제어 구간 신호 분석에 의한 공정 변화 탐지 및 규명
Detection and Identification of Process Change based on Control Segment Pattern Analysis
초록/요약
인공지능 분야는 계속된 발전을 거듭하여 다양한 분야에 적용되어 효과를 발휘하고 있다. 제조 현장에서는 상대적으로 인공지능 적용에 소극적이다. 분석보다는 오랜 경험에 의존하는데, 이는 분석 전문 인력의 부족과 분석 정확도를 신뢰하기 쉽지 않은 탓이다. 이에 제조 현장에서 직접 의사결정에 활용할 수 있는 분석 프로세스를 구축하고, 최종적으로는 분석 신뢰성을 보장하고 분석 전문가를 최대한 배제하는 자동화 분석 플랫폼을 구현하는 것을 목표로 한다. 우선, 제어 신호 특성을 반영하기 위한 구역화를 선행 조건으로 하며, 전처리, 특징 추출 및 선정, 모델 훈련 및 평가 일련의 분석 과정을 체계화한다. 체계화된 틀 내에서 단계별로 제조 현장의 특성을 반영하기 위한 기법을 마련한다. 특히, 특징 추출 및 선정 단계에서는 제어 구간 내의 공정 변화를 명확하게 탐지할 수 있도록 하는 특징을 선별하는 것이 중요하다. 각 단계는 다양한 실제 제조 데이터를 사용하여 검증하는 과정을 거친다. 추가로 분석 시간을 단축하고 정확도를 높이기 위한 자동화 분석 방안을 제시한다. 최종 분석 결과, 특징 추출 및 선정, 사용하는 모델과 모델 인자에 따라서 작게는 1% 이하에서 크게는 5% 정도를 상회하는 상당히 다른 정확도를 보여주었다. 모든 모델 평가 경우를 통틀어도 90% 이상의 높은 정확도를 보여주므로, 본 연구에서 설계한 자동화 분석 프로세스가 어느 정도 검증되었다. 이를 지속해서 보강하면 제조 분야 공정 전문가의 효율적이고 합리적인 의사결정을 지원하는 통합 디지털 제조 분석 플랫폼이 될 것으로 기대한다.
more목차
제 1장. 서론 1
제 1절. 연구 배경 1
제 2절. 연구 목적 2
제 2장. 관련 연구 3
제 1절. 제어 신호 기반 구역화 사례 3
제 2절. 제조 데이터 분석 사례 4
제 3절. 모델 훈련 자동화 사례 4
1. Auto M/L 핵심 개념 5
가. Hyper-parameter Optimization 5
나. Feature Engineering 6
다. Transfer Learning 6
2. Auto M/L 서비스 6
제 3장. 연구 방법 8
제 1절. 데이터 불러오기 8
제 2절. 구역화 10
1. Cycle 기준 구역화 14
2. Segment 기준 구역화 14
3. State 기준 구역화 15
제 3절. 특징 추출 16
1. 기본 통계량 17
가. 평균 (Mean) 18
나. 표준 편차 (Standard Deviation) 18
다. 제곱 평균 제곱근 (Root Mean Square) 19
라. 형상 인자 (Shape Factor) 19
2. 고차 통계량 19
가. 첨도 (Kurtosis) 20
나. 첨도 인자 (Kurtosis Factor) 21
다. 왜도 (Skewness) 21
라. 왜도 인자 (Skewness Factor) 22
3. 주파수 특성 22
가. 첨두값 (Peak Value) 23
나. 첨두 진폭 값 (Peak-to-Peak Value) 23
다. 충격 인자 (Impulse Factor) 23
라. 파고 인자 (Crest Factor) 24
마. 분리 인자 (Margin Factor) 24
4. 적분 통계량 24
가. 전체 적분 (Full Integral) 25
나. 기울기 상위 적분 (Slant Upper Integral) 25
다. 수평 상위 적분 (Horizon Upper Integral) 25
라. 상승 구간 적분 (Upward Part Integral) 26
마. 하강 구간 적분 (Downward Part Integral) 26
제 4절. 결측값 처리 26
1. 결측값 제거 27
2. 결측값 대체 28
가. 평균 (Mean) 29
나. 중앙값 (Median) 29
다. 보간 (Interpolation) 29
라. 회귀 (Regression) 30
제 5절. 이상값 처리 31
1. 이상값 탐색 31
가. 사분위수 범위 (Inter-Quartile Range) 32
나. 3 시그마 규칙(3 Sigma Rule) 32
다. Isolation Forest 33
2. 이상값 제거 및 대체 33
제 6절. 출력값 처리 34
1. 입력 조건과 출력 조건 34
가. 품질 관련 조건 35
나. 설비 관련 조건 35
2. 비지도 학습을 통한 출력값 처리 36
가. K-Means 37
나. DBSCAN 38
제 7절. 특징 선정 38
1. 다중공선성 제거 39
2. 변수 중요도 산정 41
3. 차원 축소 42
제 8절. 모델 훈련 및 평가 44
1. Isolation Forest 46
2. One Class Support Vector Machine 47
3. Principal Component Analysis 47
4. Multi Layer Perceptron 48
제 4장. 연구 결과 49
제 1절. 데이터 불러오기 49
제 2절. 구역화 50
제 3절. 특징 추출 51
제 4절. 결측값 처리 55
제 5절. 이상값 처리 57
제 6절. 출력값 처리 58
제 7절. 특징 선정 59
1. Correlation 60
2. Variance Inflation Factor 62
3. Random Forest 63
제 8절. M/L 모델 훈련 및 평가 64
1. 이상 데이터 포함 여부에 따른 정확도 비교 64
2. 특징 선정 방식별 정확도 비교 65
3. 모델별 정확도 비교 66
제 9절. MLP 모델 훈련 및 평가 72
1. 특징 선정 방식별 정확도 비교 73
2. Hyper-parameter 비교 73
제 10절. 제조 빅데이터 자동화 분석 플랫폼 (Analyzer) 80
제 5장. 결론 82
제 1절. 결과 해석 82
제 2절. 향후 과제 83
참고 문헌 84
