KR20230166364A - Method and apparatus for predicting reliability of weapon system - Google Patents

Abstract

본 발명은 예측 대상에 대한 신뢰도를 예측하는 신뢰도 예측 방법에 있어서, 예측 대상에 따른 자재 명세서(BOM, Bill of Materials)를 수집하고, BOM를 기반으로 선정된 예측 대상 품목에 따른 기술 데이터를 확보하는 수집 단계, 예측 대상 품목의 특징을 기반으로 신뢰도 예측 값을 산출하는 신뢰도 예측 모델을 적용하여 신뢰도를 예측하는 예측 단계, 예측 대상 품목의 상용(commercial) 여부를 확인하여 신뢰도 예측 값을 보정하여 신뢰도 보정 값을 산출하는 보정 단계 및 신뢰도 보정 값에 따른 최종 고장간 평균시간(MTBF, Mean Time Between Failure)을 산출하는 산출 단계를 포함하는 신뢰도 예측 방법을 제안한다.The present invention is a reliability prediction method for predicting the reliability of a prediction target, collecting a bill of materials (BOM) according to the prediction target, and securing technical data according to the prediction target item selected based on the BOM. Collection stage, prediction stage to predict reliability by applying a reliability prediction model that calculates the reliability prediction value based on the characteristics of the prediction target item, reliability correction by correcting the reliability prediction value by checking whether the prediction target item is commercial We propose a reliability prediction method that includes a correction step for calculating a value and a calculation step for calculating the final Mean Time Between Failure (MTBF) according to the reliability correction value.

Description

무기체계의 신뢰도 예측 방법 및 장치{Method and apparatus for predicting reliability of weapon system}{Method and apparatus for predicting reliability of weapon system}

본 발명은 무기체계의 신뢰도 예측 방법 및 장치에 관한 것이며, 특히, 신뢰도 예측의 정확성을 향상시기기 위해 개선된 신뢰도 예측 모델을 이용하는 무기체계의 신뢰도 예측 방법 및 장치에 관한 것이다.The present invention relates to a method and device for predicting reliability of a weapon system, and in particular, to a method and device for predicting reliability of a weapon system that uses an improved reliability prediction model to improve the accuracy of reliability prediction.

이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.The content described in this section simply provides background information for this embodiment and does not constitute prior art.

신뢰도(Reliability)는 명시된 조건에서 규정된 시간 동안 의도한 기능을 수행할 수 있는 가능성을 의미한다. 신뢰도 예측은 설계안의 신뢰도 목표 달성 여부의 판단이나 대안 제시, 정비방식이나 예비부품의 결정 등 다양한 분야에서 활용되고 있기 때문에 이러한 후속 활동들이 잘 진행되기 위해서는 예측의 정확성을 제고하는 것이 매우 중요하다. 특히, 무기체계의 경우, 고난도의 첨단복합기능을 갖추면서도 장기간의 수명이 요구되고, 첨단 부품이나 소재를 사용하는 새로운 설계인 경우가 많다. 그리고 사용 환경조건이 민수장비보다 군수장비가 극한적인 경우가 많기 때문에 고장발생 가능성이 높다. 하지만, 민수용 제품보다 고장으로 인한 결과가 치명적이고 전투력 상실로 이어지기 때문에 무기체계에서는 신뢰성의 중요성을 더욱 크게 요구하고 있다.Reliability refers to the possibility of performing the intended function under specified conditions and for a specified period of time. Since reliability prediction is used in a variety of fields, such as determining whether the reliability goal of a design has been achieved, suggesting alternatives, and determining maintenance methods or spare parts, it is very important to improve the accuracy of prediction in order for these follow-up activities to proceed smoothly. In particular, in the case of weapon systems, they require a long lifespan while being equipped with highly advanced and complex functions, and are often new designs using advanced components or materials. And because the environmental conditions of use are often more extreme for military equipment than for civilian equipment, the possibility of failure is higher. However, since the consequences of failure are more fatal and lead to loss of combat power than in civilian products, the importance of reliability is required in weapon systems.

종래의 217F 규격 적용은 신뢰도 예측의 정확성에 한계가 있다. 217F는 1995년 이후 최신화가 되지 않아 새로운 부품의 추가 또는 고장률 모델에 대한 유지 및 보완이 미비하다는 한계점이 있다. 또한, 신기술 반영이 어렵고, 전자장치 기술은 정확한 통계적 고장 데이터 생성이나 신뢰성 모수들이 핸드북의 개정보다 빨리 변하고 있다. 따라서, 217F에 따른 신뢰도 예측은 정확성이 떨어지고 신기술이 적용되지 못한 결과가 산출될 수 있는 문제가 있다.Application of the conventional 217F standard has limitations in the accuracy of reliability prediction. The 217F has not been updated since 1995, so there are limitations in the addition of new parts or the lack of maintenance and supplementation of the failure rate model. In addition, it is difficult to reflect new technologies, and electronic device technology is changing faster than the generation of accurate statistical failure data or reliability parameters than the revision of the handbook. Therefore, there is a problem in that reliability prediction according to 217F may be less accurate and produce results in which new technologies cannot be applied.

본 발명은 상기한 문제점을 해결하기 위해 안출된 것으로서, 본 발명의 목적은 217F 규격만을 적용하지 않고 다른 신뢰도 예측 규격을 적절하게 활용하며, 고장 특성을 고려한 유사성 기법 및 복합스트레스를 적용하여 신뢰도 예측값의 정확성을 향상시키는 것에 있다.The present invention was created to solve the above problems. The purpose of the present invention is to appropriately utilize other reliability prediction standards rather than only applying the 217F standard, and to improve the reliability prediction value by applying similarity techniques and complex stresses considering failure characteristics. The goal is to improve accuracy.

본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.Other unspecified objects of the present invention can be additionally considered within the scope that can be easily inferred from the following detailed description and its effects.

상술한 목적을 달성하기 위하여, 본 발명은 예측 대상에 대한 신뢰도를 예측하는 신뢰도 예측 방법에 있어서, 상기 예측 대상에 따른 자재 명세서(BOM, Bill of Materials)를 수집하고, 상기 BOM를 기반으로 선정된 예측 대상 품목에 따른 기술 데이터를 확보하는 수집 단계; 상기 예측 대상 품목의 특징을 기반으로 신뢰도 예측 값을 산출하는 신뢰도 예측 모델을 적용하여 신뢰도를 예측하는 예측 단계; 상기 예측 대상 품목의 상용(commercial) 여부를 확인하여 상기 신뢰도 예측 값을 보정하여 신뢰도 보정 값을 산출하는 보정 단계; 및 상기 신뢰도 보정 값에 따른 최종 고장간 평균시간(MTBF, Mean Time Between Failure)을 산출하는 산출 단계를 포함하는 신뢰도 예측 방법을 제안한다.In order to achieve the above-described object, the present invention provides a reliability prediction method for predicting the reliability of a prediction target, collecting a bill of materials (BOM) according to the prediction target, and selecting a bill of materials based on the BOM. A collection step of securing technical data according to the predicted target item; A prediction step of predicting reliability by applying a reliability prediction model that calculates a reliability prediction value based on the characteristics of the prediction target item; A correction step of checking whether the prediction target item is commercial and correcting the reliability prediction value to calculate a reliability correction value; We propose a reliability prediction method that includes a calculation step of calculating the final Mean Time Between Failure (MTBF) according to the reliability correction value.

바람직하게는, 상기 예측 단계는, 상기 예측 대상 품목에 따른 필드 데이터 보유 여부를 기반으로 신뢰도 예측을 수행하는 제1 예측단계; 상기 필드 데이터를 보유하고 있지 않은 경우, 상기 예측 대상 품목과 유사한 유사 품목 데이터 보유 여부를 기반으로 신뢰도 예측을 수행하는 제2 예측단계; 및 상기 유사 장비 데이터를 보유하고 있지 않은 경우, 상기 예측 대상 품목에 따른 예측 규격을 적용하고, 상기 예측 대상 품목의 전자부품 여부를 기반으로 신뢰도 예측을 수행하는 제3 예측단계를 포함한다.Preferably, the prediction step includes: a first prediction step of performing reliability prediction based on whether field data according to the prediction target item is present; If the field data is not available, a second prediction step of performing a reliability prediction based on whether similar item data similar to the prediction target item is available; And when the similar equipment data is not available, a third prediction step is performed to apply a prediction standard according to the prediction target item and perform a reliability prediction based on whether the prediction target item is an electronic component.

바람직하게는, 상기 제2 예측단계는, 유사 장비 데이터, 복잡성인자, 환경인자 및 기타인자를 포함하는 상기 유사 품목 데이터를 활용하여 신뢰도를 예측하는 단계; 예측 대상 품목 업체의 고장간 평균시간 자료를 포함하는 상기 유사 품목 데이터를 이용하여 신뢰도를 예측하는 단계; 및 운영 조건 별 고장률과 시간을 포함하는 상기 유사 품목 데이터를 이용하여 신뢰도를 예측하는 단계를 적어도 하나 수행하고, 상기 제2 예측단계는 상기 예측 대상 품목과 상기 유사 품목 데이터의 일치 여부가 임계치 이상인 경우 상기 유사 장비 데이터를 보유하고 있는 것으로 판단하여 수행되는 것을 특징으로 한다.Preferably, the second prediction step includes predicting reliability using the similar item data including similar equipment data, complexity factors, environmental factors, and other factors; Predicting reliability using the similar item data including the average time between failure data of the prediction target item manufacturer; and performing at least one step of predicting reliability using the similar item data including failure rate and time for each operating condition, and the second prediction step is performed when the prediction target item matches the similar item data above a threshold. It is characterized in that it is performed by determining that the similar equipment data is held.

바람직하게는, 상기 제3 예측단계는, 상기 예측 대상 품목이 전자부품인 경우, 가변환경에서 발생 가능한 고장 메커니즘을 나타내는 복합 스트레스를 통해 신뢰도를 예측하는 전자부품 예측단계; 및 상기 예측 대상 품목이 전자부품이 아닌 경우, 기계부품으로 판단하여 신뢰도를 예측하는 기계부품 예측단계를 적어도 하나 수행하는 것을 특징으로 한다.Preferably, the third prediction step includes, when the prediction target item is an electronic component, predicting reliability through complex stress representing a failure mechanism that may occur in a variable environment; And, if the prediction target item is not an electronic part, at least one mechanical parts prediction step is performed to determine reliability by determining it to be a mechanical part.

바람직하게는, 상기 전자부품 예측단계는, 상기 복합 스트레스인 경우, 고장률 혼합 방식을 적용하여 고장률을 예측하고, 상기 고장률 혼합 방식의 적용이 불가능한 경우 217 PLUS, FIDES 순으로 우선순위를 두어 신뢰도 예측을 수행하며, 상기 복합 스트레스가 아닌 단일 스트레스인 경우, 가변환경을 대표하는 명목 환경 수준을 산출하여 217F를 우선시하여 고장률을 예측하고, 상기 규격 혼합 방식의 적용이 불가능한 경우 규격혼합방식, EPRD 순으로 우선순위를 두어 신뢰도를 산출하는 것을 특징으로 한다.Preferably, in the electronic component prediction step, in the case of the complex stress, the failure rate is predicted by applying the failure rate mixing method, and when the failure rate mixing method cannot be applied, reliability is predicted by prioritizing in the order of 217 PLUS and FIDES. In the case of a single stress rather than the above complex stress, the nominal environmental level representing the variable environment is calculated and the failure rate is predicted by prioritizing 217F. If the above standard mixing method cannot be applied, the standard mixing method is given priority in that order, followed by EPRD. It is characterized by calculating reliability by ranking.

바람직하게는, 상기 복합 스트레스는 명목 환경 수준, 기계적 스트레스, 온도 스트레스, 전압/전류 스트레스를 적어도 하나 포함하며, 상기 명목 환경 수준은 진동을 활용하여 산출하고, 기계적 스트레스는 마이너 룰(Miner rule)을 활용하여 산출하며, 온도 스트레스는 아레니우스식을 활용하여 산출하고, 전압/전류 스트레스는 역 제곱 법칙을 활용하여 산출하는 것을 특징으로 한다.Preferably, the complex stress includes at least one nominal environmental level, mechanical stress, temperature stress, and voltage/current stress, and the nominal environmental level is calculated using vibration, and the mechanical stress is calculated using a minor rule. It is calculated using the temperature stress, and the temperature stress is calculated using the Arrhenius equation, and the voltage/current stress is calculated using the inverse square law.

바람직하게는, 상기 기계부품 예측단계는, NSWC를 우선순위로 두어 신뢰도 예측을 수행하고, 상기 NSWC에 상기 예측 대상 품목이 존재하지 않는 경우 NPRD를 이용하여 신뢰도 예측을 수행하는 것을 특징으로 한다.Preferably, the machine parts prediction step is characterized in that reliability prediction is performed by prioritizing NSWC, and when the prediction target item does not exist in NSWC, reliability prediction is performed using NPRD.

