공정 단계에서 현장 결함을 감지하기 위한 기계 학습 반복 필터링 알고리즘
Machine learning iterative filtering algorithm for field defect detection in the process stage
- 주제(키워드) MLIF 알고리즘 , 불균형한 데이터 세트 , 랜덤 언더샘플링 , 분류 , 공정관리 대시보드
- 주제(DDC) 658.5
- 발행기관 아주대학교
- 지도교수 양정삼
- 발행년도 2022
- 학위수여년월 2022. 8
- 학위명 박사
- 학과 및 전공 일반대학원 산업공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000031898
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
In general, the products produced in factories undergo total inspections in the process stage and only the products that have passed the final shipment inspection are released. However, defects in the field do occur even in the products that have passed total inspection. In order to detect field defects as much as possible in the process stage, this study proposes the machine learning iterative filtering (MLIF) algorithm, which iteratively filters predicted defect-free products. This algorithm applies a unique method of filtering out defect-free products using n learners formed through multiple random undersampling in the majority class of an imbalanced dataset. In addition, the sampling random number and the threshold for classification decisions are specified under the condition where the recall result of classification is 100%. As a result, the classification prediction performance of the minority class is improved. Experimental results showed that the final classification performance of the test data of the MLIF was 87%, which is approximately 11%p higher than that of single learner (76%). Finally, a process management dashboard, which shows various information about processes, field data, and the predicted results of the MLIF algorithm, to facilitate process decision making is presented.
more초록/요약
일반적으로 공장에서 생산되는 제품들은 공정 단계에서 전수검사를 시행하고 최종 출하검사를 통해서 합격 판정된 제품만 현장으로 출고된다. 그러나 전수검사를 완벽하게 진행한 제품임에도 불구하고 현장에서 지속적으로 작동 불량이 발생되고 있다. 본 논문에서는 공정 단계에서 현장의 작동 불량을 최대한 검출하기 위해 예측된 양품을 반복적으로 필터링하는 MLIF (Machine Learning Iterative Filtering) 알고리즘을 제안한다. 이 알고리즘은 불균형한 데이터 세트의 다수 클래스에서 여러 번의 랜덤 언더샘플링을 통해 형성된 n 개의 학습기를 활용하여 양품을 필터링하는 독창적인 방법을 적용한다. 또한, 분류의 재현율 결과가 100%인 조건 하에서 랜덤 샘플링의 번호와 분류 결정의 임곗값을 지정함으로써 소수 클래스의 분류 예측 성능을 향상한다. 따라서, MLIF 알고리즘의 테스트 데이터에 대한 최종 분류 성능이 87%로 단일 학습기의 성능인 76% 대비 11%p 정도 증가하였다. 마지막으로, 공정과 필드 데이터를 연계한 다양한 정보와 MLIF 알고리즘의 예측한 결과를 볼 수 있는 공정관리 대시보드를 제시하여 공정관리 업무를 수행하는 데 효율성을 높인다.
more목차
제1장 서론 1
제2장 관련연구 6
제1절 ML Classification 연구 동향 6
제2절 ML Imbalanced Classification 연구 동향 10
제3장 MLIF 알고리즘의 설계 14
제1절 개요 14
제2절 Metrics 16
제3절 Selection of the optimal features 18
제4절 Selection of sampling for balancing the dataset 21
제5절 Selection of the classification algorithm 24
제6절 Machine learning iterative filtering algorithm 40
제4장 MLIF 알고리즘의 평가 43
제1절 ML 의 성능 평가 43
제2절 MLIF 알고리즘의 1 차 평가 44
제3절 MLIF 알고리즘의 최종 평가 48
제5장 MLIF 알고리즘의 구현 50
제1절 구현 환경과 적용 시나리오 50
제2절 공정관리 대시보드 제시 52
제6장 결론 55
참고문헌 57
