection of corporate failures is a subject that has been particularly amenable to cross-sectional financial ratio analysis. In most of firms, however, the financial data are available over past years. Because of this, a model utilizing these longitudinal data could provide useful information on the prediction of bankruptcy. To correctly reflect the longitudinal and firm-specific data, the generalized linear model with assuming the first order AR(autoregressive) process is proposed. The method is motivated by the clinical research that several characteristics are measured repeatedly from individual over the time. The model is compared with several other predictive models to evaluate the performance. By using the financial data from manufacturing corporations in the Korea Stock Exchange (KSE) list, we will discuss some experiences learned from the procedure of sampling scheme, variable transformation, imputation, variable selection, and model evaluation. Finally, implications of the model with repeated measurement and future direction of research will be discussed.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제17권6호
• /
• pp.1545-1559
• /
• 2023

In the cloud environment, microservices are implemented through Kubernetes, and these services can be expanded or reduced through the autoscaling function under Kubernetes, depending on the service request or resource usage. However, the increase in the number of nodes or distributed microservices in Kubernetes and the unpredictable autoscaling function make it very difficult for system administrators to conduct operations. Artificial Intelligence for IT Operations (AIOps) supports resource management for cloud services through AI and has attracted attention as a solution to these problems. For example, after the AI model learns the metric or log data collected in the microservice units, failures can be inferred by predicting the resources in future data. However, it is difficult to construct data sets for generating learning models because many microservices used for autoscaling generate different metrics or logs in the same timestamp. In this study, we propose a cloud data refining module and structure that collects metric or log data in a microservice environment implemented by Kubernetes; and arranges it into computing resources corresponding to each service so that AI models can learn and analogize service-specific failures. We obtained Kubernetes-based AIOps learning data through this module, and after learning the built dataset through the AI model, we verified the prediction result through the differences between the obtained and actual data.

• 벤처혁신연구
• /
• 제7권2호
• /
• pp.143-152
• /
• 2024

최근 AI 기능을 가진 소프트웨어가 많이 개발되어지면서 다양한 예측 기능을 가진 소프트웨어 제품이 늘어나고 있으며, 그런 영향으로 소프트웨어 품질의 중요성이 높아지게 되었다. 특히 AI 기능을 가진 제품의 기능 안전에 대한 고려가 높아지면서 국가적 차원에서 소프트웨어 품질에 대한 관리를 진행하고 있다. 특히 국가적 차원에서 진행하고 있는 소프트웨어 제품의 품질 인증제도로 GS 품질인증제도를 들 수 있는데, GS 인증제도에서도 AI 제품에 대한 품질 평가방안을 연구하고 있다. 본 연구에서는 소프트웨어 신뢰성 검증을 위해서 제시된 다양한 품질 평가 모델에서 국제표준에 근거해서 소프트웨어 품질의 기본 조건이 충족되는 평가모델을 제시하려 한다. 인공지능 부분의 소프트웨어 품질 특성을 고려하여 품질 평가 모델에 대한 연구를 하고, 품질을 진단하고 고장을 예측하려 한다. .본 연구에서는 소프트웨어 신뢰성 성장모델을 기반으로 하여 인공지능 국제 표준 모델을 제시하여 평가 모델을 제시하고 모델을 통해 품질 진단을 할 수 있는 방안을 제시하려 한다. 이러한 측면에서 본 연구는 앞으로 소프트웨어에서 발생하게 되어지는 고장시간에 대한 예측을 통해서 고장을 미리 예측하고 사전에 고장을 찾아서 위험을 예방할 수 있는 차원에서 중요한 의미가 있다고 판단된다. 특히 안전과 관련된 다양한 소프트웨어에서는 고장을 예측한다는 것은 중요한 의미가 있을 것으로 판단된다.

• 정보처리학회논문지D
• /
• 제8D권4호
• /
• pp.387-392
• /
• 2001

많은 소프트웨어 프로젝트는 시험이나 운영단계에서 고장시간이나 고장 수 데이타보다 그룹 고장 데이터(여러 고장 간격에서 또는 가변적인 시간 간격에서의 고장들)가 수집된다. 본 논문은 그룹 고장 데이터에 대해 가변적인 미래의 시간에서 누적 고장 수를 예측할 수 있는 신경망 모델을 제시한다. 2개의 변형된 캐스케이드-상관 학습 알고리즘을 제안하였다. 제안된 신경망 모델들은 다른 잘 알려진 신경망 모델과 통계적 소프트웨어 신뢰도 성장 모델과 비교되었다. 실험결과, 그룹 데이터에 대해 변형된 캐스케이드-상관 학습 알고리즘이 좋은 예측 결과를 나타내었다.

