선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 데이터마이닝 기법을 이용하여 최종검사단계가 아닌 공정단계에서 불량에 대한 패턴과 분석 유형을 파악하고, 분석된 결과를 이용하여 불량을 사전에 예측하는 방법을 제시하고자 한다. 이를 위해 데이터 마이닝 기법 및 분석유형에 대하여 알아보고, 분석유형에 적합한 모형을 도출한다.
- 본 연구에서는 제조공정에서 발생하는 대용량 공정 데이터를 이용하여 불량 항목별 예측을 위한 분석 절차와 모형을 제시하였다. 실시간으로 수집되는 대용량의 데이터베이스로부터 분석적인 데이터나 유용한 정보를 찾아내는 어려움을 해결하기 위해 데이터베이스 마케팅 분야를 중심으로 의사결정에 필요한 정보를 제공해주는 실용적인 방법론인데이터마이닝 기법을 이용하였다.
- 그리고 불량의 원인으로는 작업 조건의 이상으로 인한 불량, 작업자의 작업 미숙에 의한 불량, 설비에 의한 불량 등이 존재한다. 여기서 작업자의 작업 미숙과 설비의 이상에 의한 불량은 매우 유동적 이고 데이터 수집이 용이하지 않으므로 본 연구에서는 여러 불량 원인 중 실질적으로 제품에 많은 영향을 미치는 작업 조건의 이상으로 인한 불량을 고려하였다. 본 사례의 범퍼 공정에서는 전처리공정, primer 공정, color 공정, clear 공정, 교반 공정을 주요공정으로 관리하고 있다.
제안 방법
- 본 사례의 범퍼 공정에서는 전처리공정, primer 공정, color 공정, clear 공정, 교반 공정을 주요공정으로 관리하고 있다. 그래서 실험에 사용된 공정변수로 주요공정과 동일하게 선택하였으며, 교반 공정을 제외한 주요공정의 관리항목인 온도와 습도, 교반 공정에서는 간을 선택하였다. 실험에 사용된 변수는<표 1>에 정의하였다.
- 학습용 데이터 700개에서 변수 X3의 453번째 레코드와 X8의 324번째의 레코드에서 결측치를 확인하여 삭제시켰다. 데이터의 재구성을 위한 데이터의 정제 및 변환을 실시하였다. 학습용 데이터 698개를 이용하여 변수들 간의 관련성을 파악하고 현상분석을 위해 기초 통계량[표 2]과 상관관계 분석을 실시하였으며, 변수들 간의 관련성의 척도로 피어슨(Pearson) R 계수를 이용하였다.
- 결측치 처리는 결측치가 포함된 레코드 삭제, 결측치가 포함된 필드(변수) 삭제, 사전에 정해놓은 고정값을 부여, 모형으로부터 결측치 값을 추론하여 부여하는 방법 등이 있다[5]. 본 연구에서는 현장 데이터를 직접 이용하여 실험하였으므로, 고정값이나 결측치 값을 추론하여 부여한다는 것은 데이터를 왜곡하여 나타낼 수 있는 위험이 있기 때문에 결측치가 포함된 레코드나 필드를 삭제시켜서 데이터를 재구성하였다.
- 사전처리단계가 끝난 후 재구성된 데이터에 대하여 의사결정 나무 기법을 이용하여 불량항목별 공정패턴을 분석한다. 범퍼 공정에서는 공정 특성상 불량이 크게 4가 지(이물질, 칠흐름, 분화구, 이색)로 분류되어진다.
- 본 연구에서는 데이터마이닝 기법을 이용하여 최종검사단계가 아닌 공정단계에서 불량에 대한 패턴과 분석 유형을 파악하고, 분석된 결과를 이용하여 불량을 사전에 예측하는 방법을 제시하고자 한다. 이를 위해 데이터 마이닝 기법 및 분석유형에 대하여 알아보고, 분석유형에 적합한 모형을 도출한다. 도출된 모형을 공정데이터에 적용하여 분석한다.
- 통계적 공정관리의 대표적인 기법인 관리도(control chart)를 이용하여 공정을 모니터링 하고 있다. 제조공정에서 수집된 공정데이터를 이용하여 ~x-R 등의 관리도를 통해서 공정에 이상원인 이 발생하는 경우 이를 탐지하여 수정. 조치함으로써 불량의 발생을 사전에 억제하고 있다.
- 67 값으로 변환된다. 종속변수인 불량은 이항 형(binary) 변수이므로 알고자 하는 불량을 T로, 양품을, 0, 으로 변환하여 예측을 실시한다. 범퍼 공정의 예측 모형의 module 2단계의 각 network에는 4가지 불량 (network2-l:이물질 network2-2:칠흐름, network2-3:분화구, network2-4:이색)이 대응된다.
