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 국내 H철강 기업의 생산공정 데이터를 이용하여 연주공정상에서 발생하는 품질 결함을 파악하고 생산공정을 관리하기 위해 의사결정나무 분석을 이용하여 이상트랜잭션 검출모형을 제안하고 신경망 분석 및 로지스틱 회귀분석과 비교분석하여 제안한 방법의 유용성을 검증하고자 한다.
- 본 연구에서는 실험 데이터 수가 많으므로 더 정확한 성과를 위해 결측치가 발생하는 레코드를 삭제하여 데이터를 전처리 하였다. 또한 연주공정에서 2초 간격으로 수집되는 전체 트랜잭션 중 같은 시간에 2차 냉각공정 중 다른 슬라브와 겹치는 트랜잭션은 제외하고 동일한 슬라브의 시간대 트랜잭션만 사용하였으며, 연주공정에서 품질결함을 판별하기 위한 데이터 셋을 만들기 위하여 연주공정의 데이터와 압연공정의 품질결함 데이터를 통합하였다.
- 본 연구에서는 철강공정 중 연주공정에서 발생하는 품질 결함을 파악하고 실시간으로 연주공정을 관리하기 위한 방법으로 철강 생산공정에서 발생하는 대용량의 데이터로부터 데이터마이닝 기법중 하나인 의사결정나무(decision tree)를 이용한 연주공정상의 이상트랜잭션 검출모형(abnormal transaction detection model)을 제시하였다. 또한 제시한 모형의 유용성을 검증하기 위하여 신경망(neural network)과 로지스틱 회귀분석(logistic regression)으로 비교 분석하였다.
제안 방법
- 따라서 본 연구에서는 국내 H철강 기업의 생산 공정 데이터를 이용하여 연주공정상에서 발생하는 품질결함을 파악하고, 실시간으로 생산공정을 관리하기 위해 데이터마이닝 기법인 의사결정나무분석을 이용한 연주공정상의 이상 트랜잭션 검출 모형을 제안하였으며, 신경망 분석 및 로지스틱 회귀분석을 이용한 모형과 비교분석 하였다.
- 또한 본 연구를 수행하기 위해 데이터마이닝 도구인 클레멘타인 12.0을 사용하였으며, 총 데이터 수는 10,999건으로 훈련 집합(training data set)과 테스트 집합(test data set)을 각각 7：3의 비율로 나누어서 수행하였다.
- 본 연구에서는 실험 데이터 수가 많으므로 더 정확한 성과를 위해 결측치가 발생하는 레코드를 삭제하여 데이터를 전처리 하였다. 또한 연주공정에서 2초 간격으로 수집되는 전체 트랜잭션 중 같은 시간에 2차 냉각공정 중 다른 슬라브와 겹치는 트랜잭션은 제외하고 동일한 슬라브의 시간대 트랜잭션만 사용하였으며, 연주공정에서 품질결함을 판별하기 위한 데이터 셋을 만들기 위하여 연주공정의 데이터와 압연공정의 품질결함 데이터를 통합하였다.
- 본 연구에서 제시한 세 가지 분석 기법인 의사결정나무 분석, 신경망 분석, 로지스틱 회귀분석의 결과에 따른 오차율(error rate), 정확도(accuracy), 민감도(sensitivity), 특이도(specificity)의 값은 과 같다.
- 마지막으로 분석노드는 모델이 가진 예측력을 평가하는데 사용되며, 모델 노드에서 하나 또는 그 이상 생성된 서로 다른 모델들 간의 예측 값이 실제 목표 값을 얼마나 정확하게 예측하는지를 비교하는데 사용된다. 본 연구에서는 분류행렬표 및 결과값을 통해 모델이 가진 예측력을 평가하는데 사용하였다.
- 본 연구에서는 연주공정에서 생성되는 트랜잭션을 통해 사전적으로 품질결함 유·무를 판정하기 위해 이상 트랜잭션 검출 모형을 생성하였다.
