공정 데이터의 산포와 치우침을 고려한 머신러닝 기반 공정능력관리 모델 연구
A study on a machine learning-based process capability management model considering dispersion and bias of process data
- 주제(키워드) 공정능력 , 산포 , 치우침 , 머신러닝 , XGBoost , 스마트 제조
- 주제(DDC) 352.745
- 발행기관 아주대학교 일반대학원
- 지도교수 이주연
- 발행년도 2025
- 학위수여년월 2025. 8
- 학위명 박사
- 학과 및 전공 일반대학원 과학기술정책학과
- 실제URI http://www.dcollection.net/handler/ajou/000000034865
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
제조 현장에서는 통계적 공정관리를 위해 공정능력지수(Process Ca- pability Index, PCI)를 주로 활용하고 있다. 그러나 공정능력지수는 개별 공정 항목의 이상 유무만을 판단할 수 있기 때문에, 공정능력이 미흡한 경우 그 원인이 산포에 기인한 것인지 또는 치우침에 의한 것인지를 구체적으로 파악하기 위해 별도의 추가 분석이 필요하다. 특히 실제 제조 환경에서는 공정 항목의 수가 매우 방대하므로, 개별 항목 수준의 공정능력 분석만으로는 전체 공정을 효과적으로 관리하는 데 한계가 있다. 그럼에도 불구하고 많은 제조 현장에서는 여전히 개별 공정 항목에 대한 정적이고 단편적인 분석 방식에 의존하고 있는 실정이다. 최근 AI 기술의 급속한 발전과 함께 스마트 팩토리 구현을 위한 다양한 기술적 시도가 이루어지고 있으나, 제조 공정의 복잡성과 현장의 실질적 요구를 반영한 지능형 시스템은 아직 충분히 마련되지 않았다. 이로 인해 변화가 많고 복잡한 제조 현장에 적용 가능한 실용적이고 확장성이 있는 AI 기반 품질관리 시스템에 대한 필요성이 지속적으로 증가하고 있다. 이에 본 논문에서는 모든 공정 항목의 공정능력 수준을 한 눈에 파악할 수 있도록 시각적으로 표현하고, 머신러닝을 활용하여 산포와 치우침 경고를 예측하는 공정능력 관리시스템(Process Capability Man- agement System, PCMS) 모델을 제안한다. 본 모델은 산점도 상에 각 공정 항목의 공정능력 수준을 하나의 점 위치로 나타내고, 공정능력 등급에 따라 점의 색상을 다르게 표현하는 독창적인 방법을 제시하여 방대한 공정 항목도 직관적으로 파악할 수 있도록 한다. 또한 공정능력이 부족한 항목은 머신러닝 분류 기법을 활용하여 실시간으로 경고 유형을 예측함으로써 엔지니어가 신속하고 적절한 조치를 취할 수 있도록 지원한다. 더 나아가 예측 성능이 가장 우수한 분류기로 XGBoost를 선정하고 하이퍼파라미터 튜닝을 통해 99%의 높은 예측 정확도를 달성한다. 마지막으로 공정능력 정보와 경고 유형의 예측 결과를 통합 제공하는 대시보드를 구현하여 엔지니어와 정책 결정자의 업무 효율성을 높이고 스마트 팩토리 실현을 지원하고자 한다. 본 연구는 제조 현장의 실질적인 요구를 반영한 실용적인 모델을 제안함으로써 품질 관리의 새로운 방향을 제시한다. 나아가 다양한 현장에 적용 가능한 기반 기술로서, 스마트 제조 확산과 과학기술정책 수립에도 유의미한 기여를 할 수 있을 것으로 기대된다.
more목차
제 1 장 서론 1
제 1 절 연구 배경 및 필요성 1
제 2 절 논문 개요 5
제 2 장 관련 연구 10
제 1 절 SPC(Statistical Process Control) 연구 동향 10
제 2 절 SPC분야의 AI 활용 연구 동향 16
제 3 절 연구 방향 및 연구 절차 18
제 3 장 PCMS 모델 설계 21
제 1 절 개요 21
제 2 절 데이터 수집 및 전처리 23
제 3 절 공정능력 분석 30
제 4 절 산포와 치우침 경고 분류를 위한 머신러닝 35
제 5 절 머신러닝의 평가 지표(Metrics) 39
제 6 절 머신러닝의 분류 성능 평가 41
1. 머신러닝의 분류 성능 평가 방법 41
2. 다양한 머신러닝 분류 알고리즘의 1 차 평가 결과 비교 43
3. 하이퍼파라미터 튜닝 및 2 차 평가 결과 61
4. 머신러닝 모델 적용 타당성 및 Feature 유효성 검증 66
제 4 장 PCMS 모델 구현 70
제 1 절 구현 환경 및 적용 시나리오 70
제 2 절 공정능력 관리를 위한 대시보드 설계 74
제 5 장 결론 83
제 1 절 연구 결과 83
제 2 절 연구의 의의 및 시사점 86
제 3 절 향후 연구 방향 90
참고문헌 91
부록 A. 약어 목록 97
부록 B. ML 모델의 2차 평가 결과 99
Abstract 106