• Transactions on Electrical and Electronic Materials
• /
• 제7권5호
• /
• pp.217-223
• /
• 2006

When only partial information is available about equipment failures (installation date and amount, as well as failure and replacement rates), data on sufficiently large number of yearly populations of the components can be combined, and estimation of model parameters may be possible. The parametric models may then be used for forecasting of the system's short term future failure and for formulation of replacement strategies. We employ the Weibull distribution and show how we estimate its parameters from past failure data. Using Monte Carlo simulations, it is possible to assess confidence ranges of the forecasted component performance data.

• 한국건설관리학회논문집
• /
• 제24권6호
• /
• pp.66-73
• /
• 2023

건설 프로젝트는 기획부터 완공까지 공사비 예측, 확인, 그리고 정산 단계로 이루어진다. 건설원자재 평균 가격은 변동성을 지닌다. 하지만 건설 프로젝트의 자재비 산정은 계획단계 시점의 시세를 반영하여 결정되기 때문에, 시공단계에서 자재가 투입될 시점의 시세 변동에 따라 예상한 가격과 차이가 날 수 있다. 건설 산업은 건설원자재 가격 변동으로 인한 수요예측 실패, 프로젝트 비용변경으로 인한 사용자 비용 증가, 예측 체계성 부족으로 인한 손실이 발생한다. 이에 따라 건설원자재 가격 예측의 정확도 개선이 필요하다. 본 연구는 Data Refactor 기법의 개선을 통해 건설원자재 가격 예측 및 적용성 검증을 목적으로 한다. 건설원자재의 가격 예측의 정확도를 높이기 위하여 기존의 데이터 리팩토 간의 저·고빈도의 분류 및 ARIMAX 활용법을 빈도 위주 및 ARIMA 기법 활용으로 개선하여 건설원자재 목재, 시멘트 등 6개 품목의 단기(미래 3개월), 중기(미래 6개월), 장기(미래 12개월) 가격을 예측하였다. 분석한 결과 개선된 Data Refactor 기법을 기반으로 한 예측값이 오차는 줄었고 변동성은 확장되었다. 따라서, 본 연구에서 제안된 Data Refactor 기법을 통해 건설원자재 가격을 더 정확하게 예측하여 예산을 효과적으로 관리할 수 있을 것으로 기대된다.

• 한국물환경학회지
• /
• 제23권3호
• /
• pp.356-366
• /
• 2007

In this paper a methodology is developed to prioritize replacement of water distribution pipes according to the economical efficiency of replacement and assess the long-term effects of water main replacement policies on water distribution systems. The methodology is implemented with MATLAB to develop a computer algorithm which is used to apply the methodology to a case study water distribution system. A pipe break prediction model is used to estimate future costs of pipe repair and replacement, and the economically optimal replacement time of a pipe is estimated by obtaining the time at which the present worth of the total costs of repair and replacement is minimum. The equation for estimating the present worth of the total cost is modified to reflect the fact that a pipe can be replaced in between of failure events. The results of the analyses show that about 9.5% of the pipes in the case study system is required to be replaced within the planning horizon. Analyses of the yearly pipe replacement requirements for the case study system are provided along with the compositions of the replacement. The effects of water main replacement policies, for which yearly replacement length scenario and yearly replacement budget scenario are used, during a planning horizon are simulated in terms of the predicted number of pipe failures and the saved repair costs.

• 품질경영학회지
• /
• 제51권2호
• /
• pp.223-245
• /
• 2023

Purpose: This study aim to identify the trends in AI-based PHM technology that can enhance reliability and minimize costs. Furthermore, this research provides valuable guidelines for future studies in various industries Methods: In this study, I collected and selected AI-based PHM studies, established classification criteria, and analyzed research trends based on classified fields and techniques. Results: Analysis of 125 domestic studies revealed a greater emphasis on machinery in both diagnosis and prognosis, with more papers dedicated to diagnosis. various algorithms were employed, including CNN for image diagnosis and frequency analysis for signal data. LSTM was commonly used in prognosis for predicting failures and remaining life. Different industries, data types, and objectives required diverse AI techniques, with GAN used for data augmentation and GA for feature extraction. Conclusion: As studies on AI-based PHM continue to grow, selecting appropriate algorithms for data types and analysis purposes is essential. Thus, analyzing research trends in AI-based PHM is crucial for its rapid development.