- 일반적으로 전반적인 추세를 살펴보거나 예비 모델링을 할 경우 장시간에 과도한 작업 시간을 피하기 위해 표본을 추출한다. 본 연구에서는 표본 노드를 통해 훈련 집합(training data set)과 테스트 집합(test data set)의 비율을 7：3으로 나누어서 실험하였다. 필터 노드는 데이터 필드명을 변경하거나 필드를 이후 스트림에서 사용할 것인지를 지정하는 노드로 클레멘타인에서 자주 사용되며, 유형 노드와 마찬가지로 소스 노드에 필터 노드의 기능이 포함되어 있어서 필터 노드를 추가하지 않고도 데이터 처리를 할 수도 있다.
- 유형노드는 데이터 유형을 지정하거나 변경할 수 있게 해주는 노드로 소스 노드에서도 이 기능을 지원하지만, 대용량 데이터의 유형을 지정하거나 변경할 때 모델링 노드 앞에서 이 노드를 사용하는 것이 더 유용하다. 본 연구에서는 필드의 타입을 입력필드는 레인지(range)로 출력필드는 셋(set)으로 설정하였으며, 입력필드의 방향은 인(in)으로 출력필드의 방향은 아웃(out)으로 설정하였다. C5.
- 아래 는 분류행렬표를 나타낸 것으로 본 연구에서는 정확도, 민감도, 특이도를 계산하여 예측모형의 유용성을 검증하였다.
- 본 연구에서는 연주공정에서 생성되는 트랜잭션을 통해 사전적으로 품질결함 유·무를 판정하기 위해 이상 트랜잭션 검출 모형을 생성하였다. 이상 트랜잭션을 도출하기 위해 연주공정의 2차 냉각 존(zone) 변수를 입력변수로 지정하고, 압연공정의 품질결함 변수를 출력변수로 지정하였다.
- 재분류 노드는 “필드 유형”이 “이산형, 범주형, 이분형”인 경우 여러가지 범주(이산)값을 하나의 범주(이산)값으로 바꿀 때나 기존 값을 다른 값으로 바꿀 때 사용할 수 있는 노드로, 본 연구에서는 표면등급 1, 2, 3중 1을 nor로 2, 3을 out으로 지정하였다.
대상 데이터
- 데이터수집 및 구성단계에서는 국내 H철강 기업의 생산공정 데이터로부터 연주공정상의 이상 트랜잭션 검출 규칙을 생성하기 위해 필요한 데이터를 추출하였다. 데이터 전처리 단계에서는 데이터의 이해를 바탕으로 본격적인 분석에 앞서 데이터 전처리, 결측치 처리 등을 실행하였다.
- 데이터 전처리 단계에서는 데이터의 이해를 바탕으로 본격적인 분석에 앞서 데이터 전처리, 결측치 처리 등을 실행하였다. 모델링 단계에서는 클레멘타인 12.0으로 분석에 적합한 노드를 구성하여 모델을 수립하였다. 이상 트랜잭션 검출 모형 평가 단계에서는 의사결정나무를 이용한 이상트랜잭션 검출 모형과 신경망 및 로지스틱 회귀분석을 이용한 모형을 비교 평가하였다.
- 본 연구에서는 생산공정에서 수집된 대용량의 데이터 중에서 과 같이 연주공정의 2차 냉각 존(zone)에서 생성되는 32개 변수의 데이터와 와 같이 압연공정에서 생성되는 품질결함을 나타내는 13개 변수의 데이터를 대상으로 분석하였다.
- 입력 변수는 연주공정의 2차 냉각 존(zone)에서 생성되는 32개 변수의 데이터를 선정하였고, 목표 변수는 압연공정에서 생성되는 품질 결함을 나타내는 변수 중에 표면등급이 2이상인 데이터를 선정하였으며 과 같다.
- 본 연구에 사용된 모델링 및 노드에 대한 설명은 다음과 같다. 입력노드는 분석대상 파일을 불러오는 노드로 본 연구에서는 철강공정 중 대표 강종인 J강종을 대상으로 분석하였다. 재분류 노드는 “필드 유형”이 “이산형, 범주형, 이분형”인 경우 여러가지 범주(이산)값을 하나의 범주(이산)값으로 바꿀 때나 기존 값을 다른 값으로 바꿀 때 사용할 수 있는 노드로, 본 연구에서는 표면등급 1, 2, 3중 1을 nor로 2, 3을 out으로 지정하였다.
