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 논문에서는 스마트 공장에서 의사결정 모델을 이용한 순차 마이닝 기반 제조공정을 제안한다. 제안하는 방법은 제조 과정에서 제품종류, 작업시간, 작업자, 원자재 등의 여러 변수들에 대한 분석을 통해 제품 제조에서 효율을 높이기 위한 순차 분석이다.
- 본 연구에서는 스마트 공장에서 의사결정 모델을 이용한 순차 마이닝 기반 제조공정을 제안하였다. 이는 수작업 기반의 소규모 제조 공정에서 나타나는 작업자들의 데이터를 분석하여 시간당 제조량과 불량률을 개선하기 위한 순차 마이닝 기반 제조 방법이다.
- 05로 정의한다. 추가로 사용자별 숙련도 수준을 고려하기 위해 제품 타입별 불량률을 탐색한다. Table 3은 t 검정을 통해 나타난 변수별 유의 수준을 나타낸다.
제안 방법
- 트랜잭션 구성을 위해 발생하는 데이터의 변수를 구성하고, 변수간의 유의 수준을 분석하여 관련성이 낮은 변수들을 제거하였다. 구성한 트랜잭션은 데이터 마이닝에서 GSP 알고리즘과REPTree 알고리즘을 통해 규칙과 모델을 생성하고, 실제 제조에 적용하였다. 적용결과 불량률은 3.
- 마이닝을 통해 탐색한 요인 변수, 제품 타입별 불량률,제조 규칙을 이용하여 의사결정 모형으로 구성한 모델을 구성한다. 의사결정 모델은 데이터 마이닝의 예측 모델링 방법 중의 하나이며, 측정값과 결과값의 인과 관계를 예측하는 모델이다.
- 본 연구는 스마트 공장에서 리프팅 시술에 들어가는 봉합사의 제조 공정에서 제조 효율과 불량율 저하를 위해 마이닝 분석을 적용한다. 리프팅용 봉합사는 리프팅 시술에 사용되는 의료용 실이며, 가공 방법에 따라 Cog,Screw, Cavern 등 여러 종류로 구분한다[9].
- 생성된 의사결정 모델은 정확도(Accuracy), 민감도(Sensitivity), 특이성(Specificity), 예측도(Predictive Value:PV)의 측정을 통해 성능을 평가한다. 예측도는 양성(P-PV)과 음성(N-PV)으로 구분하여 평가한다.
- 생성된 의사결정 모델은 정확도(Accuracy), 민감도(Sensitivity), 특이성(Specificity), 예측도(Predictive Value:PV)의 측정을 통해 성능을 평가한다. 예측도는 양성(P-PV)과 음성(N-PV)으로 구분하여 평가한다. 실험을 위해 총 350개의 트랜잭션 중 트레이닝에 사용한 245개의 트랜잭션을 제외한 105개의 트랜잭션을 이용하여 성능평가를 진행한다.
- 본 논문에서는 스마트 공장에서 의사결정 모델을 이용한 순차 마이닝 기반 제조공정을 제안한다. 제안하는 방법은 제조 과정에서 제품종류, 작업시간, 작업자, 원자재 등의 여러 변수들에 대한 분석을 통해 제품 제조에서 효율을 높이기 위한 순차 분석이다. 제조에서 대표적인 변수인 시간당 제조량과 불량률을 출력변수로 구성하고,이에 영향을 주는 입력 변수들의 유의 수준을 분석한다.
- 제안하는 방법은 제조 과정에서 제품종류, 작업시간, 작업자, 원자재 등의 여러 변수들에 대한 분석을 통해 제품 제조에서 효율을 높이기 위한 순차 분석이다. 제조에서 대표적인 변수인 시간당 제조량과 불량률을 출력변수로 구성하고,이에 영향을 주는 입력 변수들의 유의 수준을 분석한다.
