강판 표면 결함은 강판의 품질과 가격을 결정하는 중요한 요인 중 하나로, 많은 철강 업체는 그동안 검사자의 육안으로 강판 표면 결함을 확인해왔다. 그러나 시각에 의존한 검사는 통상 30% 이상의 판단 오류가 발생함에 따라 검사 신뢰도가 낮은 문제점을 갖고 있다. 따라서 본 연구는 Simultaneous MTS (S-MTS) 알고리즘을 적용하여 보다 지능적이고 높은 정확도를 갖는 새로운 강판 표면 결함 진단 시스템을 제안하였다. S-MTS 알고리즘은 단일 클래스 분류에는 효과적이지만 다중 클래스 분류에서 정확도가 떨어지는 기존 마할라노비스 다구찌시스템 알고리즘(Mahalanobis Taguchi System; MTS)의 문제점을 해결한 새로운 알고리즘이다. 강판 표면 결함 진단은 대표적인 다중 클래스 분류 문제에 해당하므로, 강판 표면 결함 진단 시스템 구축을 위해 본 연구에서는 S-MTS 알고리즘을 채택하였다. 강판 표면 결함 진단 시스템 개발은 S-MTS 알고리즘에 따라 다음과 같이 진행하였다. 첫째, 각 강판 표면 결함 별로 개별적인 참조 그룹 마할라노비스 공간(Mahalanobis Space; MS)을 구축하였다. 둘째, 구축된 참조 그룹 MS를 기반으로 비교 그룹 마할라노비스 거리(Mahalanobis Distance; MD)를 계산한 후 최소 MD를 갖는 강판 표면 결함을 비교 그룹의 강판 표면 결함으로 판단하였다. 셋째, 강판 표면 결함을 분류하는 데 있어 결함 간의 차이점을 명확하게 해주는 예측 능력이 높은 변수를 파악하였다. 넷째, 예측 능력이 높은 변수만을 이용해 강판 표면 결함 분류를 재수행함으로써 최종적인 강판 표면 결함 진단 시스템을 구축한다. 이와 같은 과정을 통해 구축한 S-MTS 기반 강판 표면 결함 진단 시스템의 정확도는 90.79%로, 이는 기존 검사 방법에 비해 매우 높은 정확도를 갖는 유용한 방법임을 보여준다. 추후 연구에서는 본 연구를 통해 개발된 시스템을 현장 적용하여, 실제 효과성을 검증할 필요가 있다.
강판 표면 결함은 강판의 품질과 가격을 결정하는 중요한 요인 중 하나로, 많은 철강 업체는 그동안 검사자의 육안으로 강판 표면 결함을 확인해왔다. 그러나 시각에 의존한 검사는 통상 30% 이상의 판단 오류가 발생함에 따라 검사 신뢰도가 낮은 문제점을 갖고 있다. 따라서 본 연구는 Simultaneous MTS (S-MTS) 알고리즘을 적용하여 보다 지능적이고 높은 정확도를 갖는 새로운 강판 표면 결함 진단 시스템을 제안하였다. S-MTS 알고리즘은 단일 클래스 분류에는 효과적이지만 다중 클래스 분류에서 정확도가 떨어지는 기존 마할라노비스 다구찌시스템 알고리즘(Mahalanobis Taguchi System; MTS)의 문제점을 해결한 새로운 알고리즘이다. 강판 표면 결함 진단은 대표적인 다중 클래스 분류 문제에 해당하므로, 강판 표면 결함 진단 시스템 구축을 위해 본 연구에서는 S-MTS 알고리즘을 채택하였다. 강판 표면 결함 진단 시스템 개발은 S-MTS 알고리즘에 따라 다음과 같이 진행하였다. 첫째, 각 강판 표면 결함 별로 개별적인 참조 그룹 마할라노비스 공간(Mahalanobis Space; MS)을 구축하였다. 둘째, 구축된 참조 그룹 MS를 기반으로 비교 그룹 마할라노비스 거리(Mahalanobis Distance; MD)를 계산한 후 최소 MD를 갖는 강판 표면 결함을 비교 그룹의 강판 표면 결함으로 판단하였다. 셋째, 강판 표면 결함을 분류하는 데 있어 결함 간의 차이점을 명확하게 해주는 예측 능력이 높은 변수를 파악하였다. 넷째, 예측 능력이 높은 변수만을 이용해 강판 표면 결함 분류를 재수행함으로써 최종적인 강판 표면 결함 진단 시스템을 구축한다. 이와 같은 과정을 통해 구축한 S-MTS 기반 강판 표면 결함 진단 시스템의 정확도는 90.79%로, 이는 기존 검사 방법에 비해 매우 높은 정확도를 갖는 유용한 방법임을 보여준다. 추후 연구에서는 본 연구를 통해 개발된 시스템을 현장 적용하여, 실제 효과성을 검증할 필요가 있다.
Steel plate faults is one of important factors to affect the quality and price of the steel plates. So far many steelmakers generally have used visual inspection method that could be based on an inspector's intuition or experience. Specifically, the inspector checks the steel plate faults by looking...