바람직하게는, 상기 보정 단계는, 상기 예측 대상 품목이 상용(commercial)인 경우, 규격의 혼합 또는 계수조정을 포함하는 상용 보정 규격을 적용하여 상기 신뢰도 예측 값을 보정하여 상기 신뢰도 보정 값을 산출하는 단계; 및 상기 예측 대상 품목이 상용이 아닌 경우, 복수의 품목에 따른 고장모드 및 데이터를 포함하는 보정 규격을 적용하여, 상기 보정 규격을 기반으로 고장 모드 매커니즘의 분포를 고려하여 상기 신뢰도 예측 값을 보정하여 상기 신뢰도 보정 값을 산출하는 단계를 포함한다.Preferably, the correction step is to calculate the reliability correction value by correcting the reliability prediction value by applying a commercial correction standard including mixing or coefficient adjustment of standards when the prediction target item is commercial. step; And if the prediction target item is not commercially available, apply a correction standard including failure modes and data according to a plurality of items, and correct the reliability prediction value by considering the distribution of the failure mode mechanism based on the correction standard. and calculating the reliability correction value.

바람직하게는, 상기 보정 단계는, 환경 조건에 따른 변환을 더 고려하도록 보정 계수를 이용하여 상기 신뢰도 예측 값을 보정하는 단계를 더 포함하고, 상기 환경 조건에 따른 보정 계수는 환경이 변환될 때의 환경 보정 계수, 온도가 변환될 때의 온도 보정 계수 및 상기 예측 대상의 부품의 품질이 변환될 때의 부품 품질 계수를 적어도 하나 포함하는 것을 특징으로 한다.Preferably, the correction step further includes the step of correcting the reliability prediction value using a correction coefficient to further take into account conversion according to environmental conditions, and the correction coefficient according to environmental conditions is adjusted when the environment is converted. It is characterized in that it includes at least one environmental correction coefficient, a temperature correction coefficient when the temperature is converted, and a component quality coefficient when the quality of the component to be predicted is converted.

바람직하게는, 상기 보정 단계는, 상기 환경 조건에 따른 변환을 더 고려하여 신뢰도 예측 값을 보정하는 단계 또는 상기 예측 대상 품목과 유사한 유사 품목 데이터 보유 여부를 기반으로 신뢰도 예측을 수행하는 제2 예측단계를 수행한 후, NOC를 적용하여 최종적으로 신뢰도 보정 값을 산출하고, 상기 NOC는 NOC 고장간 평균시간(MTBF), NOC 부품 수와 전체 부품 수를 기반으로 산출되는 것을 특징으로 한다.Preferably, the correction step includes a step of correcting the reliability prediction value by further considering conversion according to the environmental conditions, or a second prediction step of performing reliability prediction based on whether similar item data similar to the prediction target item is possessed. After performing, the NOC is applied to finally calculate the reliability correction value, and the NOC is calculated based on the NOC mean time between failures (MTBF), the number of NOC parts, and the total number of parts.

본 발명의 또 다른 실시예에 따르면, 본 발명은 프로세서 및 상기 프로세서에 의해 실행되는 프로그램을 저장하는 메모리를 포함하는 신뢰도 예측 장치에 있어서, 상기 프로세서는, 상기 예측 대상에 따른 자재 명세서(BOM, Bill of Materials)를 수집하고, 상기 BOM를 기반으로 선정된 예측 대상 품목에 따른 기술 데이터를 확보하고, 상기 예측 대상 품목의 특징을 기반으로 신뢰도 예측 값을 산출하는 신뢰도 예측 모델을 적용하여 신뢰도를 예측하며, 상기 예측 대상 품목의 상용(commercial) 여부를 확인하여 상기 신뢰도 예측 값을 보정하여 신뢰도 보정 값을 산출하고, 상기 신뢰도 보정 값에 따른 최종 고장간 평균시간(MTBF, Mean Time Between Failure)을 산출하는 것을 특징으로 하는 신뢰도 예측 장치를 제안한다.According to another embodiment of the present invention, the present invention is a reliability prediction device including a processor and a memory for storing a program executed by the processor, wherein the processor includes a bill of materials (BOM) according to the prediction target. of Materials), secure technical data according to the prediction target item selected based on the BOM, and predict reliability by applying a reliability prediction model that calculates a reliability prediction value based on the characteristics of the prediction target item. , Checking whether the prediction target item is commercial, correcting the reliability prediction value to calculate a reliability correction value, and calculating the final mean time between failure (MTBF) according to the reliability correction value. We propose a reliability prediction device characterized by:

바람직하게는, 상기 프로세서는, 상기 예측 대상 품목에 따른 필드 데이터 보유 여부를 기반으로 신뢰도 예측을 수행하고, 상기 필드 데이터를 보유하고 있지 않은 경우, 상기 예측 대상 품목과 유사한 유사 품목 데이터 보유 여부를 기반으로 신뢰도 예측을 수행하며, 상기 유사 장비 데이터를 보유하고 있지 않은 경우, 상기 예측 대상 품목에 따른 예측 규격을 적용하고, 상기 예측 대상 품목의 전자부품 여부를 기반으로 신뢰도 예측을 수행하는 것을 특징으로 한다.Preferably, the processor performs reliability prediction based on whether field data according to the prediction target item is possessed, and when the field data is not possessed, the processor performs reliability prediction based on whether similar item data similar to the prediction target item is possessed. Reliability prediction is performed, and if the similar equipment data is not held, prediction standards according to the prediction target item are applied, and reliability prediction is performed based on whether the prediction target item is an electronic component. .

바람직하게는, 상기 프로세서는, 상기 예측 대상 품목이 상용(commercial)인 경우, 규격의 혼합 또는 계수조정을 포함하는 상용 보정 규격을 적용하여 상기 신뢰도 예측 값을 보정하여 상기 신뢰도 보정 값을 산출하고, 상기 예측 대상 품목이 상용이 아닌 경우, 복수의 품목에 따른 고장모드 및 데이터를 포함하는 보정 규격을 적용하여, 상기 보정 규격을 기반으로 고장 모드 매커니즘의 분포를 고려하여 상기 신뢰도 예측 값을 보정하여 상기 신뢰도 보정 값을 산출하는 것을 특징으로 한다.Preferably, when the prediction target item is commercial, the processor calculates the reliability correction value by correcting the reliability prediction value by applying a commercial correction standard including mixing of standards or coefficient adjustment, If the prediction target item is not commercially available, a correction standard including failure modes and data for a plurality of items is applied, and the reliability prediction value is corrected by considering the distribution of the failure mode mechanism based on the correction standard. It is characterized by calculating a reliability correction value.

본 발명의 일 실시 예에 따르면, 본 발명은 종래에 활용되고 있는 217F만을 활용한 신뢰도 예측값보다 더 정확한 예측값 산출이 가능하고, 무기체계가 겪는 다양한 스트레스 및 환경조건을 고려하여 기존 신뢰도 예측보다 정확한 산출이 가능한 효과가 있다.According to one embodiment of the present invention, the present invention is capable of calculating a more accurate prediction value than the reliability prediction value using only 217F, which has been used in the past, and is more accurate than the existing reliability prediction by considering the various stresses and environmental conditions experienced by the weapon system. This has a possible effect.

또한, 본 발명의 일 실시 예에 따르면, 본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해 될 수 있을 것이다.In addition, according to one embodiment of the present invention, the effects of the present invention are not limited to the effects mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description below.

도 1은 본 발명의 일 실시 예에 따른 무기체계의 신뢰도 예측 방법을 나타내는 흐름도이다.
도 2는 본 발명의 일 실시 예에 따른 무기체계의 신뢰도 예측 방법을 자세히 나타내는 흐름도이다.
도 3은 본 발명의 일 실시 예에 따른 무기체계의 신뢰도 예측 방법의 환경 조건 보정에서의 보정 계수를 나타내는 도면이다.
도 4는 본 발명의 일 실시 예에 따른 서로 용도가 다른 패널의 정보를 나타내는 도면이다.
도 5는 본 발명의 일 실시 예에 따른 유사 장비 데이터를 활용한 검증 결과를 나타내는 그래프이다.
도 6은 본 발명의 일 실시 예에 따른 유사데이터가 없는 경우의 검증 결과를 나타내는 그래프이다.
도 7은 본 발명의 바람직한 실시예들에서 사용되기에 적합한 컴퓨팅 기기를 포함하는 무기체계의 신뢰도 예측 장치의 컴퓨팅 환경을 예시하여 설명하기 위한 블록도이다.1 is a flowchart showing a method for predicting reliability of a weapon system according to an embodiment of the present invention.
Figure 2 is a flowchart detailing a method for predicting reliability of a weapon system according to an embodiment of the present invention.
Figure 3 is a diagram showing correction coefficients in environmental condition correction of the method for predicting reliability of a weapon system according to an embodiment of the present invention.
Figure 4 is a diagram showing information on panels with different purposes according to an embodiment of the present invention.
Figure 5 is a graph showing verification results using similar equipment data according to an embodiment of the present invention.
Figure 6 is a graph showing verification results when there is no similar data according to an embodiment of the present invention.
FIG. 7 is a block diagram illustrating and illustrating a computing environment of a reliability prediction device for a weapon system including a computing device suitable for use in preferred embodiments of the present invention.

이하, 첨부된 도면을 참조하여 본 발명의 실시 예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the attached drawings. The advantages and features of the present invention and methods for achieving them will become clear by referring to the embodiments described in detail below along with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below and may be implemented in various different forms. The present embodiments are merely intended to ensure that the disclosure of the present invention is complete and to provide common knowledge in the technical field to which the present invention pertains. It is provided to fully inform those who have the scope of the invention, and the present invention is only defined by the scope of the claims. Like reference numerals refer to like elements throughout the specification.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.Unless otherwise defined, all terms (including technical and scientific terms) used in this specification may be used with meanings that can be commonly understood by those skilled in the art to which the present invention pertains. Additionally, terms defined in commonly used dictionaries are not interpreted ideally or excessively unless clearly specifically defined.

본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in this application are only used to describe specific embodiments and are not intended to limit the invention. The singular terms include plural expressions, unless the context clearly dictates otherwise. In this application, terms such as “comprise” or “have” are intended to designate the presence of features, numbers, steps, operations, components, parts, or combinations thereof described in the specification, but are not intended to indicate the presence of one or more other features. It should be understood that this does not exclude in advance the possibility of the existence or addition of elements, numbers, steps, operations, components, parts, or combinations thereof.

및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.The term and/or includes any of a plurality of related stated items or a combination of a plurality of related stated items.

본 발명은 무기체계의 신뢰도 예측 방법 및 장치에 관한 것이다.The present invention relates to a method and device for predicting reliability of a weapon system.

신뢰도는 명시된 조건에서 규정된 시간동안 의도한 기능을 수행할 수 있는 가능성을 나타낸다. 따라서, 신뢰도를 예측하여 설계안의 신뢰도 목표 달성 여부의 판단이나 대안 제시, 정비방식이나 예비부품의 결정 등에 활용할 수 있다. Reliability refers to the possibility of performing the intended function under specified conditions and for a specified period of time. Therefore, by predicting reliability, it can be used to determine whether the reliability goal of the design has been achieved, suggest alternatives, and decide on maintenance methods or spare parts.

종래의 신뢰도 예측 규격은 1956년 미국의 RADC(Rome Air Development Center)에서 출간한 RADC TR-1100으로 시작으로, 전자 부품 고장률 예측에 널리 활용되는 MIL-HDBK-217F(이하, 217F)로 발전하였다. 또한, Telcordia, British Telcom, RIAC(Reliability Information Analysis Center), French Telcom, 일본 전자기계공업회 등 여러 단체 및 회사가 신뢰도 예측의 정확도를 향상시키기 위해 규격을 제정하고 발전시키고 있다. IEEE(Institute of Electrical and Electronics Engineers)에서는 1998년 IEEE Reliability Prediction Standard 1413을 제안하였고, 프랑스의 여러 군수/항공업체에서는 FIDES 2009를 제안하였다. 한편, RIAC에서는 2006년 217PLUS를 제안하였다. 기계 부품의 경우 NPRD(Non-electronic Parts Reliability Data) 2011과 미국해상무기센터(NSWC: Naval Surface Warfare Center, 이하 NSWC)에서 제안한 NSWC-2011/LE 등이 활용되고 있다The conventional reliability prediction standard started with RADC TR-1100 published by RADC (Rome Air Development Center) in the United States in 1956 and developed into MIL-HDBK-217F (hereinafter referred to as 217F), which is widely used for predicting electronic component failure rates. In addition, several organizations and companies, including Telcordia, British Telcom, RIAC (Reliability Information Analysis Center), French Telcom, and the Japan Electromechanical Manufacturers Association, are establishing and developing standards to improve the accuracy of reliability prediction. IEEE (Institute of Electrical and Electronics Engineers) proposed IEEE Reliability Prediction Standard 1413 in 1998, and several French military/aviation companies proposed FIDES 2009. Meanwhile, RIAC proposed 217PLUS in 2006. For mechanical parts, NPRD (Non-electronic Parts Reliability Data) 2011 and NSWC-2011/LE proposed by the Naval Surface Warfare Center (NSWC) are used.

따라서, 종래에는 217F 규격 또는 단일 규격 만으로 신뢰도 예측을 수행하였고, 필드데이터분석 결과를 환류한 신뢰도 예측을 적용하지 못하고 있다.Therefore, conventionally, reliability prediction was performed using only the 217F standard or a single standard, and reliability prediction based on field data analysis results was not applied.