데이터처리
- 본 연구에서는 철강공정 중 연주공정에서 발생하는 품질 결함을 파악하고 실시간으로 연주공정을 관리하기 위한 방법으로 철강 생산공정에서 발생하는 대용량의 데이터로부터 데이터마이닝 기법중 하나인 의사결정나무(decision tree)를 이용한 연주공정상의 이상트랜잭션 검출모형(abnormal transaction detection model)을 제시하였다. 또한 제시한 모형의 유용성을 검증하기 위하여 신경망(neural network)과 로지스틱 회귀분석(logistic regression)으로 비교 분석하였다.
- 0으로 분석에 적합한 노드를 구성하여 모델을 수립하였다. 이상 트랜잭션 검출 모형 평가 단계에서는 의사결정나무를 이용한 이상트랜잭션 검출 모형과 신경망 및 로지스틱 회귀분석을 이용한 모형을 비교 평가하였다.
이론/모형
- 따라서 본 연구에서는 연주공정상의 이상트랜잭션 검출모형을 생성하기 위해서 C5.0 알고리즘을 이용하였다. 특히, C5.
- 본 논문에서는 모델링을 하기 위해 데이터마이닝 도구인 클레멘타인 12.0을 사용하였으며, 본 연구의 데이터 마이닝 수행노드는 [그림 3]과 같다.
- 본 연구를 분석하기 위해 데이터마이닝 도구인 클레멘타인 12.0을 사용하였으며, 의사결정나무 분석을 실행한 출력 결과는 [그림 5]와 같다. 이전에 모델링에서 설명하였듯이 클레멘타인의 분석 노드는 생성된 모형의 예측값이 실제값에 얼마나 잘맞는지를 보여주는 노드로 서로 다른 모형의 예측값을 비교하는 데도 사용되며, 각 모형의 예측값이 얼마나 일치하는지도 보여주는 ‘일치성’을 확인하는데도 사용된다.
- 본 연구에서는 제시한 모형의 적절성을 확인하기 위해 분류행렬표를 사용하였다. 분류행렬표란, 예측 모형이 특정 데이터 집합에 대해 수행한 정분류와 오분류의 요약정보를 보여준다.
성능/효과
- 각 분석기법 별 정확도는 의사결정나무 분석 > 신경망 분석 > 로지스틱 회귀분석 순이며, 민감도는 로지스틱 회귀분석 > 신경망 분석 > 의사결정나무 분석 순이고, 특이도는 의사결정나무 분석 > 신경망 분석 > 로지스틱 회귀분석 순임을 알 수 있다.
- 즉, 모형을 평가할 때 정확도와 오류율만을 가지고 평가하면 적절한 평가가 이루어 질 수 없으며, 민감도와 특이도를 고려한 평가가 이루어져야 함을 보여주고 있다. 따라서 정확도, 오류율, 민감도, 특이도를 모두 고려한 결과, 의사결정나무 분석의 특이 도와 다른 기법의 특이도보다 높으므로 의사결정 나무 분석이 가장 우수한 성능을 나타낸다는 것을 알 수 있었다.
- 로지스틱 회귀분석 평가결과 정확도와 민감도는 우수하나, 이상 트랜잭션을 정상 트랜잭션으로 가능성인 특이도가 다른 결과값에 비해 월등하게 낮음을 알 수 있다.
- 본 연구에서 제안한 로지스틱 회귀분석 모형을 통해 J강종을 평가한 결과는 과 같으며, 에러율이 6.19%, 정확도가 93.81%, 민감도가 100%이나 특이도의 값이 0임을 알 수 있다.
- 분석결과 세 가지 기법 모두 93% 이상의 높은 정확도와 민감도를 나타내었지만, 특이도 결과값의 차이로 인해 세 가지 기법에 대한 차이가 나타났다. 즉, 정확도, 오류율, 민감도, 특이도를 모두 고려한 결과 의사결정나무 분석의 특이도와 다른 기법의 특이도의 차이로 인해 의사결정나무 분석이 가장 우수한 성능을 나타낸다는 것을 알 수 있었다.
- 세 가지 기법 모두 93% 이상의 높은 정확도와 민감도를 나타내었지만, 특이도 결과값의 차이로 인해 세 가지 기법에 대한 차이가 나타났다. 즉, 모형을 평가할 때 정확도와 오류율만을 가지고 평가하면 적절한 평가가 이루어 질 수 없으며, 민감도와 특이도를 고려한 평가가 이루어져야 함을 보여주고 있다.