Steel plate faults is one of important factors to affect the quality and price of the steel plates. So far many steelmakers generally have used visual inspection method that could be based on an inspector's intuition or experience. Specifically, the inspector checks the steel plate faults by looking the surface of the steel plates. However, the accuracy of this method is critically low that it can cause errors above 30% in judgment. Therefore, accurate steel plate faults diagnosis system has been continuously required in the industry. In order to meet the needs, this study proposed a new steel plate faults diagnosis system using Simultaneous MTS (S-MTS), which is an advanced Mahalanobis Taguchi System (MTS) algorithm, to classify various surface defects of the steel plates. MTS has generally been used to solve binary classification problems in various fields, but MTS was not used for multiclass classification due to its low accuracy. The reason is that only one mahalanobis space is established in the MTS. In contrast, S-MTS is suitable for multi-class classification. That is, S-MTS establishes individual mahalanobis space for each class. 'Simultaneous' implies comparing mahalanobis distances at the same time. The proposed steel plate faults diagnosis system was developed in four main stages. In the first stage, after various reference groups and related variables are defined, data of the steel plate faults is collected and used to establish the individual mahalanobis space per the reference groups and construct the full measurement scale. In the second stage, the mahalanobis distances of test groups is calculated based on the established mahalanobis spaces of the reference groups. Then, appropriateness of the spaces is verified by examining the separability of the mahalanobis diatances. In the third stage, orthogonal arrays and Signal-to-Noise (SN) ratio of dynamic type are applied for variable optimization. Also, Overall SN ratio gain is derived from the SN ratio and SN ratio gain. If the derived overall SN ratio gain is negative, it means that the variable should be removed. However, the variable with the positive gain may be considered as worth keeping. Finally, in the fourth stage, the measurement scale that is composed of selected useful variables is reconstructed. Next, an experimental test should be implemented to verify the ability of multi-class classification and thus the accuracy of the classification is acquired. If the accuracy is acceptable, this diagnosis system can be used for future applications. Also, this study compared the accuracy of the proposed steel plate faults diagnosis system with that of other popular classification algorithms including Decision Tree, Multi Perception Neural Network (MLPNN), Logistic Regression (LR), Support Vector Machine (SVM), Tree Bagger Random Forest, Grid Search (GS), Genetic Algorithm (GA) and Particle Swarm Optimization (PSO). The steel plates faults dataset used in the study is taken from the University of California at Irvine (UCI) machine learning repository. As a result, the proposed steel plate faults diagnosis system based on S-MTS shows 90.79% of classification accuracy. The accuracy of the proposed diagnosis system is 6-27% higher than MLPNN, LR, GS, GA and PSO. Based on the fact that the accuracy of commercial systems is only about 75-80%, it means that the proposed system has enough classification performance to be applied in the industry. In addition, the proposed system can reduce the number of measurement sensors that are installed in the fields because of variable optimization process. These results show that the proposed system not only can have a good ability on the steel plate faults diagnosis but also reduce operation and maintenance cost. For our future work, it will be applied in the fields to validate actual effectiveness of the proposed system and plan to improve the accuracy based on the results.
Steel plate faults is one of important factors to affect the quality and price of the steel plates. So far many steelmakers generally have used visual inspection method that could be based on an inspector's intuition or experience. Specifically, the inspector checks the steel plate faults by looking the surface of the steel plates. However, the accuracy of this method is critically low that it can cause errors above 30% in judgment. Therefore, accurate steel plate faults diagnosis system has been continuously required in the industry. In order to meet the needs, this study proposed a new steel plate faults diagnosis system using Simultaneous MTS (S-MTS), which is an advanced Mahalanobis Taguchi System (MTS) algorithm, to classify various surface defects of the steel plates. MTS has generally been used to solve binary classification problems in various fields, but MTS was not used for multiclass classification due to its low accuracy. The reason is that only one mahalanobis space is established in the MTS. In contrast, S-MTS is suitable for multi-class classification. That is, S-MTS establishes individual mahalanobis space for each class. 