- 이는 수작업 기반의 소규모 제조 공정에서 나타나는 작업자들의 데이터를 분석하여 시간당 제조량과 불량률을 개선하기 위한 순차 마이닝 기반 제조 방법이다. 트랜잭션 구성을 위해 발생하는 데이터의 변수를 구성하고, 변수간의 유의 수준을 분석하여 관련성이 낮은 변수들을 제거하였다. 구성한 트랜잭션은 데이터 마이닝에서 GSP 알고리즘과REPTree 알고리즘을 통해 규칙과 모델을 생성하고, 실제 제조에 적용하였다.
대상 데이터
- Table 4의 규칙 1에서 [type = M] &[pay = hw] --> [drate = 3~4]는 mono type 제품을 시급으로 제조할 경우 불량률이 3~4%를 나타낸다. 규칙 생성을 위한 데이터는 총 350개의 트랜잭션 중에서 70%인 245개의 트랜잭션을 제조 규칙 생성을 위한 트레이닝 데이터로 활용하고, 나머지 30%를 105개의 트랜잭션을 의사결정 모델 평가에 활용한다.
- 마이닝 분석을 통해 불량률을 최소화하는 작업 스케쥴링을통해 작업 효율을 향상시킬 수 있다[11]. 리프팅용 봉합사 제조에서 수집되는 데이터로 날짜, 자재 사용량, 제조품목, 제조 수량, 불량수량, 작업시간 등 수집 가능한 모든 데이터를 포함한다. 이는 작업일지의 형태로 일일 단위로 작업자의 관련 데이터를 문서형태 기록한다.
- 기존의 자동화 제조공장은 각각의 공정별로 자동화가 이루어 졌기 때문에 단계별 공정 간의 소통이 어려운 단점이 있었다. 스마트 팩토리는제조 과정에서 사물인터넷, 센서, 카메라 등을 모든 설비를 유/무선 통신을 통해 모든 공정을 연결하여 발생하는 크고 작은 데이터 전체를 수집한다. 스마트 팩토리에서사물 인터넷을 통해 제조 현장에서 발생하는 변화를 실시간으로 모니터링하고 이를 통해 수집된 데이터에 대한 분석으로 제조 공정의 체계화와 제품 불량의 원인 분석 등을 통해 최적의 환경을 유지한다[7].
- 실험을 위해 총 350개의 트랜잭션 중 트레이닝에 사용한 245개의 트랜잭션을 제외한 105개의 트랜잭션을 이용하여 성능평가를 진행한다. 실험을 위한 모델은 GSP 알고리즘 기반의 제조 순차 패턴 규칙과 REPTree 기반의 의사결정 모델이다. Table 6은 모델에 따른 평가 결과를 나타낸다.
- 예측도는 양성(P-PV)과 음성(N-PV)으로 구분하여 평가한다. 실험을 위해 총 350개의 트랜잭션 중 트레이닝에 사용한 245개의 트랜잭션을 제외한 105개의 트랜잭션을 이용하여 성능평가를 진행한다. 실험을 위한 모델은 GSP 알고리즘 기반의 제조 순차 패턴 규칙과 REPTree 기반의 의사결정 모델이다.
- 현재 제조과정에서 발생하는 대량의 데이터들이 전산화되고 있으며, 이러한 데이터는 제품 기획, 생산, 유통, 평가 등 공정단계에 따라 서로 다른 특성을 가진 정형/비정형데이터로 구성되어 있다[2]. 정형 데이터는 센서, 사물인터넷, 통계, 실험 등 일정한 구조로 수집되는 데이터이다. 이는 주로 빈발패턴 마이닝, 순차패턴 마이닝, 연관패턴마이닝 등을 통해 유용한 정보를 탐색한다.
이론/모형
- 일반화 작업으로 에러감소 프루닝은 노드 아래부분을 자르거나 결합한 뒤의 오류율을 비교한다. 논문에서는 REPTree를적용하여 모델을 생성한다. REPTree는 데이터 마이닝툴 Weka[15]에서 지원하는 알고리즘으로 C4.