217F 규격 적용은 신뢰도 예측의 정확성에 한계가 있다. 217F는 1995년 이후 최신화가 되지 않아 새로운 부품의 추가 또는 고장률 모델에 대한 유지 및 보완이 미비하다는 한계점이 있다. 또한, 신기술 반영이 어렵고, 전자장치 기술은 정확한 통계적 고장 데이터 생성이나 신뢰성 모수들이 핸드북의 개정보다 빨리 변하고 있다. 따라서, 217F에 따른 신뢰도 예측은 정확성이 떨어지고 신기술이 적용되지 못한 결과가 산출될 수 있다. 또한, 신뢰도 예측에 고장 특성의 미반영이다. 현재 신뢰도 예측에 진동, 환경, 습도 등과 같은 고장특성이 반영되지 않아 실제 나타나는 필드값과 예측값의 차이가 크게 나타난다. 이는 신뢰도 예측의 정확성을 저하시키고 있으며, 부품의 교체 등과 같은 후속활동에도 영향을 미친다. 또한, 체결류에 대한 고장률을 직렬구조로 가정하여 하나씩 고장률을 더하는 것도 신뢰도 예측을 저하시키는 요인 중 하나이다. Application of the 217F standard has limitations in the accuracy of reliability prediction. The 217F has not been updated since 1995, so there are limitations in the addition of new parts or the lack of maintenance and supplementation of the failure rate model. In addition, it is difficult to reflect new technologies, and electronic device technology is changing faster than the generation of accurate statistical failure data or reliability parameters than the revision of the handbook. Therefore, reliability predictions according to 217F may be less accurate and may result in new technologies not being applied. Additionally, failure characteristics are not reflected in reliability prediction. Failure characteristics such as vibration, environment, and humidity are not reflected in the current reliability prediction, so there is a large difference between the actual field value and the predicted value. This reduces the accuracy of reliability prediction and also affects follow-up activities such as replacement of parts. In addition, assuming that the failure rates for fasteners are in a serial structure and adding the failure rates one by one is one of the factors that deteriorates the reliability prediction.

따라서, 신뢰도 예측 장치(10)는 신뢰도 예측값의 정확성을 높이기 위해서 217F 규격만을 적용하지 않고, 다른 신뢰도 예측 규격을 적절하게 적용한다. 또한, 신뢰도 예측 장치(10)는 온도, 습도, 진동 등과 같은 고장 특성을 고려한 유사성기법 및 복합 스트레스를 적용하여 신뢰도 예측을 수행한다.Therefore, in order to increase the accuracy of the reliability prediction value, the reliability prediction device 10 does not apply only the 217F standard, but appropriately applies other reliability prediction standards. Additionally, the reliability prediction device 10 performs reliability prediction by applying a similarity technique and complex stress considering failure characteristics such as temperature, humidity, vibration, etc.

본 발명의 일 실시예에 따르면, 신뢰도 예측 장치(10)는 개선된 신뢰도 예측 모델을 적용하여 기존 무기체계에서 활용되고 있는 217F만을 활용한 신뢰도 예측값보다 더 정확한 예측값을 산출할 수 있다.According to one embodiment of the present invention, the reliability prediction device 10 can apply an improved reliability prediction model to calculate a more accurate prediction value than the reliability prediction value using only 217F, which is used in existing weapon systems.

신뢰도 예측은 체계, 구성품, 조립체, 부분품의 신뢰도를 정략적으로 도출하는 것이며, 고장빈도를 나타내는 신뢰도 척도를 예측하는 것을 나타낸다. 여기서, 고장빈도는 고장간 평균시간(MTBF, Mean Time Between Failure), 고장 간 평균 발수(MRBF, Mean Rounds Between Failure), 고장 간 평균 거리(MKBF, Mean Kilometers Between Failure) 등을 나타낼 수 있으며, 반드시 이에 한정되는 것은 아니다.Reliability prediction refers to quantitatively deriving the reliability of systems, components, assemblies, and parts, and predicting reliability measures that indicate failure frequency. Here, the failure frequency can represent the mean time between failures (MTBF, Mean Time Between Failure), mean rounds between failures (MRBF, Mean Rounds Between Failure), and mean distance between failures (MKBF, Mean Kilometers Between Failure). It is not limited to this.

본 발명의 일 실시예에 따르면, 신뢰도 예측은 부품수량분석(PCA, Part Count Analysis) 및 부품부하분석(PSA, Part Stress Analysis)을 통해 분석될 수 있으며, 반드시 이에 한정되는 것은 아니다.According to an embodiment of the present invention, reliability prediction can be analyzed through Part Count Analysis (PCA) and Part Stress Analysis (PSA), but is not necessarily limited thereto.

부품수량분석은 부품의 종류, 형태 및 품질요소 등과 같은 입력정보가 주어지면 쉽고 빠르게 예측할 수 있다. 주로 초기 설계 단계에서 전자 회로의 신뢰도를 예측하기 위해 사용되거나 상세 설계를 진행하면서 설계복잡도가 변할 가능성이 높은 경우에 주로 활용된다. 부품수량분석의 모델은 수학식 1을 통해 나타낸다.Parts quantity analysis can be easily and quickly predicted if input information such as type, shape, and quality factors of the part is given. It is mainly used to predict the reliability of electronic circuits in the early design stage or when there is a high possibility that design complexity will change during detailed design. The model for parts quantity analysis is expressed through Equation 1.

상술한 수학식 1에서, 은 부품 P의 기본 고장률(Base Failure Rate)을 나타내고, 는 부품 P의 품질인자를 나타낸다.In Equation 1 above, represents the base failure rate of component P, represents the quality factor of part P.

부품부하분석은 시스템 설계가 거의 완성되어 자재 명세서(BOM, Bill of Materials)가 확정되는 상세설계 단계에서 적용하며, 부품(또는 시스템)이 사용되는 환경과 부품 고유 품질이 고장률에 크게 영향을 준다고 가정한다. 따라서, 고장률에 영향을 미치는 환경, 품질 요소, 그 밖에 온도, 학습요소, 구성 소자의 수, 핀 수 등 상세설계에 따른 부품 특성들을 고려하여 신뢰도를 예측한다.Part load analysis is applied at the detailed design stage when the system design is almost complete and the bill of materials (BOM) is confirmed. It is assumed that the environment in which the part (or system) is used and the inherent quality of the part greatly affect the failure rate. do. Therefore, reliability is predicted by considering component characteristics according to detailed design, such as the environment and quality factors that affect the failure rate, as well as temperature, learning factors, number of components, and number of pins.

상술한 수학식 2에서, 은 부품 P의 기본 고장률(Base failure rate)을 나타내고, 는 부품 P의 스트레스 계수(Stress factor)를 나타내며, 는 부품 P의 온도 계수(Temperature factor)를 나타내고, 는 부품 P의 조정 계수(Adjustment factor)를 나타내며, 는 부품 P의 환경 계수(Environment factor)를 나타내고, 는 부품 P의 품질 계수(Quality factor)를 나타낸다.In Equation 2 above, represents the base failure rate of component P, represents the stress factor of component P, represents the temperature factor of component P, represents the adjustment factor of component P, represents the environment factor of part P, represents the quality factor of part P.

종래의 무기체계의 신뢰도 예측은 현재 우리나라 무기체계 신뢰도 예측은 제품의 실데이터(MTBF값)가 있는 경우 이를 적용하고, 실데이터가 없을 경우, BOM으로부터 구성품의 기초정보를 조사한 다음 부품 별 세부정보를 입수한다. 이때, 부품 별 온도, 전기, 환경 등의 스트레스 조건을 확인하여 신뢰도 예측을 실시하며, 신뢰도 예측을 할 때 전자부품의 경우 217F, EPRD를 사용하여 신뢰도를 예측하고, 기계부품의 경우에는 NSWC와 NPRD를 적용하여 신뢰도를 예측한다.The reliability prediction of conventional weapon systems is currently made by applying the actual data (MTBF value) of the product if it is available. If there is no actual data, the basic information of the components is investigated from the BOM and then the detailed information for each part is calculated. Get it. At this time, reliability prediction is performed by checking stress conditions such as temperature, electricity, and environment for each component. When predicting reliability, 217F and EPRD are used to predict reliability for electronic components, and NSWC and NPRD are used for mechanical components. Apply to predict reliability.

도 1은 본 발명의 일 실시 예에 따른 무기체계의 신뢰도 예측 방법을 나타내는 흐름도이다. 무기체계의 신뢰도 예측 방법은 무기체계의 신뢰도 예측 장치에 의하여 수행될 수 있다.1 is a flowchart showing a method for predicting reliability of a weapon system according to an embodiment of the present invention. The reliability prediction method of a weapon system can be performed by a weapon system reliability prediction device.

본 발명의 개선된 신뢰도 예측 모델을 적용한 무기체계의 신뢰도 예측 방법은 예측 대상에 대한 신뢰도를 예측하는 신뢰도 예측 방법에 있어서, 예측 대상에 따른 자재 명세서(BOM, Bill of Materials)를 수집하고, BOM를 기반으로 선정된 예측 대상 품목에 따른 기술 데이터를 확보하는 수집 단계(S110), 예측 대상 품목의 특징을 기반으로 신뢰도 예측 값을 산출하는 신뢰도 예측 모델을 적용하여 신뢰도를 예측하는 예측 단계(S120), 예측 대상 품목의 상용(commercial) 여부를 확인하여 신뢰도 예측 값을 보정하여 신뢰도 보정 값을 산출하는 보정 단계(S130) 및 신뢰도 보정 값에 따른 최종 고장간 평균시간(MTBF, Mean Time Between Failure)을 산출하는 산출 단계(S140)를 포함한다.The reliability prediction method of a weapon system applying the improved reliability prediction model of the present invention is a reliability prediction method that predicts the reliability of the prediction target, collects a bill of materials (BOM) according to the prediction target, and prepares the BOM. A collection step (S110) to secure technical data according to the selected prediction target item, a prediction step (S120) to predict reliability by applying a reliability prediction model that calculates a reliability prediction value based on the characteristics of the prediction target item, A correction step (S130) in which the reliability prediction value is calculated by checking whether the predicted item is commercial and the reliability prediction value is calculated, and the final mean time between failure (MTBF) is calculated according to the reliability correction value. It includes a calculation step (S140).

예측 단계(S120)는 예측 대상 품목에 따른 필드 데이터 보유 여부를 기반으로 신뢰도 예측을 수행하는 제1 예측단계, 필드 데이터를 보유하고 있지 않은 경우, 예측 대상 품목과 유사한 유사 품목 데이터 보유 여부를 기반으로 신뢰도 예측을 수행하는 제2 예측단계 및 유사 장비 데이터를 보유하고 있지 않은 경우, 예측 대상 품목에 따른 예측 규격을 적용하고, 예측 대상 품목의 전자부품 여부를 기반으로 신뢰도 예측을 수행하는 제3 예측단계를 포함한다.The prediction step (S120) is a first prediction step that performs a reliability prediction based on whether or not field data is present according to the prediction target item. If field data is not held, the reliability prediction is performed based on whether similar item data similar to the prediction target item is possessed. A second prediction step to perform reliability prediction, and if similar equipment data is not available, a third prediction step to apply prediction standards according to the prediction target item and perform reliability prediction based on whether the prediction target item is an electronic component. Includes.

제2 예측단계는 유사 장비 데이터, 복잡성인자, 환경인자 및 기타인자를 포함하는 유사 품목 데이터를 활용하여 신뢰도를 예측하는 단계; 예측 대상 품목 업체의 고장간 평균시간 자료를 포함하는 유사 품목 데이터를 이용하여 신뢰도를 예측하는 단계; 및 운영 조건 별 고장률과 시간을 포함하는 유사 품목 데이터를 이용하여 신뢰도를 예측하는 단계를 적어도 하나 수행할 수 있다.The second prediction step is predicting reliability using similar item data including similar equipment data, complexity factors, environmental factors, and other factors; Predicting reliability using similar item data including average time between failure data of the prediction target item company; And at least one step of predicting reliability can be performed using similar item data including failure rate and time for each operating condition.

제2 예측단계는 예측 대상 품목과 유사 품목 데이터의 일치 여부가 임계치 이상인 경우 유사 장비 데이터를 보유하고 있는 것으로 판단하여 수행될 수 있다.The second prediction step may be performed by determining that similar equipment data is available when the match between the prediction target item and similar item data is greater than a threshold.

제3 예측단계는 예측 대상 품목이 전자부품인 경우, 가변환경에서 발생 가능한 고장 메커니즘을 나타내는 복합 스트레스를 통해 신뢰도를 예측하는 전자부품 예측단계; 및 예측 대상 품목이 전자부품이 아닌 경우, 기계부품으로 판단하여 신뢰도를 예측하는 기계부품 예측단계를 적어도 하나 수행할 수 있다. 여기서, 전자부품은 기 저장된 부품 정보와 비교를 통해 전자부품인지 아닌지를 판단할 수 있으며, 반드시 이에 한정되는 것은 아니다.The third prediction step is an electronic component prediction step of predicting reliability through complex stresses representing failure mechanisms that may occur in a variable environment when the prediction target item is an electronic component; And if the prediction target item is not an electronic component, at least one mechanical component prediction step of predicting reliability by determining it to be a mechanical component may be performed. Here, whether the electronic component is an electronic component can be determined through comparison with pre-stored component information, but is not necessarily limited to this.