대상 데이터
- 본 사례연구에 사용된 데이터는 자동차 내. 외장품 생산업체인 국내。기업의 범퍼 공정에서 학습용 데이터 (training data)로 700개, 평가용 데이터(test data)로 300개를 수집하였으며, 분석 도구로 SAS 와 SAS E-Miner를 사용한다.
- 본 사례연구에 사용된 데이터는 자동차 내. 외장품 생산업체인 국내。기업의 범퍼 공정에서 학습용 데이터 (training data)로 700개, 평가용 데이터(test data)로 300개를 수집하였으며, 분석 도구로 SAS 와 SAS E-Miner를 사용한다.
- 여기서 작업자의 작업 미숙과 설비의 이상에 의한 불량은 매우 유동적 이고 데이터 수집이 용이하지 않으므로 본 연구에서는 여러 불량 원인 중 실질적으로 제품에 많은 영향을 미치는 작업 조건의 이상으로 인한 불량을 고려하였다. 본 사례의 범퍼 공정에서는 전처리공정, primer 공정, color 공정, clear 공정, 교반 공정을 주요공정으로 관리하고 있다. 그래서 실험에 사용된 공정변수로 주요공정과 동일하게 선택하였으며, 교반 공정을 제외한 주요공정의 관리항목인 온도와 습도, 교반 공정에서는 간을 선택하였다.
- 학습용 데이터 700개에서 변수 X3의 453번째 레코드와 X8의 324번째의 레코드에서 결측치를 확인하여 삭제시켰다. 데이터의 재구성을 위한 데이터의 정제 및 변환을 실시하였다.
데이터처리
- 로지스틱 회귀모형은 종속변수가 이 항형 (binary-type) 또는 순서형 (ordinal-type)으로 나타나는 경우에 선형회귀모형의 단점을 극복하기 위해 주로 사용되 는 분석방법이다[2]. 그러므로 제안모형과 로지스틱 회귀모형에 대하여 주요 통계량인 오분류율(Misclassification rate), 평균 제곱 오차(Average Squared Error), 제곱합오차 (Sum of Squared error)를 이용하여 모형에 대한 평가를 실시하였다. module 1의 양.
- 본 연구에서 제시한 예즉모형을 예즉에 유용하게 사용되는 통계적 기법 중에서 로지스틱 회귀모형과 수행 도를 비교한다. 로지스틱 회귀모형은 종속변수가 이 항형 (binary-type) 또는 순서형 (ordinal-type)으로 나타나는 경우에 선형회귀모형의 단점을 극복하기 위해 주로 사용되 는 분석방법이다[2].
- 도출된 모형을 공정데이터에 적용하여 분석한다. 분석된 결과를 예측모형에 유용하게 사용되는 로지스틱 회귀모형과 수행도를 비교한다.
- 데이터의 재구성을 위한 데이터의 정제 및 변환을 실시하였다. 학습용 데이터 698개를 이용하여 변수들 간의 관련성을 파악하고 현상분석을 위해 기초 통계량[표 2]과 상관관계 분석을 실시하였으며, 변수들 간의 관련성의 척도로 피어슨(Pearson) R 계수를 이용하였다. 구한 결과는<표 3>과 같다.
이론/모형
- 본 연구에서는 제조공정에서 발생하는 대용량 공정 데이터를 이용하여 불량 항목별 예측을 위한 분석 절차와 모형을 제시하였다. 실시간으로 수집되는 대용량의 데이터베이스로부터 분석적인 데이터나 유용한 정보를 찾아내는 어려움을 해결하기 위해 데이터베이스 마케팅 분야를 중심으로 의사결정에 필요한 정보를 제공해주는 실용적인 방법론인데이터마이닝 기법을 이용하였다. 대부분 기업에서는 검사 단계에서 불량 검사가 이루어지며 검사 단계에서 불량이라고 판명이 난 경우는 이미 불량이 만들어지고 난 이후가 된다.
- 특히, 수많은 공정변수와 방대한 양의 데이터를 인해 모든 변수를 분석하는데 어려움이 있다. 이와 같은 문제를 해결할 수 있는 기법의 하나인 데이터마이닝 기법을 연구에 이용하였다.
성능/효과
- 각 불량항목별 수행도 비교 결과, 모든 모형평가항목에서 제안모형이 로지스틱 회귀모형에 비해 성능이 우수함을 알 수 있으며, 예측의 정확도에서도 제안모형이 더 좋은 결과를 나타내고 있다. 특히, 이색 불량에 대해서는 제안모형의 정확도가 98.