'Simultaneous' implies comparing mahalanobis distances at the same time. The proposed steel plate faults diagnosis system was developed in four main stages. In the first stage, after various reference groups and related variables are defined, data of the steel plate faults is collected and used to establish the individual mahalanobis space per the reference groups and construct the full measurement scale. In the second stage, the mahalanobis distances of test groups is calculated based on the established mahalanobis spaces of the reference groups. Then, appropriateness of the spaces is verified by examining the separability of the mahalanobis diatances. In the third stage, orthogonal arrays and Signal-to-Noise (SN) ratio of dynamic type are applied for variable optimization. Also, Overall SN ratio gain is derived from the SN ratio and SN ratio gain. If the derived overall SN ratio gain is negative, it means that the variable should be removed. However, the variable with the positive gain may be considered as worth keeping. Finally, in the fourth stage, the measurement scale that is composed of selected useful variables is reconstructed. Next, an experimental test should be implemented to verify the ability of multi-class classification and thus the accuracy of the classification is acquired. If the accuracy is acceptable, this diagnosis system can be used for future applications. Also, this study compared the accuracy of the proposed steel plate faults diagnosis system with that of other popular classification algorithms including Decision Tree, Multi Perception Neural Network (MLPNN), Logistic Regression (LR), Support Vector Machine (SVM), Tree Bagger Random Forest, Grid Search (GS), Genetic Algorithm (GA) and Particle Swarm Optimization (PSO). The steel plates faults dataset used in the study is taken from the University of California at Irvine (UCI) machine learning repository. As a result, the proposed steel plate faults diagnosis system based on S-MTS shows 90.79% of classification accuracy. The accuracy of the proposed diagnosis system is 6-27% higher than MLPNN, LR, GS, GA and PSO. Based on the fact that the accuracy of commercial systems is only about 75-80%, it means that the proposed system has enough classification performance to be applied in the industry. In addition, the proposed system can reduce the number of measurement sensors that are installed in the fields because of variable optimization process. These results show that the proposed system not only can have a good ability on the steel plate faults diagnosis but also reduce operation and maintenance cost. For our future work, it will be applied in the fields to validate actual effectiveness of the proposed system and plan to improve the accuracy based on the results.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이어서 비교 그룹의 MD를 계산하게 되며, 계산 결과를 바탕으로 비교 그룹의 MD가 참조 그룹의 상태 별 MD와 가장 차이가 적은 상태를 해당 비교 그룹의 상태로 식별한다. 다음으로 비교 그룹의 식별된 상태와 실제 상태가 일치하는지 확인한다. 이를 통해 구축된 상태 별 MS가 다양한 상태를 잘 식별할 수 있는지 여부, 다시 말해 상태 별 MS의 유효성을 확인한다.
강판 표면 결함은 강판 품질, 가격과 직결되는 중요한 품질 지표로써 이를 관리하기 위해 육안으로 강판 표면 검사를 수행하고 있으나, 상당한 오·판단으로 인해 신뢰도에 심각한 문제를 갖고 있다. 따라서 본 연구는 S-MTS 알고리즘을 적용해 보다 높은 정확도를 가진 새로운 강판 표면 결함 진단 시스템을 고안하고자 하였다. 결함 진단은 S-MTS 절차 따라 6가지 강판 결함 별 참조 그룹 MS를 구축하고, 이를 기반으로 비교 그룹의 MD를 계산한 뒤 최소 MD를 갖는 강판 결함을 해당 비교 그룹의 강판 결함으로 식별하였다.
, 2010) 등 다양한 분야의 진단 문제에 널리 적용되고 있지만, 3개 이상의 클래스를 분류하는 다중 클래스 분류 문제에서는 정확도가 낮은 한계점을 가지고 있다. 따라서 본 연구에서는 다양한 강판 표면 결함을 분류하기 위해 다중 클래스 분류가 가능한 진보된 MTS 알고리즘인 Simultaneous MTS (S-MTS)를 적용하여(Cha and Kim et al., 2016) 강판 표면 결함 진단 시스템을 개발하고, 선행 연구에서 제시하고 있는 타 알고리즘 기반 결함 진단 시스템과의 성능 비교를 통하여 이에 대한 효과성을 확인하고자 한다.
강판 표면 결함 진단은 데이터마이닝에서 많은 관심이 집중되는 분야 중 하나로서 다양한 알고리즘을 도입 및 적용하는 연구가 늘고있다. 따라서 본 절에는 S-MTS 기반 강판 표면 결함 진단 시스템의 정확도와 선행 연구들에서 제시하고 있는 타 알고리즘 기반 강판 표면 결함 진단 시스템 간의 정확도를 비교하고자 한다. 비교 대상 알고리즘은 Decision Tree, Multi Perception Neural Network (MLPNN), Logistic Regression (LR), Support Vector Machine (SVM), Tree Bagger Random Forest, Grid Search (GS), Genetic Algorithm (GA), Particle Swarm Optimization (PSO)이며, [Table 9]는 선행 연구들에서 수행한 실험 결과를 기반으로 각 알고리즘의 정확도를 정리한 것이다.
본 연구에서는 철강 산업의 중요한 이슈인 강판 표면 결함 진단을 위해 다중 클래스 분류에 진보된 알고리즘인 S-MTS에 기반한 강판 표면 결함 진단 시스템을 제안하였다.
다음으로 비교 그룹의 식별된 상태와 실제 상태가 일치하는지 확인한다. 이를 통해 구축된 상태 별 MS가 다양한 상태를 잘 식별할 수 있는지 여부, 다시 말해 상태 별 MS의 유효성을 확인한다.
