Recently, due to the expansion of the logistics industry, demand for logistics automation equipment is increasing. The modern logistics industry is a high-tech industry that combines various technologies. In general, as various technologies are grafted, the complexity of the system increases, and the occurrence rate of defects and failures also increases. As such, it is time for a predictive maintenance model specialized for logistics automation equipment. In this paper, in order to secure the operational safety and reliability of the parcel loading system, a predictive maintenance platform was implemented based on the Naive Bayes-LSTM(Long Short Term Memory) model. The predictive maintenance platform presented in this paper works by collecting data and receiving data based on a RabbitMQ, loading data in an InMemory method using a Redis, and managing snapshot DB in real time. Also, in this paper, as a verification of the Naive Bayes-LSTM predictive maintenance platform, the function of measuring the time for data collection/storage/processing and determining outliers/normal values was confirmed. The predictive maintenance platform can contribute to securing reliability and safety by identifying potential failures and defects that may occur in the operation of the parcel loading system in the future.

본 연구에서는 환경, 재료 물성 및 제작 등에서의 불확실성을 고려하여 130m급 고정식 해양구조물의 신뢰성 기반 최적설계를 수행 하였다. 구조물의 구조건전성을 엄밀하게 반영하기 위해 작용 및 허용 응력의 비인 UC 값을 신뢰성 해석 및 신뢰성 기반 최적설계의 제약조건으로 고려하였다. 해양구조물의 제작비용을 저감하기 위해 자켓형 지지구조물의 중량을 최소화하였다. 불확실성의 통계적 특성은 문헌 등을 참고하여 관측되거나 측정된 데이터를 기반으로 정의하였다. 자켓형 해양구조물의 신뢰성 해석과 신뢰 기반 최적 설계는 부재 수가 많아 계산 부담이 큼으로 문제의 차원을 축소하기 위해 응답의 중요성을 기준으로 설계변수를 선별할 수 있는 방법 을 제안한다. 또한 효율적인 계산을 위해 신뢰성 기반 최적설계를 수행하기 전 결정론적 최적설계를 먼저 수행하였다. 마지막으로, 도 출된 최적설계(안)을 기존 각 급 규정 기반 설계와 안전성 및 경제성 측면에서 비교 분석하였다.