전자부품 예측단계는 복합 스트레스인 경우, 고장률 혼합 방식을 적용하여 고장률을 예측하고, 고장률 혼합 방식의 적용이 불가능한 경우 217 PLUS, FIDES 순으로 우선순위를 두어 신뢰도 예측을 수행할 수 있다. 또한, 전자부품 예측단계는 복합 스트레스가 아닌 단일 스트레스인 경우, 가변환경을 대표하는 명목 환경 수준을 산출하여 217F를 우선시하여 고장률을 예측하고, 규격 혼합 방식의 적용이 불가능한 경우 규격혼합방식, EPRD 순으로 우선순위를 두어 신뢰도를 산출할 수 있다.In the electronic component prediction stage, in the case of complex stress, the failure rate can be predicted by applying the failure rate mixed method. If the failure rate mixed method cannot be applied, reliability prediction can be performed by prioritizing in the order of 217 PLUS and FIDES. In addition, in the electronic component prediction stage, in the case of a single stress rather than a complex stress, the nominal environmental level representing the variable environment is calculated and the failure rate is predicted by prioritizing 217F. If the standard mixing method cannot be applied, the standard mixing method is used, followed by EPRD. Reliability can be calculated by prioritizing.

복합 스트레스는 명목 환경 수준, 기계적 스트레스, 온도 스트레스, 전압/전류 스트레스를 적어도 하나 포함할 수 있다.The composite stress may include at least one of nominal environmental level, mechanical stress, temperature stress, and voltage/current stress.

명목 환경 수준은 진동을 활용하여 산출하고, 기계적 스트레스는 마이너 룰(Miner rule)을 활용하여 산출하며, 온도 스트레스는 아레니우스식을 활용하여 산출하고, 전압/전류 스트레스는 역 제곱 법칙을 활용하여 산출할 수 있다.Nominal environmental level is calculated using vibration, mechanical stress is calculated using the Miner rule, temperature stress is calculated using the Arrhenius equation, and voltage/current stress is calculated using the inverse square law. It can be calculated.

기계부품 예측단계는 NSWC를 우선순위로 두어 신뢰도 예측을 수행하고, NSWC에 상기 예측 대상 품목이 존재하지 않는 경우 NPRD를 이용하여 신뢰도 예측을 수행할 수 있다.In the machine parts prediction step, reliability prediction is performed by prioritizing NSWC, and if the prediction target item does not exist in NSWC, reliability prediction can be performed using NPRD.

보정 단계(S130)는 예측 대상 품목이 상용(commercial)인 경우, 규격의 혼합 또는 계수조정을 포함하는 상용 보정 규격을 적용하여 신뢰도 예측 값을 보정하여 신뢰도 보정 값을 산출하는 단계; 및 복수의 품목에 따른 고장모드 및 데이터를 포함하는 FMD를 적용하여, FMD를 기반으로 고장 모드 매커니즘의 분포를 고려하여 신뢰도 예측 값을 보정하여 신뢰도 보정 값을 산출하는 단계를 포함한다.The correction step (S130) is a step of calculating a reliability correction value by correcting the reliability prediction value by applying a commercial correction standard including mixing or coefficient adjustment of specifications when the prediction target item is commercial; And applying FMD including failure modes and data according to a plurality of items, and calculating a reliability correction value by correcting the reliability prediction value considering the distribution of the failure mode mechanism based on the FMD.

보정 단계(S130)는 환경 조건에 따른 변환을 더 고려하도록 보정 계수를 이용하여 상기 신뢰도 예측 값을 보정하는 단계를 더 포함할 수 있다. 환경 조건에 따른 보정 계수는 환경이 변환될 때의 환경 보정 계수, 온도가 변환될 때의 온도 보정 계수 및 예측 대상의 부품의 품질이 변환될 때의 부품 품질 계수를 적어도 하나 포함할 수 있다.The correction step (S130) may further include correcting the reliability prediction value using a correction coefficient to further consider conversion according to environmental conditions. The correction coefficient according to the environmental condition may include at least one environmental correction coefficient when the environment is converted, a temperature correction coefficient when the temperature is converted, and a part quality coefficient when the quality of the predicted part is converted.

보정 단계(S130)는 환경 조건에 따른 변환을 더 고려하여 신뢰도 예측 값을 보정하는 단계 또는 예측 대상 품목과 유사한 유사 품목 데이터 보유 여부를 기반으로 신뢰도 예측을 수행하는 제2 예측단계를 수행한 후, NOC를 적용하여 최종적으로 신뢰도 보정 값을 산출할 수 있다. 여기서, NOC는 NOC 고장간 평균시간(MTBF), NOC 부품 수와 전체 부품 수를 기반으로 산출될 수 있다.The correction step (S130) is a step of correcting the reliability prediction value by further considering conversion according to environmental conditions, or a second prediction step of performing a reliability prediction based on whether similar item data similar to the prediction target item is possessed, By applying NOC, the final reliability correction value can be calculated. Here, NOC can be calculated based on NOC mean time between failures (MTBF), number of NOC parts, and total number of parts.

도 1에서는 각각의 과정을 순차적으로 실행하는 것으로 개재하고 있으나 이는 예시적으로 설명한 것에 불과하고, 이 분야의 기술자라면 본 발명의 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 1에 기재된 순서를 변경하여 실행하거나 또는 하나 이상의 과정을 병렬적으로 실행하거나 다른 과정을 추가하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이다.In Figure 1, it is shown that each process is executed sequentially, but this is only an illustrative explanation, and those skilled in the art can change the order shown in Figure 1 and execute it without departing from the essential characteristics of the embodiments of the present invention. Alternatively, it may be applied through various modifications and modifications, such as executing one or more processes in parallel or adding other processes.

도 2는 본 발명의 일 실시 예에 따른 무기체계의 신뢰도 예측 방법을 자세히 나타내는 흐름도이다.Figure 2 is a flowchart detailing a method for predicting reliability of a weapon system according to an embodiment of the present invention.

신뢰도 예측 방법은 종래의 문제점들을 고려하여 유사성 기법, 복합 스트레스, ANSI/VITA, FMD, 환경 조건 보정 및 NOC 적용한 신뢰도 예측 모델을 이용하여 제품의 신뢰도를 예측할 수 있다.The reliability prediction method can predict the reliability of a product using a reliability prediction model that considers conventional problems and applies similarity techniques, complex stress, ANSI/VITA, FMD, environmental condition correction, and NOC.

도 2를 참고하면, 신뢰도 예측 방법은 BOM을 확보하는 단계(S210) 및 데이터를 확보하는 단계(S212)를 수행한다.Referring to Figure 2, the reliability prediction method performs a step of securing a BOM (S210) and a step of securing data (S212).

BOM을 확보하는 단계(S210)는 신뢰도 예측을 진행할 예측 대상의 BOM을 확보할 수 있다. 여기서, BOM은 모든 품목에 대해 상위 품목과 부품의 관계와 사용량, 단위 등을 표시한 리스트, 도표, 또는 그림 등을 나타낸다. 상위 품목은 하나 이상의 부품으로 제조되는 품목이고, 부품은 상위 품목으로 전환되기 위해 적어도 하나 이상의 공정을 거쳐야 하는 품목이다.In the step of securing the BOM (S210), the BOM of the prediction target for reliability prediction can be secured. Here, the BOM represents a list, chart, or picture that shows the relationship between parent items and parts, usage amount, and units for all items. A higher level item is an item manufactured from one or more parts, and a part is an item that must go through at least one or more processes to be converted into a higher level item.

데이터를 확보하는 단계(S212)는 선정된 신뢰도 예측 대상 품목에 대해서 기술 데이터를 확보할 수 있다. 여기서, 기술 데이터는 카탈로그, 도면 등을 나타낼 수 있으며, 반드시 이에 한정되는 것은 아니다.In the data securing step (S212), technical data can be secured for the selected item subject to reliability prediction. Here, technical data may represent catalogs, drawings, etc., but is not necessarily limited thereto.

구체적으로, 신뢰도 예측 방법은 신뢰도 예측을 진행할 예측 대상의 BOM을 확보하고, BOM을 기반으로 선정된 예측 대상 품목에 대한 기술 데이터를 확보한다.Specifically, the reliability prediction method secures the BOM of the prediction target for reliability prediction and secures technical data for the prediction target item selected based on the BOM.

신뢰도 예측 방법은 단계 S210 및 단계 S212를 수행한 후, 필드 데이터를 분석하는 단계(S220) 및 유사 장비 데이터를 분석하는 단계(S230)를 수행한다.The reliability prediction method performs steps S210 and S212, followed by analyzing field data (S220) and analyzing similar equipment data (S230).

필드 데이터를 분석하는 단계(S220)는 필드 데이터를 사용하여 고장률 값을 예측하고, 유사 장비 데이터를 분석하는 단계(S230)는 유사부품 데이터를 사용하여 고장률 값을 예측할 수 있다.In the step of analyzing field data (S220), the failure rate value can be predicted using the field data, and in the step of analyzing similar equipment data (S230), the failure rate value can be predicted using similar part data.

구체적으로, 신뢰도 예측 방법은 단계 S220에서, 필드 데이터가 있는 경우 데이터 사용에 있어 가장 우선시하여 고장률 값을 예측하고, 필드 데이터가 없는 경우 단계 S230를 수행한다. 따라서, 필드 데이터가 없는 경우, 단계 S230에서, 유사부품 데이터를 사용하여 고장률 값을 예측한다.Specifically, in the reliability prediction method, in step S220, if there is field data, the failure rate value is predicted with the highest priority in data use, and if there is no field data, step S230 is performed. Therefore, if there is no field data, in step S230, the failure rate value is predicted using similar part data.

필드 데이터를 분석하는 단계(S220)는 신뢰도 예측 대상 품목에 대해 필드 데이터가 있을 경우, 이를 사용하여 신뢰도 예측을 수행한다. 이를 위해서는 필드 데이터의 정확한 데이터 기입과 자료 수집, 데이터 기입 방법 표준화 등이 필요할 수 있다. In the step of analyzing field data (S220), if there is field data for the item subject to reliability prediction, reliability prediction is performed using this. This may require accurate data entry and data collection of field data, and standardization of data entry methods.

본 발명의 일 실시예에 따르면, 필드 데이터를 분석하는 단계(S220)는 미니탭, R, SAS 등 통계 프로그램을 사용하여 필드 데이터를 전처리 후 모델링하여 신뢰도를 예측할 수 있다.According to one embodiment of the present invention, in the step of analyzing field data (S220), reliability can be predicted by pre-processing and modeling the field data using a statistical program such as Minitab, R, or SAS.

유사 부품 데이터를 분석하는 단계(S230)는 예측하고자 하는 부품과 유사한 부품이 존재하고, 유사 부품에 관한 데이터를 보유하고 있을 경우, 이를 활용 하여 신뢰도를 예측할 수 있다.In the step of analyzing similar parts data (S230), if there are parts similar to the part to be predicted and data on similar parts are available, reliability can be predicted using this.

신뢰도 예측 방법은 예측 대상 품목에 따른 유사 부품 데이터를 보유하고 있는 경우, 유사성 기법을 수행하는 단계(S232)를 수행할 수 있다.When the reliability prediction method has similar parts data according to the prediction target item, a step of performing a similarity technique (S232) can be performed.

유사성 기법을 수행하는 단계(S232)는 3가지 방법을 이용하여 예측을 수행할 수 있으며, 반드시 이에 한정되는 것은 아니다. 유사성 기법을 수행하는 단계(S232)는 유사 장비 데이터, 복잡성인자, 환경인자 및 기타인자를 활용하여 신뢰도 예측을 수행하는 제1 유사 예측단계, 예측 대상 품목 업체의 고장간 평균시간 자료를 활용하여 신규 장비 신뢰도 예측을 수행하는 제2 유사 예측단계 및 운영조건별 고장률과 시간을 통해 신뢰도 예측을 수행하는 제3 유사 예측단계를 적어도 하나 수행하여 신뢰도를 예측할 수 있다.In the step of performing the similarity technique (S232), prediction can be performed using three methods, but is not necessarily limited to these. The step of performing the similarity technique (S232) is the first similarity prediction step, which performs reliability prediction using similar equipment data, complexity factors, environmental factors, and other factors, and uses the average time between failure data of the prediction target item company to create a new product. Reliability can be predicted by performing at least one second pseudo-prediction step that performs equipment reliability prediction and a third pseudo-prediction step that performs reliability prediction through failure rate and time for each operating condition.

제1 예측 단계는 하기 수학식 3을 참고하여 신뢰도 예측을 수행할 수 있다.In the first prediction step, reliability prediction can be performed by referring to Equation 3 below.

상술한 수학식 3에서, MTBF는 예측 대상 품목의 고장간 평균시간(MTBF, Mean Time Between Failure)을 나타낸다. 고장간 평균시간(MTBF, Mean Time Between Failure)은 고장 발생의 평균 시간을 나타낸다.In Equation 3 above, MTBF represents the mean time between failure (MTBF) of the predicted item. Mean Time Between Failure (MTBF) represents the average time for failure to occur.

유사 품목 MFTBF는 유사 품목의 평균 비행 고장 시간을 나타내며, 여기서, 평균 비행 고장 시간은 비행 시간(Flight hours) / 본질적인 고장(Inherent failure) 시간으로 나타낼 수 있다. Similar item MFTBF represents the average flight failure time of similar items, where the average flight failure time can be expressed as flight hours / intrinsic failure time.

복합성인자는 예측 대상 품목 MTBF / 유사 품목 MTBF로 나타내고, MTBF는 하위 구성품 수, 면적, 직경 등으로 대체가 가능하다.Complex adult factors are expressed as prediction target item MTBF / similar item MTBF, and MTBF can be replaced by the number of sub-components, area, diameter, etc.