제안 방법
따라서 본 연구는 S-MTS 알고리즘을 적용해 보다 높은 정확도를 가진 새로운 강판 표면 결함 진단 시스템을 고안하고자 하였다. 결함 진단은 S-MTS 절차 따라 6가지 강판 결함 별 참조 그룹 MS를 구축하고, 이를 기반으로 비교 그룹의 MD를 계산한 뒤 최소 MD를 갖는 강판 결함을 해당 비교 그룹의 강판 결함으로 식별하였다. 이로부터 나온 S-MTS 기반 강판 표면 결함 분류 정확도는 90.
이를 위해 대상 시스템의 다양한 상태를 식별하고, 적절한 변수로 구성된 다양한 상태 별 데이터를 수집해 이를 기반으로 참조 그룹을 선정한다. 다음으로 상태 별 참조 그룹의 MD를 계산해 상태 별 참조 그룹 MS를 구축한다. 이때 중심점으로부터 거리 평균이 1.
본 단계는 S-MTS의 네번째 단계로 세번째 단계에서 선정한 유용한 변수 13개의 예측능력을 검증하고자 해당 변수만을 이용해 강판 표면 결함 진단 실험을 재수행하였다. 이에 대한 결과는 [Figure 7]과 [Table 8]에서 제시한 바와 같이 13개 변수만 사용하였음에도 불구하고 정확도 측면에서 전체 26개 변수를 모두 사용하였을 때보다 5% 높은 90.
본 단계는 S-MTS의 두번째 단계로써 비교 그룹을 식별하고, 첫번째 단계에서 구축한 참조 그룹 MS의 유효성을 확인한다. 이를 위해 본 과정에서는 비교 그룹에서 사용한 데이터를 제외한 나머지 380개의 데이터를 비교 그룹으로 선정하였다.
따라서 본 절에는 S-MTS 기반 강판 표면 결함 진단 시스템의 정확도와 선행 연구들에서 제시하고 있는 타 알고리즘 기반 강판 표면 결함 진단 시스템 간의 정확도를 비교하고자 한다. 비교 대상 알고리즘은 Decision Tree, Multi Perception Neural Network (MLPNN), Logistic Regression (LR), Support Vector Machine (SVM), Tree Bagger Random Forest, Grid Search (GS), Genetic Algorithm (GA), Particle Swarm Optimization (PSO)이며, [Table 9]는 선행 연구들에서 수행한 실험 결과를 기반으로 각 알고리즘의 정확도를 정리한 것이다. 표에서 보이는 바와 같이 S-MTS 기반 강판 표면 결함 진단 시스템의 정확도는 MLPNN, LR, GS, GA, PSO 대비 작게는 6%, 크게는 27% 정도 우수한 정확도를 갖고 있으며, Decision Tree와 SVM, Tree Bagger Random Forest에 비해 작게는 4%, 크게는 9% 정도 낮은 정확도를 갖는 것으로 확인되었다.
마지막으로, 네 번째 단계에서는 예측 능력이 높은 변수로 구성된 진단 시스템을 구축한다. 예측 능력이 높은 변수만으로 진단 시스템을 개발하여 강판 표면 결함 분류를 수행한다. [Figure 2]는 전술한 S-MTS의 절차를 보인다.
변수들의 예측능력을 평가하기 위해 2수준계 직교배열표와 SN비(Signal-to-Noise Ratio; SNR)를 활용한다. 우선 내측배열과 외측배열에 변수와 신호인자를 배치하여 각 실험 조건에 따라 MD를 계산하고, 이들로부터 SN비를 도출한다. SN비의 수식은 변수 값의 특성에 따라 달라지는데, 변수 값이 클수록 좋은 특성을 의미할 경우에는 망대특성 (Lager-the-better)의 SN비, 변수 값이 작을수록 좋은 특성을 의미할 경우에는 망소특성 (Smaller-the-better)의 SN비, 변수값이 특정 목표 값에 가까울수록 좋은 특성을 의미할 경우에는 망목특성(Nominal-the-better)의 SN비, 알려진 신호인자가 있는 경우에는 동특성(Dynamic)의 SN 비 계산식을 사용한다.
다음으로 상태 별 참조 그룹의 MD를 계산해 상태 별 참조 그룹 MS를 구축한다. 이때 중심점으로부터 거리 평균이 1.0이 되는 MS를 도출하기 위해 상태 별 참조 그룹의 데이터를 정규화하 며, 정규화는 측정값에서 평균값을 뺀 값을 표준편차로 나누어 계산한다. 이에 대한 수식은 <Eq.
이를 위해 이미 상태를 알고 있는 다양한 상태 별 비교 데이터를 수집해 상태 별 비교 그룹을 선정하고, 상태 별 참조 그룹 MS를 기준으로 비교 그룹의 MD를 계산한다. 이때, 비교 그룹을 참조 그룹과 같은 공간에서 비교하기 위하여 비교 그룹의 측정값에서 참조 그룹의 평균값을 뺀 후 이를 참조 그룹의 표준편차로 나눔으로써 비교 그룹을 표준화한다. 이에 대한 수식은 <Eq.