- 05를 만족하지 않기 때문에 pfh 예측에서 제외한다. 제조 효율 요인 분석을 통해 나타나는 주요 요인들을 GSP 알고리즘을 이용하여 규칙을 생성한다. Table 4는 GSP 알고리즘 기반의 요인에 따른 제조 규칙을 나타낸다.
- 리프팅용 봉합사는 제품에 따라 상이한 제조 공정을 거치게 되며, 제품 제조 시간이나 불량률이 다르게 나타난다. 제품 제조의 효율을 결정하는 출력변수 시간당 제조량(pfh)와 불량률(drate)에 영향을 주는 요인을 t 검정[12]과 GSP알고리즘[13]을 이용하여 분석한다. t 검정에서 유의 수준은 일반적으로 사용되는 0.
성능/효과
- 11%로 나타난다. REPTree는 출력변수 pfh에서 평균 66.21%로더 유의한 것으로 나타나고, GSP는 출력변수 drate에서60.18%로 유의한 것으로 나타난다. 이에 따라 두 모델을 통해 추출된 규식을 사용할 경우, 시간당 제조량과 불량률의 개선을 기대할 수 있다.
- 89/h 증가되었다. 이를 통해 소규모 제조 공정에서 순차 마이닝 기반 분석으로 제조효율을 높일 수 있음을 확인하였다.
- 구성한 트랜잭션은 데이터 마이닝에서 GSP 알고리즘과REPTree 알고리즘을 통해 규칙과 모델을 생성하고, 실제 제조에 적용하였다. 적용결과 불량률은 3.82%에서 3.44%로 0.38%개선되었고, 시간당 제조량은 53.04/h에서 54.93/h로 평균 1.89/h 증가되었다. 이를 통해 소규모 제조 공정에서 순차 마이닝 기반 분석으로 제조효율을 높일 수 있음을 확인하였다.
- 예를들어 제품당 단가가 높아 불량에 따른 손실이 큰 VS, DVS, TVS제품은 제조 순차 패턴 규칙을 이용하여 불량률을 최소화 할 수 있는 방법으로 변수에 대해 의사결정을 하고,수요가 높아 제조량이 중요한 M, S, DS 제품은REPTree 기반의 의사결정 모델을 통해 변수에 대한 결정을 한다. 제안하는 방법을 적용한 결과 전체적인 제조량은 1.89/h이고 불량률은 0.38%가 개선되었다.
- 평가 결과 GSP는 54.64%, REPTree는 평균 60.11%로 나타난다. REPTree는 출력변수 pfh에서 평균 66.
후속연구
- 특히, 수작업이 필요한 제조 공정에서 개인의 주관적인 의사결정은 같은 공정을 통한 제품이 서로 상이한 품질을 나타내는 문제가 발생할 수 있다[6]. 또한, 소규모의 제조 공정은 개인에 의한 작은 변화가 제품 품질에 미치는 영향이 크기 때문에 품질을 높이고 유지하기 위한 분석이 필요하다. 이러한 문제를 해결하기 위해 데이터 분석, 지식 탐색, 지식 시각화에 따른 의사결정 모델이 필요하다[4].
- 스마트 제조에서 데이터 마이닝은 빅데이터가 IT적 관점인 속도, 크기, 다양성의 기준에서 벗어나 마이닝 프로세스를 통한 공정 이상 감지, 품질 예측, 마케팅 등 가치 창출에 초점을 두고 있다[8]. 또한, 완전한 자동화 공정이 도입되지 않은 소규모 제조에서 발생하는 데이터에 대한 수집과 분석을 통해 제품불량의 원인 판단과 불량을 예방하고, 제조 효율을 높이는 제조 프로세스 개선이 필요하다. 소규모 제조에서는 분석한 결과의 즉각적인 반영이 가능하며 지속적인 피드백이 용이하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.