환경인자는 진동, 온도, 습도 등을 나타낼 수 있다.Environmental factors may represent vibration, temperature, humidity, etc.

기타인자는 품목의 사용 빈도를 나타낼 수 있다.Other factors may indicate the frequency of use of the item.

따라서, 제1 예측 단계는 예측 대상 품목의 신뢰도 예측을 유사 장비 데이터, 복잡성 인자, 환경인자 및 기타인자를 활용하여 수행할 수 있다.Therefore, in the first prediction step, reliability prediction of the prediction target item can be performed using similar equipment data, complexity factors, environmental factors, and other factors.

제2 예측 단계는 하기 수학식 4를 참고하여 신뢰도 예측을 수행할 수 있다.In the second prediction step, reliability prediction can be performed by referring to Equation 4 below.

상술한 수학식 4에서, MFTBF는 예측 대상 품목의 평균 비행 고장 시간(MFTBF, Mean Flight Time Between Failure)을 나타낸다.In Equation 4 above, MFTBF represents the Mean Flight Time Between Failure (MFTBF) of the predicted item.

예측 대상 품목 MTBF는 예측 대상 품목의 고장간 평균시간을 나타낸다.The prediction target item MTBF represents the average time between failures of the prediction target item.

K factor는 구성품 업체의 고장간 평균시간(MTBF) 운영 자료 / 운영 고장간 평균시간(MTBF)을 나타낸다.K factor represents the component company's mean time between failures (MTBF) operational data / operational mean time between failures (MTBF).

따라서, 제2 예측 단계는 예측 대상 품목의 신뢰도 예측을 K factor를 활용하여 수행할 수 있다.Therefore, in the second prediction step, the reliability of the prediction target item can be predicted using the K factor.

제3 예측 단계는 하기 수학식 5를 참고하여 신뢰도 예측을 수행할 수 있다.In the third prediction step, reliability prediction can be performed by referring to Equation 5 below.

상술한 수학식 5에서, MTBF는 예측 대상 품목의 고장간 평균시간(MTBF, Mean Time Between Failure)을 나타낸다. 는 공중 회전 날개의 고장률(Failure rate in airborne rotary wing)을 나타내고, 는 지상 고정 환경에서의 고장률(Failure rate in ground fixed environment)을 나타내며, 는 스토리지 고장률(작동하지 않음)(Failure rate in storage (Not operating))을 나타내고, 는 연간 비행 수(Number of flight hour per year)를 나타내며, 는 연간 지상 운영 수(Number of operating hours on ground per year)를 나타내고, 는 연간 작동하지 않는 수(Number of non-operating hours per year)를 나타낸다.In Equation 5 above, MTBF represents the Mean Time Between Failure (MTBF) of the predicted item. represents the failure rate in airborne rotary wing, represents the failure rate in ground fixed environment, represents the failure rate in storage (Not operating), represents the number of flight hours per year, represents the number of operating hours on ground per year, represents the number of non-operating hours per year.

따라서, 제3 예측 단계는 예측 대상 품목의 신뢰도 예측을 운영조건별 고장률과 시간을 활용하여 수행할 수 있다.Therefore, the third prediction step can be performed by predicting the reliability of the predicted item using the failure rate and time for each operating condition.

신뢰도 예측 방법은 예측 대상 품목에 따른 유사 부품 데이터를 보유하고 있지 않은 경우, 예측 규격 적용 단계(S234) 및 전자부품 여부 확인 단계(S236)를 수행할 수 있다.When the reliability prediction method does not have similar parts data according to the prediction target item, the prediction standard application step (S234) and the electronic component confirmation step (S236) can be performed.

전자부품 여부 확인 단계(S236)를 통해 예측 대상 품목이 전자부품인 경우 복합 스트레스 예측 단계(S240)를 수행하며, 예측 대상 품목이 전자부품이 아닌 경우, 기계부품으로 판단하는 단계(S250)를 수행할 수 있다.If the predicted item is an electronic part through the electronic component confirmation step (S236), a complex stress prediction step (S240) is performed. If the predicted item is not an electronic component, a step of determining that it is a mechanical part (S250) is performed. can do.

복합 스트레스 예측 단계(S240)는 예측 대상 품목이 전자부품의 경우 가변환경 여부를 우선 판단한다. 복합 스트레스는 가변환경에서 발생 가능한 고장 메커니즘을 나타내며, 다수일 경우 단계 S242를 수행하고, 단일인 경우 단계 S244를 수행할 수 있다.In the complex stress prediction step (S240), if the predicted item is an electronic component, it is first determined whether the environment is variable. Complex stress represents a failure mechanism that can occur in a variable environment. If there are multiple stresses, step S242 can be performed, and if it is single, step S244 can be performed.

단계 S242는 가변환경에서 발생 가능한 고장 메커니즘이 다수일 경우(복합 스트레스)에는 고장률 혼합방법을 적용한다. 고장률 혼합방법 적용이 불가능할 경우 217 PLUS, FIDES 순으로 우선순위를 두어 고장률 예측을 수행한다. Step S242 applies the failure rate mixing method when there are multiple failure mechanisms that can occur in a variable environment (complex stress). If it is impossible to apply the failure rate mixed method, failure rate prediction is performed by prioritizing 217 PLUS and FIDES in that order.

단계 S244는 고장 메커니즘이 하나인 경우(단일 스트레스)에는 가변환경을 대표하는 명목 환경 수준을 산출하여 고장률을 구한다. 이 경우 217F를 우선시하여 적용한다. 규격혼합방식을 불가능할 경우 규격혼합방식, EPRD 순으로 우선순위를 두어 고장률을 산출한다. 여기서, 명목환경 수준은 진동 등, 기계적 스트레스는 마이너 룰(Miner rule), 온도 스트레스는 아레니우스식, 전압/전류는 역 제곱 법칙 등을 활용하여 산출할 수 있으며, 반드시 이에 한정되는 것은 아니다. In step S244, if there is only one failure mechanism (single stress), the failure rate is obtained by calculating the nominal environmental level representing the variable environment. In this case, 217F is applied with priority. If the standard mixing method is not possible, the failure rate is calculated by prioritizing the standard mixing method and EPRD in that order. Here, the nominal environmental level can be calculated using vibration, etc., mechanical stress using the Minor rule, temperature stress using the Arrhenius equation, and voltage/current using the inverse square law, etc., but is not necessarily limited thereto.

예측 대상 품목이 전자부품이 아닌 경우, 기계부품으로 판단하는 단계(S250)는 예측 대상 품목을 기계부품으로 판단 후, 단계 S252를 수행한다.If the prediction target item is not an electronic part, the step S250 of determining the prediction target item is a mechanical part, and then step S252 is performed.

단계 S252는 예측 대상 품목이 기계부품의 경우 NSWC를 우선순위로 두어 고장률을 예측한다. NSWC에 부품이 존재하지 않을 경우에는 NPRD를 사용하여 신뢰도를 예측한다.Step S252 predicts the failure rate by prioritizing NSWC when the prediction target item is a mechanical part. If a part does not exist in NSWC, the reliability is predicted using NPRD.

신뢰도 예측 방법은 상술한 과정을 통해 신뢰도 예측을 수행한 후, 상용(commercial) 여부를 확인하는 단계(S260)를 더 수행한다.The reliability prediction method performs reliability prediction through the above-described process and then further performs a step (S260) to check whether it is commercial.

신뢰도 예측 방법은 상용(commercial) 여부를 확인하는 단계(S260)를 통해 예측 대상 품목이 상용인 경우 ANSI/VITA를 적용하는 단계(S262)를 수행하고, FMD를 적용하는 단계(S264)를 수행한다.The reliability prediction method includes a step of checking whether the prediction target item is commercial (S260), a step of applying ANSI/VITA (S262) if the predicted item is commercial, and a step of applying FMD (S264). .

ANSI/VITA를 적용하는 단계(S262)는 제품이 commercial일 경우, 미국에서 상업용 제품을 생산하는 기업체들이 217F의 단점을 극복하기 위하여 실제 경험을 바탕으로 규격의 혼합, 217F 고장률 모델의 계수조정 등의 새로운 대안을 제시한 예측 모델인 ANSI/VITA를 적용하여 신뢰도 보정 값을 산출할 수 있다. 여기서, ANSI/VITA는 상용 보정 규격을 나타낸다.The step of applying ANSI/VITA (S262) is when the product is commercial, companies producing commercial products in the United States mix standards based on actual experience and adjust coefficients of the 217F failure rate model to overcome the shortcomings of 217F. The reliability correction value can be calculated by applying ANSI/VITA, a prediction model that presents a new alternative. Here, ANSI/VITA represents a commercial calibration standard.

예측 대상 품목이 상용이 아닌 경우 FMD를 적용하는 단계(S264)는 문헌 조사, 유지 보수 데이터, 고장분석 보고서 등을 바탕으로 수년에 걸쳐 전기, 전자, 기계 및 전기 기계적 부품과 조립품들의 고장모드와 데이터를 모아놓은 FMD를 바탕으로 부품의 고장 모드 매커니즘의 분포를 고려하여 신뢰도 예측값을 보정하여 신뢰도 보정 값을 산출할 수 있다. 즉, FMD를 통하여 기술의 발전이나 엔지니어의 판단을 고려한 신뢰도 예측을 수행할 수 있다. 여기서, FMD는 고장 모드 분포(Failure Mode Distribution)를 나타낸다.If the predicted item is not commercially available, the step of applying FMD (S264) is to analyze the failure modes and data of electrical, electronic, mechanical, and electromechanical parts and assemblies over several years based on literature research, maintenance data, and failure analysis reports. Based on the collected FMD, the reliability correction value can be calculated by correcting the reliability prediction value by considering the distribution of the failure mode mechanism of the component. In other words, through FMD, reliability prediction can be performed taking into account technological developments or engineers' judgment. Here, FMD represents Failure Mode Distribution.

신뢰도 예측 방법은 상용 여부를 확인하여 신뢰도 예측 값에 따른 보정을 수행한 후, 환경 조건 보정을 수행하는 단계(S270)를 수행한다.The reliability prediction method checks whether it is commercially available, performs correction according to the reliability prediction value, and then performs a step of performing environmental condition correction (S270).

환경 조건 보정을 수행하는 단계(S270)는 예측 대상이 완전히 다른 환경에서 사용되거나 규정과 다른 신뢰성 변수를 정의하거나 사용할 수 있기 때문에 다양한 신뢰성 변수를 다른 환경조건으로 변환하는 것이 필요하다. 이 경우 환경 조건 보정은 보정 계수(Conversion factor)를 사용해 신뢰도 예측 값을 보정할 수 있다.In the step of performing environmental condition correction (S270), it is necessary to convert various reliability variables into different environmental conditions because the prediction target may be used in a completely different environment or may define or use reliability variables different from regulations. In this case, environmental condition correction can correct the reliability prediction value using a conversion factor.

도 3은 본 발명의 일 실시 예에 따른 무기체계의 신뢰도 예측 방법의 환경 조건 보정에서의 보정 계수를 나타내는 도면이다.Figure 3 is a diagram showing correction coefficients in environmental condition correction of the method for predicting reliability of a weapon system according to an embodiment of the present invention.

도 3의 (a)는 본 발명의 일 실시 예에 따른 환경 보정 계수를 나타내는 도면이고, 도 3의 (b)는 본 발명의 일 실시 예에 따른 온도 보정 계수를 나타내는 도면이며, 도 3의 (c)는 본 발명의 일 실시 예에 따른 부품 품질 보정 계수를 나타내는 도면이다.Figure 3 (a) is a diagram showing an environmental correction coefficient according to an embodiment of the present invention, and Figure 3 (b) is a diagram showing a temperature correction coefficient according to an embodiment of the present invention, and in Figure 3 ( c) is a diagram showing a component quality correction coefficient according to an embodiment of the present invention.

도 3의 (a)를 참고하여, 환경 조건 보정을 수행하는 단계(S270)는 상용 여부를 기반으로 보정된 보정 값에 환경 보정 계수를 더 활용하여 신뢰도 보정 값을 산출할 수 있다.Referring to (a) of FIG. 3, in the step of performing environmental condition correction (S270), a reliability correction value can be calculated by further utilizing an environmental correction coefficient in the correction value corrected based on commercial availability.

도 3의 (b)를 참고하여, 환경 조건 보정을 수행하는 단계(S270)는 상용 여부를 기반으로 보정된 보정 값에 온도 보정 계수를 더 활용하여 신뢰도 보정 값을 산출할 수 있다.Referring to (b) of FIG. 3, in the step of performing environmental condition correction (S270), a reliability correction value can be calculated by further utilizing a temperature correction coefficient in the correction value corrected based on commercial availability.

도 3의 (c)를 참고하여, 환경 조건 보정을 수행하는 단계(S270)는 상용 여부를 기반으로 보정된 보정 값에 부품 보정 계수를 더 활용하여 신뢰도 보정 값을 산출할 수 있다.Referring to (c) of FIG. 3, in the step of performing environmental condition correction (S270), a reliability correction value can be calculated by further utilizing the component correction coefficient in the correction value corrected based on commercial availability.