- 첫 번째 지표는 surface_yn의 실제값과 신경망 모형의 예측값인 $N-surface_yn를 비교한 것이다. 신경망 모형은 예측값이 93.89% 이상의 예측율을 보이고 있으며, 세 가지 기법 중 두 번째로 높은 예측율을 나타내었다. 두 번째 지표는 정오분류표인 matrix를 통해 모형의 평가값을 나타내고 있으며, 평가값의 해석은 다음에 나오는 정오분류표를 통해 자세히 설명하고자 한다.
- 신경망 분석 평가결과 정확도, 민감도는 우수하나, 이상 트랜잭션을 정상 트랜잭션으로 분류할 가능성인 특이도가 다른 결과값에 비해 낮음을 알 수 있다.
- 본 연구에서 제안한 의사결정분석 모형을 통해 J강종을 평가한 결과는 <표 5>와 같으며. 에러율이 4.26%, 정확도가 95.74%, 민감도가 98.37%, 특이도가 55.92%이다.
- 본 연구에서 제안한 신경망분석 모형을 통해 J강종을 평가한 결과는 <표 6>과 같으며. 에러율이 6.11%, 정확도가 93.89%, 민감도가 99.03%, 특이도가 16.11%이다.
- 의사결정나무 분석 평가결과 정확도와 민감도는 우수하지만 이상 트랜잭션을 이상 트랜잭션으로 분류할 가능성인 특이도가 다른 결과값에 비해 낮음을 알 수 있다.
- 예를 들면 J강종은 첫 번째 기준인 SCO_1BL_ FLW가 3089이하이고, SCO_1CF_FLW가 2983이하이고, SCO_Z4L_FLW가 1148이하이고, SCO_Z4F_MAF가 127,459이하일 때 이상트랜잭션이 발생함을 알 수 있다. 이와 같은 결과로 J강종의 이상트랜잭션 발생에 영향을 미치는 변수가 SCO_1BL_FLW ,SCO_1CF_FLW, SCO_Z7F_FLW, SCO_Z4F_MAF, SCO_Z4L_FLW 라는 것을 알 수 있다.
- 분석결과 세 가지 기법 모두 93% 이상의 높은 정확도와 민감도를 나타내었지만, 특이도 결과값의 차이로 인해 세 가지 기법에 대한 차이가 나타났다. 즉, 정확도, 오류율, 민감도, 특이도를 모두 고려한 결과 의사결정나무 분석의 특이도와 다른 기법의 특이도의 차이로 인해 의사결정나무 분석이 가장 우수한 성능을 나타낸다는 것을 알 수 있었다.
- 첫째, 데이터마이닝 모형에는 본 연구에서 사용된 모형 외에 여러 다른 모형이 존재하고 개발되고 있으나, 본 연구에서는 데이터마이닝 모형 중 의사결정나무(C5.0), 신경망(Quick), 로지스틱 회귀분석만을 사용했다는 것이다. 둘째, 실험 데이터의 여러 철강종류 중에서 대표 강종인 J강종만을 사용함으로써 철강강종 전체에 일반화하기에는 한계가 있을 수 있다.
후속연구
- 0), 신경망(Quick), 로지스틱 회귀분석만을 사용했다는 것이다. 둘째, 실험 데이터의 여러 철강종류 중에서 대표 강종인 J강종만을 사용함으로써 철강강종 전체에 일반화하기에는 한계가 있을 수 있다.
- 본 연구 결과를 통해 연주공정에서의 실시간 품질관리 및 사전 품질관리가 유용할 것으로 기대되며, 더 나아가서는 공정 중 이상 원인을 해결하는 과정에서 소요되는 시간과 비용의 감소를 통해 공정의 생산성을 향상시킬 수 있을 것으로 기대된다.
- 본 연구 결과를 통해 제안한 모형은 철강기업의 연주공정에서의 실시간 품질관리 및 사전 품질관리에 유용할 것으로 기대되며, 더 나아가서는 공정 중 이상 원인을 해결하는 과정에서 소요되는 시간과 비용의 감소를 통해 공정의 생산성을 향상시킬 수 있을 것으로 기대된다.
- 추후 연구에는 본 연구를 기반으로 이러한 한계점을 보완하여 좀 더 세밀하고 다양하게 분석 할 수 있기를 기대한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.