자동 정리 증명(ATP)

TMR(Triple Modular Redundancy)은 동일한 동작을 수행하는 세 개의 모듈을 병렬로 사용하여 하드웨어 내결함성을 확보하는 기술입니다. 이 모듈들의 출력은 다수결 투표 회로에 입력됩니다. 만약 하나의 모듈에 오류가 발생하여 잘못된 출력을 생성하더라도, 투표자는 나머지 두 모듈의 출력을 기반으로 올바른 출력을 결정할 수 있으므로 오류를 은폐하고 지속적인 작동을 보장합니다.

마르코프 체인 몬테카를로(MCMC) 방법은 확률 분포에서 샘플링하는 알고리즘의 한 종류입니다. 원하는 분포를 평형 또는 정상 분포로 갖는 마르코프 체인을 구성합니다. 수많은 단계를 거친 후의 체인 상태를 원하는 분포의 샘플로 사용하여 적분 및 기대값을 계산할 수 있습니다.

G코드(정식 명칭은 RS-274)는 CNC 기계를 제어하는 ​​데 가장 널리 사용되는 프로그래밍 언어입니다. G코드는 기계의 위치, 속도 및 특정 동작을 지시하는 일련의 명령으로 구성됩니다. 명령은 문자 주소로 시작하며, 'G'는 동작 준비 명령(예: G01은 직선 이송)을 나타내고, 'M'은 기타 기능(예: M03은 스핀들 시동)을 나타냅니다.

검증 기법은 크게 정적 검증과 동적 검증으로 분류됩니다. 정적 검증(또는 정적 분석)은 시스템을 실행하지 않고 코드나 설계를 검사하는 방법입니다. 코드 리뷰, 시스템 검사, 자동화된 정적 분석 도구 등이 이에 해당합니다. 동적 검증(또는 테스트)은 일련의 입력값을 사용하여 시스템을 실행하고 그 동작을 관찰하여 결함을 찾는 방법입니다. 두 가지 모두 포괄적인 품질 보증을 위해 상호 보완적인 역할을 합니다.

위험 우선순위 번호(RPN)는 FMEA에서 위험의 우선순위를 정하는 데 사용되는 정량적 지표입니다. 이는 심각도(S), 발생 빈도(O), 탐지 가능성(D)이라는 세 가지 요소의 순위를 곱하여 계산됩니다. 공식은 [latex]RPN = S × O × D[/latex]입니다. 각 요소는 일반적으로 1부터 10까지의 척도로 평가되므로, 팀은 점수가 높은 위험부터 우선적으로 처리할 수 있습니다.

몬테카를로 방법의 고전적인 예시는 파이(π) 값을 추정하는 것입니다. 한 변의 길이가 2r인 정사각형 안에 반지름 r인 원을 내접시키면 두 정사각형의 넓이 비율은 πr²(2r)² = π⁴입니다. 정사각형 안에 무작위로 점들을 배치하고 원 안에 있는 점의 비율 p를 세면 파이 값을 추정할 수 있습니다. 즉, π는 약 4π입니다.

셰워트 관리도에서 비무작위 패턴을 감지하기 위한 네 가지 결정 규칙 세트는, 모든 데이터 포인트가 3시그마 한계를 벗어나지 않더라도 공정 이탈을 나타냅니다. 이 규칙들은 비정상적인 연속, 추세 또는 데이터 포인트의 군집화를 식별하여 변동의 특수한 원인이 존재함을 알려줍니다. 이를 통해 관리도의 민감도를 향상시킬 수 있습니다.

범주형, 일반적으로 이진 종속 변수에 대한 회귀 모델입니다. 결과 변수를 직접 모델링하는 대신, 로지스틱(시그모이드) 함수를 사용하여 결과 변수의 발생 확률을 모델링합니다. 이 모델은 독립 변수들의 선형 조합으로 사건의 로그 오즈를 예측합니다. [latex]ln(frac{p}{1-p}) = beta_0 + beta_1 x_1 + dots + beta_p x_p[/latex], 여기서 p는 사건의 확률입니다.

메트로폴리스-해스팅스 알고리즘은 직접 샘플링이 어려운 확률 분포에서 무작위 샘플 시퀀스를 얻기 위한 대표적인 MCMC(모달 몬테카를로) 방법입니다. 각 반복에서 현재 샘플을 기반으로 다음 샘플 후보를 생성합니다. 이 후보는 특정 확률로 수락되거나 거부되어, 결과적으로 생성되는 샘플 체인이 원하는 분포로 수렴하도록 합니다.

객체지향 프로그래밍에서 추상화는 복잡한 구현 세부 사항을 숨기고 객체의 핵심 기능만 보여주는 개념입니다. 객체가 어떻게 작동하는지가 아니라 무엇을 하는지에 초점을 맞춥니다. 이는 추상 클래스와 인터페이스를 통해 구현되는데, 이들은 완전한 구현을 제공하지 않고 다른 클래스의 설계도를 정의하여 복잡한 시스템을 단순화합니다.