- 모형평가 결과 모든 항목에서 제안모형이 로지스틱 회귀모형보다 좋은 결과를 나타내고 있다.
- 예측 결과 정확도에서 제안모형의 정확도가 94.6%로 로지스틱 회귀모형에 비해 1.9%p 더 좋은 결과를 나타내고 있다.
- <그림 6>의 Lift chart는 해당 집단에서 종속변수의 특정범주의 빈도를 나타내는 Y축의 %Response를 보면 각각 모형을 적용 후 불량의 가능성이 높은 상위 40%의 데이터에 대한 반응의 정도(정확도)가 제안모형은 96%, 로지스틱 회귀모형은 89%로 제안모형의 반응의 정도가 7% 더 좋은 결과를 나타낸다.<그림 7>의 Roc curve를 통해 비교하면 1-특이도(실제값은 0 값인데 1 값으로 잘못 예측할 확률)에 대한 민감도(실제값 1 값을 1 값으로 정확히 예측할 확률)의 정도가 제안모형이 로지스틱 회귀 모 형보다 0.
- <그림 6>의 Lift chart는 해당 집단에서 종속변수의 특정범주의 빈도를 나타내는 Y축의 %Response를 보면 각각 모형을 적용 후 불량의 가능성이 높은 상위 40%의 데이터에 대한 반응의 정도(정확도)가 제안모형은 96%, 로지스틱 회귀모형은 89%로 제안모형의 반응의 정도가 7% 더 좋은 결과를 나타낸다.<그림 7>의 Roc curve를 통해 비교하면 1-특이도(실제값은 0 값인데 1 값으로 잘못 예측할 확률)에 대한 민감도(실제값 1 값을 1 값으로 정확히 예측할 확률)의 정도가 제안모형이 로지스틱 회귀 모 형보다 0.1 정도 높게 나타났으며, 1-특이도 값이 증가하더 라도 제안모형은 크게 영향을 받지 않으므로 로지스틱 회귀모형에 비해 안정적이다. 두 도표의 결과 제안모형이 로지스틱다음y표 10>는 불량항목별에 대한 모형평가와 예측의 정확도에 관한 수행도를 비교한 결과이다.
- <표 3>의 결과 종속변수인 불량에 모든 독립변수가 관계가 있으며, p- value 값이 모두<0.05으로 모든 독립변수가 유의한 결과를 보였다. 이는 주요공정에서의 작업 조건인 온도와 습도가 불량에 많은 영향을 미침을 알 수 있다.
- 각 불량항목별 수행도 비교 결과, 모든 모형평가항목에서 제안모형이 로지스틱 회귀모형에 비해 성능이 우수함을 알 수 있으며, 예측의 정확도에서도 제안모형이 더 좋은 결과를 나타내고 있다. 특히, 이색 불량에 대해서는 제안모형의 정확도가 98.2%로 로지스틱 회귀모형보다 7.1%p 더 좋은 예측 결과를 나타내고 있다.
후속연구
- 최종검사단계에서 불량이라고 판명 이 난 경우는 이미 불량이 만들어 지고'난 이후가 된다. 그러므로 최종검사단계가 아닌 공정단계에서 불량을 미리 발견할 수 있다면 공정이상원인을 해결하는 과정에 소요되는 시간을 단축시킬 수 있을 뿐만 아니라, 불량을 사전에 감지함으로써 불량비용과 원자재비용 등을 감소할 수 있을 것이다.
- 본 연구에서 제시하는 분석 절차와 모형을 통해 불량이 만들어지기 전에 공정단계에서 불량을 미리 예측하여 공정이 상원인을 해결하는 과정에 소요되는 시간을 단축시킬 수 있을 것이다. 또한, 불량을 사전에 감소시킴으로서 불량 발생에 의해 수반되는 비용과 원자재 비용 등을 감소할 수 있을 것 이다.
- 대부분 기업에서는 검사 단계에서 불량 검사가 이루어지며 검사 단계에서 불량이라고 판명이 난 경우는 이미 불량이 만들어지고 난 이후가 된다. 본 연구에서 제시하는 분석 절차와 모형을 통해 불량이 만들어지기 전에 공정단계에서 불량을 미리 예측하여 공정이 상원인을 해결하는 과정에 소요되는 시간을 단축시킬 수 있을 것이다. 또한, 불량을 사전에 감소시킴으로서 불량 발생에 의해 수반되는 비용과 원자재 비용 등을 감소할 수 있을 것 이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.