도 2를 참고하면, 신뢰도 예측 방법은 NOC 적용 단계(S280)를 수행할 수 있다. NOC 적용 단계(S280)는 유사 부품 데이터를 보유함에 따라 유사성 기법을 수행하는 단계(S232)를 수행한 후, 또는 환경 조건 보정을 수행하는 단계(S270)를 수행한 후, NOC 개념을 활용하여 최종적으로 신뢰도 보정 값을 산출할 수 있다.Referring to FIG. 2, the reliability prediction method may perform a NOC application step (S280). The NOC application step (S280) is performed after performing the step of performing a similarity technique (S232) according to holding similar part data, or performing the step of performing environmental condition correction (S270), and then using the NOC concept to make a final decision. The reliability correction value can be calculated.

본 발명의 일 실시예에 따르면, NOC 적용 단계(S280)는 NOC 개념을 활용하여 신뢰도 예측을 실시한다. NOC는 WUC의 다섯 번째 위치에 9가 표시되거나 네 번째 또는 다섯 번째 위치에 99가 표시되는 항목으로 작업이 필요한 서브 시스템의 구성요소 또는 항목이 작업단위로 코팅되지 않는 경우에만 사용될 수 있다. 브라켓, 너트, 볼트, 튜브 등과 같은 마이너 부품을 NOC로 분류하여 신뢰도를 예측할 수 있다. NOC항목은 하위 시스템과 관련 있으며, 작업이 필요한 하위시스템의 구성요소 또는 항목이 작업단위로 이루어지지 않을 때만 사용한다. 이때, NOC는 NOC MTBF (NOC부품 수) / (전체 부품 수)로 계산한다.According to one embodiment of the present invention, the NOC application step (S280) performs reliability prediction using the NOC concept. The NOC is an item marked with a 9 in the fifth position of the WUC or a 99 in the fourth or fifth position and may only be used if the component or item of the subsystem requiring work is not coated with a work unit. Reliability can be predicted by classifying minor parts such as brackets, nuts, bolts, tubes, etc. into NOC. NOC items are related to subsystems and are used only when the components or items of the subsystem that require work are not made up of work units. At this time, NOC is calculated as NOC MTBF (Number of NOC parts) / (Total number of parts).

신뢰도 예측 방법은 상술한 과정을 수행하여 최종 MTBF 값을 산출하는 단계(S290)를 수행할 수 있다.The reliability prediction method may perform the step (S290) of calculating the final MTBF value by performing the above-described process.

도 4는 본 발명의 일 실시 예에 따른 서로 용도가 다른 패널의 정보를 나타내는 도면이다.Figure 4 is a diagram showing information on panels with different purposes according to an embodiment of the present invention.

도 5는 본 발명의 일 실시 예에 따른 유사 장비 데이터를 활용한 검증 결과를 나타내는 그래프이다.Figure 5 is a graph showing verification results using similar equipment data according to an embodiment of the present invention.

신뢰도 예측 모델의 검증은 유사 품목 데이터 활용 및 예측 규격을 활용하여 검증이 수행될 수 있다. 검증은 도 4의 a와 b에 따른 정보를 기반으로 이루어질 수 있다.Verification of the reliability prediction model can be performed using similar item data and prediction specifications. Verification can be done based on information according to a and b in FIG. 4.

제안한 모델 중 유사 장비 데이터를 활용한 예측의 정확성을 검증한다. 제안한 모델에 따라 유사 장비 데이터가 있는 경우, 유사성 기법을 활용하고, NOC를 통해 체결류들의 MTBF값을 보정한다.Among the proposed models, we verify the accuracy of predictions using similar equipment data. If there is similar equipment data according to the proposed model, the similarity technique is used and the MTBF values of fasteners are corrected through NOC.

신뢰도 예측 모델의 검증은 도 2의 단계 S210, S212, S220, S230, S232, S280, S290을 순차적으로 수행하여 유사 장비 데이터를 활용한 검증을 수행할 수 있다.The reliability prediction model can be verified using similar equipment data by sequentially performing steps S210, S212, S220, S230, S232, S280, and S290 of FIG. 2.

BOM를 확보(S210)는 b에 대한 예측을 진행하고자 b를 구성하고 있는 부품들의 목록(BOM)을 A 시스템 분석보고서에서 입수한다.Securing the BOM (S210) obtains the list of parts (BOM) that constitutes b from the A system analysis report in order to make a prediction for b.

데이터 확보(S212)는 b를 구성하고 있는 부품 목록의 전압, 전류, 온도 등이 포함되어있는 기술자료를 확보한다.Data acquisition (S212) secures technical data including voltage, current, temperature, etc. of the parts list that constitutes b.

필드데이터 분석(S220)은 b 이전에서 직접 운용된 데이터(필드데이터)가 존재한다면, 필드데이터를 그대로 활용한다. 하지만, b의 필드데이터는 없으므로 다음 프로세스로 넘어간다.Field data analysis (S220) uses the field data as is, if there is data (field data) directly operated before b. However, since there is no field data for b, it moves on to the next process.

유사 부품 데이터 분석(S230)은 A 시스템 분석 보고서 중 도 4에 기재되어있는 서로 용도가 다른 패널 a와 b를 유사장비로 간주하고 이를 수학식 3을 참고하여 신뢰도를 예측한다. 이때, A 시스템은 특히, 유사장비데이터 및 복잡성 인자를 고려해야 하기 때문에 수학식 3에 따른 기법을 사용한다. 이는 유사성 기법(S232)을 통해 수행된다.Similar parts data analysis (S230) considers panels a and b with different purposes shown in Figure 4 of the A system analysis report as similar equipment and predicts reliability by referring to Equation 3. At this time, system A uses the technique according to Equation 3 because it must especially consider similar equipment data and complexity factors. This is performed through a similarity technique (S232).

따라서, 수학식 3을 참고하면, 예측 대상 부품 MTBF = 유사 부품 MFTBF Х 복잡성인자 Х 환경인자 Х 기타인자에 대입하여 4,993.294 = 12,839.9 Х 14/36 Х 0.5 Х 2 와 같은 값을 산출할 수 있다. 구체적으로, a의 필드 값 12,839.9에 복잡성 인자(품목 수 비율: 14/36), 환경 인자(0.5), 진동 인자(2)를 곱하여 4,993.294이 산출된다.Therefore, referring to Equation 3, by substituting the prediction target part MTBF = similar part MFTBF Х complexity factor Х environmental factor Х other factors, a value such as 4,993.294 = 12,839.9 Х 14/36 Х 0.5 Х 2 can be calculated. Specifically, the field value of a, 12,839.9, is multiplied by the complexity factor (number of items ratio: 14/36), the environmental factor (0.5), and the vibration factor (2), resulting in 4,993.294.

NOC 적용(S280)은 b의 경우 14개의 부품 중 6개의 NOC로 이루어져 있으므로 6/14을 곱하여 NOC만의 값이 2,139.983 임을 도출한다. 도출한 NOC 값과 NOC를 제외한 값과의 신뢰도 예측을 진행한 결과 6,106.037이 산출된다.In the case of b, NOC application (S280) consists of 6 NOCs out of 14 parts, so the value of NOC alone is 2,139.983 by multiplying by 6/14. As a result of predicting reliability between the derived NOC value and the value excluding NOC, 6,106.037 is calculated.

최종 MTBF 산출(S290)은 b의 최종 MTBF 값은 6,106.037이 산출되었으며, 현 신뢰도 예측(16,233)보다 필드 값(6,419.9)에 더 정확하다는 것을 알 수 있다. The final MTBF calculation (S290) shows that the final MTBF value of b is 6,106.037, which is more accurate for the field value (6,419.9) than the current reliability prediction (16,233).

도 5와 같이 제안한 신뢰도 예측 모델이 현 신뢰도 예측보다 정확하다는 것을 보여준다.Figure 5 shows that the proposed reliability prediction model is more accurate than the current reliability prediction.

수치적으로 신뢰도(, t=1,000으로 가정)를 산출한 결과 필드값 대비 기존 신뢰도의 정확도는 90.12%인 반면에 제안한 신뢰도의 정확도는 99.20%임을 확인할 수 있다.Numerically reliable ( , assuming t=1,000), it can be seen that the accuracy of the existing reliability compared to the field value is 90.12%, while the accuracy of the proposed reliability is 99.20%.

도 6은 본 발명의 일 실시 예에 따른 유사데이터가 없는 경우의 검증 결과를 나타내는 그래프이다.Figure 6 is a graph showing verification results when there is no similar data according to an embodiment of the present invention.

제안한 프로세스 내에서 필드 데이터, 유사 장비 데이터가 모두 없는 경우, 예측 규격을 활용한 검증을 실시해야 한다. 두 번째 검증은 필드, 유사데이터가 없는 경우를 고려하여 c를 예측 규격을 활용하여 고장률 값을 산출을 수행한다. 규격을 활용한 예측 후 FMD, 환경조건, NOC 등을 활용하여 최종 MTBF를 산출할 수 있다.If there is no field data or similar equipment data within the proposed process, verification using predictive specifications must be performed. The second verification calculates the failure rate value using the prediction standard for c, considering the case where there is no field or similar data. After prediction using the standard, the final MTBF can be calculated using FMD, environmental conditions, NOC, etc.

신뢰도 예측 모델의 검증은 도 2의 단계 S210, S212, S220, S230, S234, S236, S240, S244, S260, S264, S270, S280, S290을 순차적으로 수행하여 유사 장비 데이터를 활용한 검증을 수행할 수 있다.Verification of the reliability prediction model can be performed using similar equipment data by sequentially performing steps S210, S212, S220, S230, S234, S236, S240, S244, S260, S264, S270, S280, and S290 in Figure 2. You can.

BOM 입수(S210)는 c에 대한 예측을 진행하고자 c를 구성하고 있는 부품들의 목록(BOM)을 A 시스템 분석보고서에서 입수한다.Obtaining BOM (S210) obtains the list of parts (BOM) constituting c from the A system analysis report in order to predict c.

데이터 확보(S212)는 c를 구성하고 있는 부품 목록의 전압, 전류, 온도 등이 포함되어있는 기술자료를 확보한다.Data acquisition (S212) secures technical data including voltage, current, temperature, etc. of the parts list that constitutes c.

필드데이터 분석(S220)은 c 이전에서 직접 운용된 데이터(필드 데이터)가 존재한다면, 필드 데이터를 그대로 활용한다. 하지만 b의 필드데이터는 없으므로 다음 프로세스로 넘어간다.Field data analysis (S220) uses the field data as is, if there is data (field data) directly operated before c. However, since there is no field data for b, it moves on to the next process.

유사 부품 데이터 분석(S230)은 A 시스템 분석 보고서 중 c와 유사한 장비가 없음으로 다음 프로세스로 넘어간다.Similar parts data analysis (S230) proceeds to the next process as there is no equipment similar to c in the A system analysis report.

예측 규격 적용(S234)은 필드 데이터와 유사 부품 데이터가 존재하지 않음으로 예측규격을 사용한다.Application of predicted standards (S234) uses predicted standards because field data and similar parts data do not exist.

전자부품(S236)은 c의 경우, 전자부품으로만 이루어져있기 때문에 전자부품 규격서를 사용하여 예측을 진행한다.In the case of c, the electronic component (S236) is made up of only electronic components, so prediction is made using the electronic component specifications.

복합 스트레스(S240)는 A 시스템의 경우 한 가지의 스트레스를 고려하고 있기 때문에 복합 스트레스를 고려하지 않은 프로세스로 넘어간다.In the case of system A, complex stress (S240) considers only one stress, so it moves on to a process that does not consider complex stress.

217F(S244)는 데이터 확보(S212)에서 확보하였던 기술자료를 이용하여 각 부품의 온도, 정격전압, 전류, 환경 등을 적용하여 수학식 6에 대입한다.217F (S244) uses the technical data obtained in data acquisition (S212) to apply the temperature, rated voltage, current, and environment of each component and substitute them into Equation 6.

상술한 수학식 6에 대입한 후 c의 MTBF를 예측한 결과 23,214가 산출된다.After substituting the above-mentioned equation 6, the MTBF of c is predicted and the result is 23,214.

ANSI/VITA(S262)는 ANSI/VITA는 부품이 상용(commercial)인 경우, 사용이 된다. 하지만 c의 경우 상용(commercial)이 아닌 군수품으로 이루어져 있으므로 ANSI/VITA를 적용하지 않는다.ANSI/VITA (S262) ANSI/VITA is used when the parts are commercial. However, in the case of c, ANSI/VITA does not apply because it is made up of military supplies rather than commercial products.

FMD 고려(S264)는 F 전자제품의 많은 사용으로 커넥터는 더욱더 다양한 환경에서 사용되고 있음을 고려하여 과거보다 Mechanical Failure가 60%정도 증가했다고 가정해 계산한 예측값이다. (10.92% -> 24.3%) 이를 c의 connector 계산에 반영한 결과 19,345이 산출된다. (기존고장률 x 1.2)FMD Consideration (S264) is a predicted value calculated assuming that Mechanical Failure has increased by about 60% compared to the past, considering that connectors are being used in more and more diverse environments due to the increased use of F electronic products. (10.92% -> 24.3%) When this is reflected in the connector calculation of c, 19,345 is calculated. (Existing failure rate x 1.2)

환경 조건 보정(S270)은 환경 조건이 AUC에서 ARW로 변화하였기 때문에 환경 보정 계수(conversion factor)를 통해 계산한 결과(18651 Х 0.8) MTBF는 15,476이 산출된다.Environmental condition correction (S270) was calculated using the environmental correction factor (conversion factor) because the environmental conditions changed from AUC to ARW (18651 Х 0.8), and the MTBF was calculated to be 15,476.