기존 MTS는 기본적으로 기준이 되는 그룹의 기준 MS를 구축한 뒤 비교할 그룹이 기준 MS로부터 얼마나 떨어져 있는지 MD로 계산하여 클래스를 판별하는 방식인데, 이 방식은 분류해야 할 클래스가 다수일 경우에도 기준이 되는 그룹의 MS에 의해서만 클래스를 분류하기 때문에 근본적으로 다중 클래스간의 분류 정확도가 떨어지는 문제점을 갖고 있다. 이러한 문제점을 극복하기위해 S-MTS는 다양한 비교 그룹 별로 MS를 구축하여 MD를 계산한 뒤, 이들중 최소의 MD를 갖는 클래스를 해당 비교 그룹의 클래스로 판별하는 방식을 채택하였다. S-MTS에서 ‘Simultaneous’의 의미는 각 상태 별 MS를 기준으로 비교 그룹의 MD를 동시에 비교함으로써 적절한 클래스를 식별하는 데서 기인한다.
첫 번째 단계는 다양한 상태 별 참조 그룹을 선정하고 각 상태 별 MS를 구축하는 단계이다. 이를 위해 대상 시스템의 다양한 상태를 식별하고, 적절한 변수로 구성된 다양한 상태 별 데이터를 수집해 이를 기반으로 참조 그룹을 선정한다. 다음으로 상태 별 참조 그룹의 MD를 계산해 상태 별 참조 그룹 MS를 구축한다.
여기서 말하는 유용한 변수란 강판 표면 결함들 간의 구분을 명확하게 해주는 변수로써, 보다 효과적인 결함 분류 시스템을 구축하기위해 필요한 단계이다. 이를 위해 본 연구에서는 직교배열표를 활용하여 실험 조건 별 MD를 계산한 후 각 변수들의 SN비 이득을 도출하여 예측능력이 높은 유용한 변수를 선정하였다. 이때 사용한 직교배열표는 26개 변수를 다루면서, 가장 적은 실험 횟수를 갖는 L32 직교배열표를 사용하였으며, SN비 계산식은 망대특성 SN비 보다 정확한 예측이 가능한 것으로 알려진 동특성 SN비를 사용하였다.
첫 번째 단계는 정상 그룹의 MS를 구축하는 단계이다. 이를 위해 우선 적절한 변수로 구성된 정상 상태의 데이터를 수집하고, 정상 데이터를 기반으로 한 정상 그룹을 선정한다. 다음으로, 정상 그룹으로부터 MS를 도출한다.
두 번째 단계에서는 앞서 구축된 상태 별 참조 그룹 MS의 유효성을 확인한다. 이를 위해 이미 상태를 알고 있는 다양한 상태 별 비교 데이터를 수집해 상태 별 비교 그룹을 선정하고, 상태 별 참조 그룹 MS를 기준으로 비교 그룹의 MD를 계산한다. 이때, 비교 그룹을 참조 그룹과 같은 공간에서 비교하기 위하여 비교 그룹의 측정값에서 참조 그룹의 평균값을 뺀 후 이를 참조 그룹의 표준편차로 나눔으로써 비교 그룹을 표준화한다.
두 번째 단계에서는 앞서 구축된 MS의 유효성을 확인한다. 이를 위해, 우선 비정상 데이터로 구성된 비정상 그룹을 선정하고, 정상 그룹의 MS를 기준으로 비정상 그룹의 MD를 계산한다. 이때, 비정상 그룹을 정상 그룹과 같은 공간에서 비교하기 위해, 비정상 그룹의 측정값에서 정상 그룹의 평균값을 뺀 후 이를 정상 그룹의 표준편차로 나눔으로써 비정상 그룹을 표준화 한다.
이어서 비교 그룹의 MD를 계산하게 되며, 계산 결과를 바탕으로 비교 그룹의 MD가 참조 그룹의 상태 별 MD와 가장 차이가 적은 상태를 해당 비교 그룹의 상태로 식별한다. 다음으로 비교 그룹의 식별된 상태와 실제 상태가 일치하는지 확인한다.
이어서, 도출된 실험 조건 별 SN비를 이용하여 변수 별로 예측 능력이 있는지 여부를 판단하기 위해, SN비 이득(SNR Gain)을 계산한다. 이를 위해서 변수 별로 해당 변수가 사용된 실험 조건들의 SN비 평균에서 해당 변수가 사용되지 않은 실험 조건들의 SN비 평균의 차를 구하면 해당 변수의 SN비 이득이 된다.
이후 앞서 구축한 강판 표면 결함 별 참조 그룹 MSCj(MSC1, MSC2, MSC3, MSC4, MSC5, MSC6)을 이용하여 비교 그룹 MD를 계산하는데, 이때 강판 표면 결함 별 참조 그룹(MSCj)의 평균과 표준편차를 이용하여 비교 그룹(Ci)의 MD를 계산 한다.
대상 데이터
이는 나머지 결함과 달리 결함 종류 및 발생 원인이 정의되지 않아 별도의 클래스로 구분하는데 한계가 있다. 따라서 본 연구는 클래스 구분이 불가능한 Other Faults(C7)를 제외한 나머지 6가지 강판 표면 결함 데이터(1,268개)에 S-MTS 를 적용하였다.
