[논문]스마트 팩토리를 위한 센서 데이터 분석과 제품 불량 개선 연구

황세웅; 김종혁; 황보현우

스마트 팩토리를 위한 센서 데이터 분석과 제품 불량 개선 연구
A Study on Sensor Data Analysis and Product Defect Improvement for Smart Factory 원문보기

The journal of Bigdata = 한국빅데이터학회지, v.3 no.1, 2018년, pp.95 - 103

황세웅 (연세대학교 정보대학원) , 김종혁 (연세대학교 정보대학원) , 황보현우 (연세대학교 정보대학원)

초록
AI-Helper

ICT 기술의 발전에 따라 제조 산업은 공정 상에서 생성되는 제조 데이터를 분석하여 효율을 높이고자 많은 노력을 하고 있다. 본 논문에서는 스마트 공장의 일환으로 의사결정나무 알고리즘(CHAID)을 이용한 데이터 마이닝 기반 제조공정을 제안한다. 약 5개월간 수집된 실제 제조 공정의 432개 센서 데이터를 활용하여 불량률이 낮은 안정적인 공정 기간과 불량률이 높은 불안정한 공정 기간 간에 유의미한 차이를 보이는 변수를 찾아냈다. 선정된 최종 변수가 불량률 개선에 실제로 효과가 있는지를 측정하기 위해 해당 변수의 안정 값 범위를 설정하여 14일 간 공정에서 해당 센서가 안정 값의 범위를 벗어나지 않도록 공정 설정 값을 조절했고, 불량률 개선의 효과를 측정하였다. 이를 통해 제조 산업에서 생성되는 공정 센서 데이터를 활용 및 분석하여 불량률을 개선할 수 있는 실증적인 가이드라인을 제시할 수 있을 것으로 기대한다.

Abstract ▼ AI-Helper

In recent years, many people in the manufacturing field have been making efforts to increase efficiency while analyzing manufacturing data generated in the process according to the development of ICT technology. In this study, we propose a data mining based manufacturing process using decision tree algorithm (CHAID) as part of a smart factory. We used 432 sensor data from actual manufacturing plant collected for about 5 months to find out the variables that show a significant difference between the stable process period with low defect rate and the unstable process period with high defect rate. We set the range of the stable value of the variable to determine whether the selected final variable actually has an effect on the defect rate improvement. In addition, we measured the effect of the defect rate improvement by adjusting the process set-point so that the sensor did not deviate from the stable value range in the 14 day process. Through this, we expect to be able to provide empirical guidelines to improve the defect rate by utilizing and analyzing the process sensor data generated in the manufacturing industry.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

또한 제품 불량률과 연관 있는 공정을 검출하는 것과 검출한 변수를 통한 불량 예측 분석을 함께 진행한 연구는 거의 이루어지지 않았다. 따라서 본 연구는 두 가지 요소를 함께 고려하여 불량 예지 모델을 적용 했을 때 효과를 측정하고자 한다. 아울러 국내에서 거의 연구가 이루어지지 않았던 특수원사 공정에 적용하여 새로운 가이드라인을 제시하고자 한다.
본 연구에서는 섬유 산업의 한 종류인 특수원사 공정을 중점으로 머신러닝 방법론의 한 종류인 의사결정나무(CHAID) 알고리즘을 이용하여 제품 불량률을 개선할 수 있는 방안을 제시하고 솔루션 및 기술 검증을 통하여 스마트 팩토리 구현을 위한 방법을 구체화 하고자 한다. 스마트 팩토리는 사물인터넷을 통해 제조 공정에서 생성되는 데이터를 실시간으로 확인하고 분석하여 제조 공정을 체계화 하고 제품 불량 원을 분석 및 개선한다[16].
따라서 본 연구는 두 가지 요소를 함께 고려하여 불량 예지 모델을 적용 했을 때 효과를 측정하고자 한다. 아울러 국내에서 거의 연구가 이루어지지 않았던 특수원사 공정에 적용하여 새로운 가이드라인을 제시하고자 한다.
본 연구의 사례 공정은 실시간으로 데이터는 수집되고 있지만, 적재된 데이터를 적극적으로 활용하지 못하여, 빅데이터를 통한 공정 개선이 이루어 지지 않는 상황이다. 이처럼 데이터 확보 단계에서 활용 단계로 나아가는데 어려움을 겪는 제조 산업에 데이터 분석 가이드라인을 제공하고자 한다.