NOC 적용(S280)은 마지막으로 NOC를 사용해 예측값을 보정한다. c의 경우 57개의 부품 중 마이너 부품이 12개를 차지하고 있으므로 이에 맞게 계산하면 MTBF 값이 14,921로 산출된다.NOC application (S280) finally corrects the predicted value using NOC. In the case of c, 12 of the 57 parts are minor parts, so if calculated accordingly, the MTBF value is calculated as 14,921.

최종 MTBF 산출(S290)은 c의 최종 MTBF 값은 14921이 산출되었으며 현 신뢰도 예측(23,571)보다 필드 값(12,839.9)에 더 정확하다는 것을 도 6의 (a)를 참고하면 알 수 있다.The final MTBF calculation (S290) shows that the final MTBF value of c is 14921, which is more accurate for the field value (12,839.9) than the current reliability prediction (23,571), referring to (a) in Figure 6.

수치적으로 신뢰도(, t=1,000으로 가정)를 산출한 결과 필드 값 대비 기존 신뢰도의 정확도는 96.39%인 반면에 제안한 정확도는 98.90%임을 확인할 수 있다.Numerically reliable ( , assuming t=1,000), it can be seen that the accuracy of the existing reliability compared to the field value is 96.39%, while the proposed accuracy is 98.90%.

도 6의 (b)는 c와 동일한 방법으로 d, e를 개선된 모델을 활용하여 예측한 결과를 나타낸다. d의 필드값은 4,280이며, 217F를 활용한 예측값은 8,033이다. 제안한 예측 모델을 사용한 결과 5,886이 산출된다.Figure 6(b) shows the results of predicting d and e using the improved model in the same way as c. The field value of d is 4,280, and the predicted value using 217F is 8,033. The result of using the proposed prediction model is 5,886.

신뢰도(, t=1,000으로 가정)를 산출한 결과 필드값 대비 기존 신뢰도의 정확도는 88.47%인 반면에 제안한 신뢰도의 정확도는 93.42%임을 확인하였다.Reliability ( , assuming t=1,000), it was confirmed that the accuracy of the existing reliability compared to the field value was 88.47%, while the accuracy of the proposed reliability was 93.42%.

도 6의 (c)는 e의 필드값은 12,839.9이며, 217F를 활용한 예측값은 47,076이다. 제안한 예측 모델을 사용한 결과 23,003이 산출된다.In (c) of Figure 6, the field value of e is 12,839.9, and the predicted value using 217F is 47,076. The result of using the proposed prediction model is 23,003.

신뢰도(, t=1,000으로 가정)를 산출한 결과 필드값 대비 기존 신뢰도의 정확도는 94.17%인 반면, 제안한 신뢰도의 정확도는 96.50%임을 확인할 수 있다.Reliability ( , assuming t=1,000), it can be seen that the accuracy of the existing reliability compared to the field value is 94.17%, while the accuracy of the proposed reliability is 96.50%.

따라서, 이를 통해 제안한 모델을 이용한 예측값이 분석보고서 내의 예측값(217F)보다 필드 값과 더 유사하다는 것을 확인할 수 있다.Therefore, it can be confirmed that the predicted value using the proposed model is more similar to the field value than the predicted value (217F) in the analysis report.

도 7은 본 발명의 바람직한 실시예들에서 사용되기에 적합한 컴퓨팅 기기를 포함하는 무기체계의 신뢰도 예측 장치의 컴퓨팅 환경을 예시하여 설명하기 위한 블록도이다.FIG. 7 is a block diagram illustrating and illustrating a computing environment of a reliability prediction device for a weapon system including a computing device suitable for use in preferred embodiments of the present invention.

도 7은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 기기를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술되지 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.7 is a block diagram illustrating and illustrating a computing environment including computing devices suitable for use in example embodiments. In the illustrated embodiment, each component may have different functions and capabilities in addition to those described below, and may include additional components other than those described below.

도시된 컴퓨팅 환경은 신뢰도 예측 장치(10)를 포함한다. 일 실시예에서, 신뢰도 예측 장치(10)는 타 단말기와 신호를 송수신하는 모든 형태의 컴퓨팅 기기일 수 있다. 예를 들어, 신뢰도 예측 장치(10)는 컴퓨팅 디바이스로 구현될 수 있으며, 스마트폰(Smart Phone), 개인용 컴퓨터(Personal Computer, PC), 태블릿 PC(Tablet PC), 휴대용 개인정보 단말기(Personal Digital Assistant, PDA), 랩톱(Laptop) 등이 있을 수 있으나 이에 한정되는 것은 아니다.The illustrated computing environment includes a reliability prediction device 10. In one embodiment, the reliability prediction device 10 may be any type of computing device that transmits and receives signals with other terminals. For example, the reliability prediction device 10 may be implemented as a computing device, such as a smart phone, a personal computer (PC), a tablet PC, or a portable personal information assistant (Personal Digital Assistant). , PDA), laptop, etc., but is not limited thereto.

신뢰도 예측 장치(10)는 데이터베이스를 포함한다. 데이터베이스는 데이터의 검색, 추출, 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터의 저장형태를 의미한다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), 관계형 데이터베이스 관리시스템(Relational Data Base Management System, RDBMS), 겜스톤(Gemston), 오리온(Orion), 객체 지향형 데이타베이스 관리 시스템(Object Oriented Database Management System, OODBMS) 분산 데이터베이스, 클라우드 등을 이용하여 본 실시예의 목적에 맞게 구현될 수 있다.The reliability prediction device 10 includes a database. A database refers to a form of data storage in which data can be freely searched, extracted, deleted, edited, added, etc. Databases include Oracle, Infomix, Sybase, Relational Data Base Management System (RDBMS), Gemston, Orion, and object-oriented database management system ( Object Oriented Database Management System (OODBMS) can be implemented according to the purpose of this embodiment using a distributed database, cloud, etc.

신뢰도 예측 장치(10)는 적어도 하나의 프로세서(12), 컴퓨터 판독 가능한 저장매체(14) 및 통신 버스(19)를 포함한다. 프로세서(12)는 신뢰도 예측 장치(10)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(12)는 컴퓨터 판독 가능한 저장 매체(14)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(12)에 의해 실행되는 경우 신뢰도 예측 장치(10)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.The reliability prediction device 10 includes at least one processor 12, a computer-readable storage medium 14, and a communication bus 19. The processor 12 may cause the reliability prediction device 10 to operate according to the above-mentioned exemplary embodiment. For example, the processor 12 may execute one or more programs stored in the computer-readable storage medium 14. The one or more programs may include one or more computer-executable instructions, which, when executed by the processor 12, cause the reliability prediction device 10 to perform operations according to example embodiments. It can be configured.

컴퓨터 판독 가능한 저장 매체(14)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능한 저장 매체(14)에 저장된 프로그램(15)은 프로세서(12)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독한 가능 저장 매체(14)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 기기들, 광학 디스크 저장 기기들, 플래시 메모리 기기들, 그 밖에 신뢰도 예측 장치(10)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.Computer-readable storage medium 14 is configured to store computer-executable instructions or program code, program data, and/or other suitable form of information. The program 15 stored in the computer-readable storage medium 14 includes a set of instructions executable by the processor 12. In one embodiment, computer-readable storage medium 14 includes memory (volatile memory, such as random access memory, non-volatile memory, or a suitable combination thereof), one or more magnetic disk storage devices, optical disk storage devices, It may be flash memory devices, other types of storage media that can be accessed by reliability prediction device 10 and store desired information, or a suitable combination thereof.

통신 버스(19)는 프로세서(12), 컴퓨터 판독 가능한 저장 매체(14)를 포함하여 신뢰도 예측 장치(10)의 다른 다양한 컴포넌트들을 상호 연결한다.Communication bus 19 interconnects various other components of reliability prediction device 10, including processor 12 and computer-readable storage medium 14.

신뢰도 예측 장치(10)는 또한 하나 이상의 입출력 장치(미도시)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(16) 및 하나 이상의 통신 인터페이스(18)를 포함할 수 있다. 입출력 인터페이스(16) 및 통신 인터페이스(18)는 통신 버스(19)에 연결된다. 입출력 장치(미도시)는 입출력 인터페이스(16)를 통해 신뢰도 예측 장치(10)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(미도시)는 신뢰도 예측 장치(10)를 구성하는 일 컴포넌트로서 신뢰도 예측 장치(10)의 내부에 포함될 수도 있고, 신뢰도 예측 장치(10)와는 구별되는 별개의 장치로 컴퓨팅 기기와 연결될 수도 있다.Reliability prediction device 10 may also include one or more input/output interfaces 16 and one or more communication interfaces 18 that provide an interface for one or more input/output devices (not shown). The input/output interface 16 and communication interface 18 are connected to the communication bus 19. An input/output device (not shown) may be connected to other components of the reliability prediction device 10 through an input/output interface 16. Exemplary input/output devices include input devices such as pointing devices (such as a mouse or trackpad), keyboards, touch input devices (such as a touchpad or touch screen), voice or sound input devices, various types of sensor devices, and/or imaging devices; and/or output devices such as display devices, printers, speakers, and/or network cards. An exemplary input/output device (not shown) is a component constituting the reliability prediction device 10 and may be included within the reliability prediction device 10, or may be a separate device distinct from the reliability prediction device 10 and may be used with a computing device. It may be connected.

본 실시예들에 따른 동작은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능한 매체에 기록될 수 있다. 컴퓨터 판독 가능한 매체는 실행을 위해 프로세서에 명령어를 제공하는 데 참여한 임의의 매체를 나타낸다. 컴퓨터 판독 가능한 매체는 프로그램 명령, 데이터 파일, 데이터 구조 또는 이들의 조합을 포함할 수 있다. 예를 들면, 자기 매체, 광기록 매체, 메모리 등이 있을 수 있다. 컴퓨터 프로그램은 네트워크로 연결된 컴퓨터 시스템 상에 분산되어 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 본 실시예를 구현하기 위한 기능적인(Functional) 프로그램, 코드, 및 코드 세그먼트들은 본 실시예가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있을 것이다.Operations according to the present embodiments may be implemented in the form of program instructions that can be performed through various computer means and recorded on a computer-readable medium. Computer-readable media refers to any media that participates in providing instructions to a processor for execution. Computer-readable media may include program instructions, data files, data structures, or combinations thereof. For example, there may be magnetic media, optical recording media, memory, etc. A computer program may be distributed over networked computer systems so that computer-readable code can be stored and executed in a distributed manner. Functional programs, codes, and code segments for implementing this embodiment can be easily deduced by programmers in the technical field to which this embodiment belongs.

본 실시예들은 본 실시예의 기술 사상을 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.These embodiments are intended to explain the technical idea of the present embodiment, and the scope of the technical idea of the present embodiment is not limited by these examples. The scope of protection of this embodiment should be interpreted in accordance with the claims below, and all technical ideas within the equivalent scope should be interpreted as being included in the scope of rights of this embodiment.

신뢰도 예측 장치(10)는 상술하는 신뢰도 예측 방법을 수행할 수 있으며, 중복되는 설명은 생략한다.The reliability prediction device 10 can perform the above-described reliability prediction method, and redundant description will be omitted.

신뢰도 예측 장치(10)는 프로세서 및 프로세서에 의해 실행되는 프로그램을 저장하는 메모리를 포함한다. 신뢰도 예측 장치(10)는 프로세서에 의해 도 1 및 도 2에서 상술한 과정이 수행될 수 있다.The reliability prediction device 10 includes a processor and a memory that stores a program executed by the processor. The reliability prediction device 10 may perform the processes described above in FIGS. 1 and 2 by a processor.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다. 따라서, 본 발명에 개시된 실시 예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구 범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.The above description is merely an illustrative explanation of the technical idea of the present invention, and various modifications, changes, and substitutions can be made by those skilled in the art without departing from the essential characteristics of the present invention. will be. Accordingly, the embodiments disclosed in the present invention and the accompanying drawings are not intended to limit the technical idea of the present invention, but are for illustrative purposes, and the scope of the technical idea of the present invention is not limited by these embodiments and the attached drawings. . The scope of protection of the present invention should be interpreted in accordance with the claims below, and all technical ideas within the equivalent scope should be construed as being included in the scope of rights of the present invention.