본 연구를 위해 University of California at Irvine (UCI) Machining Learning Repository의 Steel Plate Faults Data Set을 활용하였다(Semeion, 2016). 강판 표면 결함 데이터는 결함 중에서도 발생빈도가 가장 큰 7가지 결함(Pastry, Z_Scratch, K_Scratch, Stains, Dirtiness, Bumps, Other Faults)을 구분하기 위해 결함 발생과 관련이 있을 것으로 예상되는 변수를 기록한 데이터이다.
이를 위해 본 과정에는 참조 그룹별로 총 6개의 MS(MSC1, MSC2, MSC3, MSC4, MSC5, MSC6)가 구축된다. 이 과정에서 사용되는 데이터는 [Table 4]와 같이 70:30 비율에 따라 888개 데이터를 참조 그룹 선정 및 MS 구축에, 나머지 380개의 데이터는 비교 그룹 식별 및 MS 유효성 확인으로 사용하였다.
본 단계는 S-MTS의 첫번째 단계로써 강판 표면 결함 별로 참조 그룹의 MS를 구축한다. 이를 위해 본 과정에는 참조 그룹별로 총 6개의 MS(MSC1, MSC2, MSC3, MSC4, MSC5, MSC6)가 구축된다. 이 과정에서 사용되는 데이터는 [Table 4]와 같이 70:30 비율에 따라 888개 데이터를 참조 그룹 선정 및 MS 구축에, 나머지 380개의 데이터는 비교 그룹 식별 및 MS 유효성 확인으로 사용하였다.
본 단계는 S-MTS의 두번째 단계로써 비교 그룹을 식별하고, 첫번째 단계에서 구축한 참조 그룹 MS의 유효성을 확인한다. 이를 위해 본 과정에서는 비교 그룹에서 사용한 데이터를 제외한 나머지 380개의 데이터를 비교 그룹으로 선정하였다.
이론/모형
여기서 예측 능력이 높은 변수는 다른 변수들에 비해 정상 그룹과 비정상 그룹 간의 차이를 보다 크게 하여 그룹간의 구분을 명확하게 하는데 도움이 되는 변수를 의미하는데, 본 절차는 이들을 선별함으로써 시스템의 정확도를 높이기 위함이다. 변수들의 예측능력을 평가하기 위해 2수준계 직교배열표와 SN비(Signal-to-Noise Ratio; SNR)를 활용한다. 우선 내측배열과 외측배열에 변수와 신호인자를 배치하여 각 실험 조건에 따라 MD를 계산하고, 이들로부터 SN비를 도출한다.
이때 사용한 직교배열표는 26개 변수를 다루면서, 가장 적은 실험 횟수를 갖는 L32 직교배열표를 사용하였으며, SN비 계산식은 망대특성 SN비 보다 정확한 예측이 가능한 것으로 알려진 동특성 SN비를 사용하였다.
성능/효과
79%인 것으로 확인하였다. 강판 표면 결함 별 정확도를 살펴보면, C5(Dirtiness)의 경우 C1(Pastry) 데이터와의 높은 상관관계로 인해 C1(Pastry) 결함으로 오판함에 따라 상대적으로 낮은 정확도를 가지고 있었으나, 이를 제외한 나머지 강판 표면 결함에서는 84% 이상의 정확도를 갖는 것으로 확인하였다.
)이 계산되었으 며, 이들의 총합인 총괄 SN비 이득은 [Figure 5]에서 제시하고 있다. 본 결과를 해석하자면 총괄 SN비 이득이 양의 값을 갖는 변수는 강판 표면 결함들 사이의 구분을 명확하게 하는 유용한 변수이며, 반대로 음의 값을 갖는 변수는 결함 식별에 부정적 영향을 주는 변수로 해석할 수 있다. 따라서 [Figure 6]과 [Table 7]에서 표시한 바와 같이 총괄 SN비 이득의 크기에 따라 변수 12, 1, 2, 13, 17, 15, 11, 14, 22, 10, 24, 19, 9 순서 대로 강판 표면 결함 식별에 크게 기여하는 유용한 변수임을 확인하였다.
상관행렬의 역행렬(R-1)을 이용해 6가지 강판 표면 결함 별 참조 그룹 MD를 계산한 결과, 참조 그룹의 평균 MD가 0.942-0.996 범위 내에 존재하여 참조 그룹의 MS가 잘 구축되었다고 평가할 수 있다. [Table 5]는 각 참조 그룹 별 최소, 최대, 평균 MD를 제시하고 있으며, 계산된 강판 결함 별 MD는 [Figure 3]과 같다.
이때 최소 MD를 갖는 강판 표면 결함을 해당 비교 그룹의 강판 표면 결함으로 식별하였으며, 이것이 실제 결함과 일치하는지 여부를 검증한 결과 [Table 6]과 같이 평균 정확도가 85.79%인 것으로 확인하였다. 강판 표면 결함 별 정확도를 살펴보면, C5(Dirtiness)의 경우 C1(Pastry) 데이터와의 높은 상관관계로 인해 C1(Pastry) 결함으로 오판함에 따라 상대적으로 낮은 정확도를 가지고 있었으나, 이를 제외한 나머지 강판 표면 결함에서는 84% 이상의 정확도를 갖는 것으로 확인하였다.
결함 진단은 S-MTS 절차 따라 6가지 강판 결함 별 참조 그룹 MS를 구축하고, 이를 기반으로 비교 그룹의 MD를 계산한 뒤 최소 MD를 갖는 강판 결함을 해당 비교 그룹의 강판 결함으로 식별하였다. 이로부터 나온 S-MTS 기반 강판 표면 결함 분류 정확도는 90.79%의 높은 정확도를 갖는 것으로 확인되었다. 이러한 본 연구 결과는 실제 현장 적용하는데 있어 충분한 신뢰성을 가지는 것으로 해석할 수 있다.
이어서 비정상 그룹의 MD를 계산하게 되며, 계산된 비정상 그룹의 MD와 앞선 단계에서 계산된 정상 그룹의 MD를 비교하였을 때 두 그룹간의 차이가 명확히 구분된다면 초기 설정한 MS 공간이 유효성 있게 구축되었다고 평가할 수 있다.
본 단계는 S-MTS의 네번째 단계로 세번째 단계에서 선정한 유용한 변수 13개의 예측능력을 검증하고자 해당 변수만을 이용해 강판 표면 결함 진단 실험을 재수행하였다. 이에 대한 결과는 [Figure 7]과 [Table 8]에서 제시한 바와 같이 13개 변수만 사용하였음에도 불구하고 정확도 측면에서 전체 26개 변수를 모두 사용하였을 때보다 5% 높은 90.79%의 정확도를 갖는 것으로 확인하였다. 이는 C1(Pastry)과 C5(Dirtiness) 데이터 간의 높은 상관관계로 인해 낮은 정확도를 보였던 C5 식별에도 적절한 변수 최적화가 이루어졌다는 것으로 해석할 수 있다.
표에서 보이는 바와 같이 S-MTS 기반 강판 표면 결함 진단 시스템의 정확도는 MLPNN, LR, GS, GA, PSO 대비 작게는 6%, 크게는 27% 정도 우수한 정확도를 갖고 있으며, Decision Tree와 SVM, Tree Bagger Random Forest에 비해 작게는 4%, 크게는 9% 정도 낮은 정확도를 갖는 것으로 확인되었다.
후속연구
또한 S-MTS는 타 알고리즘과 다르게 다양한 측정변수들의 예측능력 평가를 바탕으로 변수 최적화가 가능하다는 이점이 있다. 다시 말해, 클래스 분류에 영향을 적게 미치는 변수를 찾아 이를 제거할 수 있다면 현장에 설치되는 불필요한 측정 센서의 개수를 줄일 수 있고, 이는 설비 유지보수 및 에너지 비용을 절감하는데 탁월한 효과를 기대할 수 있다.
S-MTS 강판 표면 결함 진단 시스템의 분류 성능을 보다 정확하게 검증하기 위해서는 동일 실험 조건에서 타 알고리즘 기반 결함 진단 시스템의 정확도를 비교할 필요가 있다. 따라서 추후 연구에서는 이러한 한계 요인을 극복한 추가 실험을 진행할 예정이며, 이와 동시에 본 연구에서 제안한 S-MTS 기반 강판 표면 결함 진단 시스템의 현장 적용을 통해 실제 효과성까지 검증함으로써 해당 결과를 기반으로 분류 정확도를 개선할 계획이다.
이러한 본 연구 결과는 실제 현장 적용하는데 있어 충분한 신뢰성을 가지는 것으로 해석할 수 있다. 또한 변수 최적화를 통해 불필요한 측정 센서 개수를 줄여 설비 유지보수 비용 및 에너지 소비 절감이 가능할 것으로 예상된다.
본 연구는 S-MTS 기반 강판 표면 결함 진단 시스템의 성능 비교를 위해 기존 문헌들의 실험 결과를 기반으로 비교 분석한 한계가 있다. S-MTS 강판 표면 결함 진단 시스템의 분류 성능을 보다 정확하게 검증하기 위해서는 동일 실험 조건에서 타 알고리즘 기반 결함 진단 시스템의 정확도를 비교할 필요가 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
S-MTS 알고리즘은 무엇인가?
따라서 본 연구는 Simultaneous MTS (S-MTS) 알고리즘을 적용하여 보다 지능적이고 높은 정확도를 갖는 새로운 강판 표면 결함 진단 시스템을 제안하였다. S-MTS 알고리즘은 단일 클래스 분류에는 효과적이지만 다중 클래스 분류에서 정확도가 떨어지는 기존 마할라노비스 다구찌시스템 알고리즘(Mahalanobis Taguchi System; MTS)의 문제점을 해결한 새로운 알고리즘이다. 강판 표면 결함 진단은 대표적인 다중 클래스 분류 문제에 해당하므로, 강판 표면 결함 진단 시스템 구축을 위해 본 연구에서는 S-MTS 알고리즘을 채택하였다.