10: 신뢰도 예측 장치
12: 프로세서
14: 컴퓨터 판독 가능한 저장 매체
15: 프로그램
16: 입출력 인터페이스
18: 통신 인터페이스
19: 통신 버스10: Reliability prediction device
12: processor
14: Computer readable storage medium
15: Program
16: input/output interface
18: Communication interface
19: Communication bus

Claims (13)

예측 대상에 대한 신뢰도를 예측하는 신뢰도 예측 방법에 있어서,
상기 예측 대상에 따른 자재 명세서(BOM, Bill of Materials)를 수집하고, 상기 BOM를 기반으로 선정된 예측 대상 품목에 따른 기술 데이터를 확보하는 수집 단계;
상기 예측 대상 품목의 특징을 기반으로 신뢰도 예측 값을 산출하는 신뢰도 예측 모델을 적용하여 신뢰도를 예측하는 예측 단계;
상기 예측 대상 품목의 상용(commercial) 여부를 확인하여 상기 신뢰도 예측 값을 보정하여 신뢰도 보정 값을 산출하는 보정 단계; 및
상기 신뢰도 보정 값에 따른 최종 고장간 평균시간(MTBF, Mean Time Between Failure)을 산출하는 산출 단계를 포함하는 신뢰도 예측 방법.In the reliability prediction method for predicting the reliability of the prediction target,
A collection step of collecting a bill of materials (BOM) according to the prediction target and securing technical data according to the prediction target item selected based on the BOM;
A prediction step of predicting reliability by applying a reliability prediction model that calculates a reliability prediction value based on the characteristics of the prediction target item;
A correction step of checking whether the prediction target item is commercial and correcting the reliability prediction value to calculate a reliability correction value; and
A reliability prediction method including a calculation step of calculating a final Mean Time Between Failure (MTBF) according to the reliability correction value. 제1항에 있어서,
상기 예측 단계는,
상기 예측 대상 품목에 따른 필드 데이터 보유 여부를 기반으로 신뢰도 예측을 수행하는 제1 예측단계;
상기 필드 데이터를 보유하고 있지 않은 경우, 상기 예측 대상 품목과 유사한 유사 품목 데이터 보유 여부를 기반으로 신뢰도 예측을 수행하는 제2 예측단계; 및
상기 유사 장비 데이터를 보유하고 있지 않은 경우, 상기 예측 대상 품목에 따른 예측 규격을 적용하고, 상기 예측 대상 품목의 전자부품 여부를 기반으로 신뢰도 예측을 수행하는 제3 예측단계를 포함하는 신뢰도 예측 방법.According to paragraph 1,
The prediction step is,
A first prediction step of performing reliability prediction based on whether or not field data is present according to the prediction target item;
If the field data is not available, a second prediction step of performing a reliability prediction based on whether similar item data similar to the prediction target item is available; and
When the similar equipment data is not available, a reliability prediction method comprising a third prediction step of applying a prediction standard according to the prediction target item and performing reliability prediction based on whether the prediction target item is an electronic component. 제2항에 있어서,
상기 제2 예측단계는,
유사 장비 데이터, 복잡성인자, 환경인자 및 기타인자를 포함하는 상기 유사 품목 데이터를 활용하여 신뢰도를 예측하는 단계;
예측 대상 품목 업체의 고장간 평균시간 자료를 포함하는 상기 유사 품목 데이터를 이용하여 신뢰도를 예측하는 단계; 및
운영 조건 별 고장률과 시간을 포함하는 상기 유사 품목 데이터를 이용하여 신뢰도를 예측하는 단계를 적어도 하나 수행하고,
상기 제2 예측단계는 상기 예측 대상 품목과 상기 유사 품목 데이터의 일치 여부가 임계치 이상인 경우 상기 유사 장비 데이터를 보유하고 있는 것으로 판단하여 수행되는 것을 특징으로 하는 신뢰도 예측 방법.According to paragraph 2,
The second prediction step is,
Predicting reliability using the similar item data including similar equipment data, complexity factors, environmental factors, and other factors;
Predicting reliability using the similar item data including the average time between failure data of the prediction target item manufacturer; and
Performing at least one step of predicting reliability using the similar item data including failure rate and time for each operating condition,
The second prediction step is a reliability prediction method characterized in that it is performed by determining that the similar equipment data is held when the match between the prediction target item and the similar item data is greater than a threshold. 제2항에 있어서,
상기 제3 예측단계는,
상기 예측 대상 품목이 전자부품인 경우, 가변환경에서 발생 가능한 고장 메커니즘을 나타내는 복합 스트레스를 통해 신뢰도를 예측하는 전자부품 예측단계; 및
상기 예측 대상 품목이 전자부품이 아닌 경우, 기계부품으로 판단하여 신뢰도를 예측하는 기계부품 예측단계를 적어도 하나 수행하는 것을 특징으로 하는 신뢰도 예측 방법.According to paragraph 2,
The third prediction step is,
When the prediction target item is an electronic component, an electronic component prediction step of predicting reliability through complex stresses representing failure mechanisms that may occur in a variable environment; and
A reliability prediction method characterized in that, when the prediction target item is not an electronic part, at least one mechanical parts prediction step is performed to determine reliability by determining it to be a mechanical part. 제4항에 있어서,
상기 전자부품 예측단계는,
상기 복합 스트레스인 경우, 고장률 혼합 방식을 적용하여 고장률을 예측하고, 상기 고장률 혼합 방식의 적용이 불가능한 경우 217 PLUS, FIDES 순으로 우선순위를 두어 신뢰도 예측을 수행하며,
상기 복합 스트레스가 아닌 단일 스트레스인 경우, 가변환경을 대표하는 명목 환경 수준을 산출하여 217F를 우선시하여 고장률을 예측하고, 상기 규격 혼합 방식의 적용이 불가능한 경우 규격혼합방식, EPRD 순으로 우선순위를 두어 신뢰도를 산출하는 것을 특징으로 하는 신뢰도 예측 방법.According to paragraph 4,
The electronic component prediction step is,
In the case of the above complex stress, the failure rate is predicted by applying the failure rate mixing method. If the failure rate mixing method cannot be applied, reliability prediction is performed by prioritizing 217 PLUS and FIDES in that order,
In the case of a single stress rather than the above complex stress, the nominal environmental level representing the variable environment is calculated and the failure rate is predicted by prioritizing 217F. If the above standard mixing method cannot be applied, priority is given to the standard mixing method and then EPRD. A reliability prediction method characterized by calculating reliability. 제5항에 있어서,
상기 복합 스트레스는 명목 환경 수준, 기계적 스트레스, 온도 스트레스, 전압/전류 스트레스를 적어도 하나 포함하며,
상기 명목 환경 수준은 진동을 활용하여 산출하고, 기계적 스트레스는 마이너 룰(Miner rule)을 활용하여 산출하며, 온도 스트레스는 아레니우스식을 활용하여 산출하고, 전압/전류 스트레스는 역 제곱 법칙을 활용하여 산출하는 것을 특징으로 하는 신뢰도 예측 방법.According to clause 5,
The complex stress includes at least one of nominal environmental level, mechanical stress, temperature stress, and voltage/current stress,
The nominal environmental level is calculated using vibration, mechanical stress is calculated using the Miner rule, temperature stress is calculated using the Arrhenius equation, and voltage/current stress is calculated using the inverse square law. A reliability prediction method characterized by calculating. 제4항에 있어서,
상기 기계부품 예측단계는,
NSWC를 우선순위로 두어 신뢰도 예측을 수행하고, 상기 NSWC에 상기 예측 대상 품목이 존재하지 않는 경우 NPRD를 이용하여 신뢰도 예측을 수행하는 것을 특징으로 하는 신뢰도 예측 방법.According to paragraph 4,
The machine parts prediction step is,
A reliability prediction method characterized in that reliability prediction is performed by prioritizing NSWC, and when the prediction target item does not exist in NSWC, reliability prediction is performed using NPRD. 제1항에 있어서,
상기 보정 단계는,
상기 예측 대상 품목이 상용(commercial)인 경우, 규격의 혼합 또는 계수조정을 포함하는 상용 보정 규격을 적용하여 상기 신뢰도 예측 값을 보정하여 상기 신뢰도 보정 값을 산출하는 단계; 및
복수의 품목에 따른 고장모드 및 데이터를 포함하는 FMD를 적용하여, 상기 FMD를 기반으로 고장 모드 매커니즘의 분포를 고려하여 상기 신뢰도 예측 값을 보정하여 상기 신뢰도 보정 값을 산출하는 단계를 포함하는 신뢰도 예측 방법.According to paragraph 1,
The correction step is,
If the prediction target item is commercial, calculating the reliability correction value by correcting the reliability prediction value by applying a commercial correction standard including mixing of standards or coefficient adjustment; and
Reliability prediction comprising calculating the reliability correction value by applying an FMD including failure modes and data according to a plurality of items and correcting the reliability prediction value by considering the distribution of failure mode mechanisms based on the FMD. method. 제8항에 있어서,
상기 보정 단계는,
환경 조건에 따른 변환을 더 고려하도록 보정 계수를 이용하여 상기 신뢰도 예측 값을 보정하는 단계를 더 포함하고,
상기 환경 조건에 따른 보정 계수는 환경이 변환될 때의 환경 보정 계수, 온도가 변환될 때의 온도 보정 계수 및 상기 예측 대상의 부품의 품질이 변환될 때의 부품 품질 계수를 적어도 하나 포함하는 것을 특징으로 하는 신뢰도 예측 방법.According to clause 8,
The correction step is,
further comprising correcting the reliability prediction value using a correction coefficient to further take into account conversion according to environmental conditions,
The correction coefficient according to the environmental condition includes at least one environmental correction coefficient when the environment is converted, a temperature correction coefficient when the temperature is converted, and a component quality coefficient when the quality of the component to be predicted is converted. Reliability prediction method. 제9항에 있어서,
상기 보정 단계는,
상기 환경 조건에 따른 변환을 더 고려하여 신뢰도 예측 값을 보정하는 단계 또는 상기 예측 대상 품목과 유사한 유사 품목 데이터 보유 여부를 기반으로 신뢰도 예측을 수행하는 제2 예측단계를 수행한 후, NOC를 적용하여 최종적으로 신뢰도 보정 값을 산출하고,
상기 NOC는 NOC 고장간 평균시간(MTBF), NOC 부품 수와 전체 부품 수를 기반으로 산출되는 것을 특징으로 하는 신뢰도 예측 방법.According to clause 9,
The correction step is,
After performing a second prediction step of correcting the reliability prediction value by further considering conversion according to the environmental conditions or performing a reliability prediction based on whether similar item data similar to the prediction target item is held, NOC is applied Finally, calculate the reliability correction value,
A reliability prediction method wherein the NOC is calculated based on the NOC mean time between failures (MTBF), the number of NOC parts, and the total number of parts. 프로세서 및 상기 프로세서에 의해 실행되는 프로그램을 저장하는 메모리를 포함하는 신뢰도 예측 장치에 있어서,
상기 프로세서는,
상기 예측 대상에 따른 자재 명세서(BOM, Bill of Materials)를 수집하고, 상기 BOM를 기반으로 선정된 예측 대상 품목에 따른 기술 데이터를 확보하고,
상기 예측 대상 품목의 특징을 기반으로 신뢰도 예측 값을 산출하는 신뢰도 예측 모델을 적용하여 신뢰도를 예측하며,
상기 예측 대상 품목의 상용(commercial) 여부를 확인하여 상기 신뢰도 예측 값을 보정하여 신뢰도 보정 값을 산출하고,
상기 신뢰도 보정 값에 따른 최종 고장간 평균시간(MTBF, Mean Time Between Failure)을 산출하는 것을 특징으로 하는 신뢰도 예측 장치.In the reliability prediction device including a processor and a memory storing a program executed by the processor,
The processor,
Collect a bill of materials (BOM) according to the forecast target, secure technical data according to the forecast target item selected based on the BOM,
Reliability is predicted by applying a reliability prediction model that calculates a reliability prediction value based on the characteristics of the prediction target item,
Checking whether the prediction target item is commercial, correcting the reliability prediction value, and calculating a reliability correction value,
A reliability prediction device characterized in that the final mean time between failure (MTBF) is calculated according to the reliability correction value. 제11항에 있어서,
상기 프로세서는,
상기 예측 대상 품목에 따른 필드 데이터 보유 여부를 기반으로 신뢰도 예측을 수행하고,
상기 필드 데이터를 보유하고 있지 않은 경우, 상기 예측 대상 품목과 유사한 유사 품목 데이터 보유 여부를 기반으로 신뢰도 예측을 수행하며,
상기 유사 장비 데이터를 보유하고 있지 않은 경우, 상기 예측 대상 품목에 따른 예측 규격을 적용하고, 상기 예측 대상 품목의 전자부품 여부를 기반으로 신뢰도 예측을 수행하는 것을 특징으로 하는 신뢰도 예측 장치.According to clause 11,
The processor,
Reliability prediction is performed based on the presence of field data according to the prediction target item,
If you do not have the field data, reliability prediction is performed based on whether you have similar item data similar to the prediction target item,
A reliability prediction device characterized in that, when the similar equipment data is not held, a prediction standard according to the prediction target item is applied and reliability prediction is performed based on whether the prediction target item is an electronic component. 제11항에 있어서,
상기 프로세서는,
상기 예측 대상 품목이 상용(commercial)인 경우, 규격의 혼합 또는 계수조정을 포함하는 상용 보정 규격을 적용하여 상기 신뢰도 예측 값을 보정하여 상기 신뢰도 보정 값을 산출하고,
복수의 품목에 따른 고장모드 및 데이터를 포함하는 보정 규격을 적용하여, 상기 보정 규격을 기반으로 고장 모드 매커니즘의 분포를 고려하여 상기 신뢰도 예측 값을 보정하여 상기 신뢰도 보정 값을 산출하는 것을 특징으로 하는 신뢰도 예측 장치.According to clause 11,
The processor,
If the prediction target item is commercial, calculating the reliability correction value by correcting the reliability prediction value by applying a commercial correction standard including mixing of standards or coefficient adjustment,
Characterized in calculating the reliability correction value by applying a correction standard including failure modes and data according to a plurality of items and correcting the reliability prediction value by considering the distribution of the failure mode mechanism based on the correction standard. Reliability prediction device.

Images