본 논문에서 강판 표면 결함 진단을 위해 무엇을 채택하였는가?
S-MTS 알고리즘은 단일 클래스 분류에는 효과적이지만 다중 클래스 분류에서 정확도가 떨어지는 기존 마할라노비스 다구찌시스템 알고리즘(Mahalanobis Taguchi System; MTS)의 문제점을 해결한 새로운 알고리즘이다. 강판 표면 결함 진단은 대표적인 다중 클래스 분류 문제에 해당하므로, 강판 표면 결함 진단 시스템 구축을 위해 본 연구에서는 S-MTS 알고리즘을 채택하였다. 강판 표면 결함 진단 시스템 개발은 S-MTS 알고리즘에 따라 다음과 같이 진행하였다.
검사자의 육안으로 강판 표면 결함을 확인하는 것은 어떠한 문제점을 갖고 있는가?
강판 표면 결함은 강판의 품질과 가격을 결정하는 중요한 요인 중 하나로, 많은 철강 업체는 그동안 검사자의 육안으로 강판 표면 결함을 확인해왔다. 그러나 시각에 의존한 검사는 통상 30% 이상의 판단 오류가 발생함에 따라 검사 신뢰도가 낮은 문제점을 갖고 있다. 따라서 본 연구는 Simultaneous MTS (S-MTS) 알고리즘을 적용하여 보다 지능적이고 높은 정확도를 갖는 새로운 강판 표면 결함 진단 시스템을 제안하였다.
참고문헌 (15)
Ahmet, S, S. Jagannathan, C. Saygin, "Mahalanobis Taguchi System (MTS) as a Prognostics Tool for Rolling Element Bearing Failures", Journal of Manufacturing Science and Engineering, Vol.132, No.5(2010)
Cha, J. M., J. Y. Kim, J. U. Shin, and C. S. Yeom, "A Method for Improving Multiclass Classification Performance of Mahalanobis Taguchi System", Proceedings of the Korea Society of IT Service Conference, Vol.2016, (2016), 411-414.
Fakhr, M. and A. M. Elsayad, "Steel plates faults diagnosis with data mining models", Journal of Computer Science, Vol.8, No.4(2012), 506-514.
Hong, J. E., "Diagnosis of Spondylopathy Using Mahalanobis Taguchi System", Journal of Society of Korea Industrial and Systems Engineering, Vol.35, No.4(2012), 10-15.
Jin, X. and T. W. S. Chow, "Anomaly Detection of Cooling Fan and Fault Classification of Induction Motor using Mahalanobis-Taguchi System", Expert Systems and Applications, Vol.40, (2013), 5787-5795.
Kim, C. H., S. H. Choi, W. J. Joo, and G. B. Kim, "Classification of Surface Detect on Steel Strip by KNN Classifier", Journal of the Korean Society for Precision Engineering, Vol.23, No.8(2006), 80-88.
Moon, C. I., S. H. Choi, W. J. Joo, G. B. Kim, and H. K. Kim, "Development of a Neural Network Classifier for the Classification of Surface Defects of Cold Rolled Strips", Journal of the Korean Society for Precision Engineering, Vol.24, No.4(2007), 76-83.
Park, S. G., W. S. Park, Y. Y. Lee, D. S. Kim, and J. E. Oh, "A Fault Diagnosis on the Rotating Machinery Using MTS", Transactions of the Korean Society for Noise and Vibration Engineering, Vol.18, No.6(2008), 619-623.
Ren, J., Y., Cai, X., Xing, and J., Chen, "A method of multi-class faults classification based-on Mahalanobis-Taguchi system using vibration signals", Proceedings of 9th IEEE International Conference on Reliability, Maintainability and Safety (ICRMS), Vol.2011, (2011), 1015-1020.
Semeion, Steel Plates Faults Diagnosis Dataset, UCI Repository of machine learning databases, Irvine, CA: University of California, Department of Information and Computer Science, 2016. Available at https://archive.ics.uci.edu/ml/datasets/SteelPlatesFaults (Downloaded 1 September, 2016).
Simic, D., V. Svircevic, and S. Simic, "An Approach of Steel Plates Fault Diagnosis in Multiple Classes Decision Making", Hybrid Artificial Intelligence Systems, Vol.8480, (2014), 86-97.
Song, S. J., H. J. Kim, S. H. Choi, and J. H. Lee, "Classification of Surface Defects on Cold Rolled Strips by Probabilistic Neural Networks", Journal of the Korean Society for Nondestructive Testing, Vol.17, No.3(1997), 162-173.
Su, C.T. and Y.H., Hsiao, "Multiclass MTS for simultaneous feature selection and classification", IEEE Transactions on Knowledge and Data Engineering, Vol.21, No.2(2009), 192-205.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.