제안 방법

본 연구에서는 약 5개월간 수집된 실제 특수원사 공정의 432개 센서 데이터를 활용하여 불량률이 낮은 안정적인 공정과 불량률이 높은 불안정한 공정의 차이를 의사결정나무 알고리즘(CHAID)을 통해 분석하였다. 그 결과, 불량률과 유의미한 관련이 있는 5개의 변수를 도출했고, 실질적인 활용이 가능한 변수를 선택하기 위해, 실무진과의 FGD를 통해 하나의 변수를 최종 선정했다.
그리고 ‘Defective section’은 불량률이 급등한 부분만을 대상으로 한 구간과 불량률이 높았던 전체 구간 두 종류로 나누었다. 그리고 공정 A호기의 데이터만 보거나, B호기만 보거나, A호기, B호기 전체를 함께 보는 세 가지 경우로 분류하고, 데이터 표준화 여부에 따라 두 종류로 구분했다. 이러한 경우의 수의 조합을 통해 총 72가지의 시나리오가 도출되었고, 의사결정나무 알고리즘(CHAID)을 통해 각 시나리오마다 유효 변수 상위 10개의 리스트를 산출했다.
따라서 최종 선정된 변수의 ‘Regular section’ 평균 값인 Z의 2표준편차 구간인 Z-2σ~Z+2σ을 불량률 안정 범위로 설정하였다.
불량(절사)의 원인과 결과에 모두 연관되어 있어 분석결과를 왜곡시키는 변수(센싱 데이터)를 표준화 처리하였으며, 초(second)단위 센싱 데이터를 분(minute)단위 평균으로 변환하였다. 또한 데이터 분석에 사용되는 모델에 따라 데이터 형태를 행 또는 열 단위로 가공하였다.
본 연구에서는 약 5개월간 수집된 실제 특수원사 공정의 432개 센서 데이터를 활용하여 불량률이 낮은 안정적인 공정과 불량률이 높은 불안정한 공정의 차이를 의사결정나무 알고리즘(CHAID)을 통해 분석하였다. 그 결과, 불량률과 유의미한 관련이 있는 5개의 변수를 도출했고, 실질적인 활용이 가능한 변수를 선택하기 위해, 실무진과의 FGD를 통해 하나의 변수를 최종 선정했다.
분석에 적합하도록 데이터를 표준화 및 가공하였다. 불량(절사)의 원인과 결과에 모두 연관되어 있어 분석결과를 왜곡시키는 변수(센싱 데이터)를 표준화 처리하였으며, 초(second)단위 센싱 데이터를 분(minute)단위 평균으로 변환하였다.
분석에 적합하도록 데이터를 표준화 및 가공하였다. 불량(절사)의 원인과 결과에 모두 연관되어 있어 분석결과를 왜곡시키는 변수(센싱 데이터)를 표준화 처리하였으며, 초(second)단위 센싱 데이터를 분(minute)단위 평균으로 변환하였다. 또한 데이터 분석에 사용되는 모델에 따라 데이터 형태를 행 또는 열 단위로 가공하였다.
선정된 최종 변수가 불량률 개선에 실제로 효과가 있는지를 측정하기 위해, 2017년 10월부터 2018년 3월까지 약 5개월 중 ‘Regular section’에 해당되는 기간의 최종 변수 평균값 Z를 구한 후, Z의 2 표준편차 구간인 Z-2σ~Z+2σ를 안정 값 구간으로 설정하였다.
이를 통해 특수원사 산업에서 생성되는 공정 센서 데이터를 활용 및 분석하여 불량률을 개선할 수 있는 실증적인 가이드라인을 제시할 수 있다. 수 많은 설비에서 생성되는 빅데이터를 활용하여 유의미한 정보를 찾고 그러한 정보를 통해 보다 나은 의사결정을 하는 스마트 팩토리 구현을 위한 방안을 구체화 하였다. 하지만 검증 기간이 비교적 짧기 때문에 해당 변수의 설정 값에 대한 효율성은 보다 면밀한 검토가 필요할 것으로 보인다.
그리고 공정 A호기의 데이터만 보거나, B호기만 보거나, A호기, B호기 전체를 함께 보는 세 가지 경우로 분류하고, 데이터 표준화 여부에 따라 두 종류로 구분했다. 이러한 경우의 수의 조합을 통해 총 72가지의 시나리오가 도출되었고, 의사결정나무 알고리즘(CHAID)을 통해 각 시나리오마다 유효 변수 상위 10개의 리스트를 산출했다.
산출된 유효 변수들 중 단 다섯 개의 변수가 72개 시나리오에서 모두 유의미하게 나왔다. 이에 따라 의사결정나무로 도출된 다섯 개의 변수를 최종 후보 변수로 선정하였고, 공정 실무자들과 FGD를 통해 실무적 입장에서 의미 없는 변수 네 가지를 제외하여, 최종적으로 하나의 유효 변수를 선정하였다.

대상 데이터

본 연구에서 사용될 데이터 집합은 실제 제조공장에서 생성된 공정 설비 데이터다. 대상 제조업체에서는 초 단위의 센서 데이터는 히스토리안(Historian) DB에, 제품 생산 정보는 생산관리 시스템 DB에 적재되어 있었다. 해당 DB에서 연구와 관련된 총 984개 센서, 약 1,100억 건의 데이터를 추출하여 Data Mart를 구축하였다.
본 연구에서 사용될 데이터 집합은 실제 제조공장에서 생성된 공정 설비 데이터다. 대상 제조업체에서는 초 단위의 센서 데이터는 히스토리안(Historian) DB에, 제품 생산 정보는 생산관리 시스템 DB에 적재되어 있었다.
분석에 사용된 432개의 변수 중 특수원사 제품 불량과 관련 있는 변수를 찾아내기 위해 불량률이 낮았던 기간을 ‘Regular section’, 불량률이 높았던 기간을 ‘Defective section’으로 분리하여, 각 구간에 해당하는 변수의 값이 서로 차이가 있는 변수를 선정했다.
해당 DB에서 연구와 관련된 총 984개 센서, 약 1,100억 건의 데이터를 추출하여 Data Mart를 구축하였다. 센서 데이터는 재료 투입 시점부터 방사까지 전공정을 대상으로 하였다.
최종 분석에 사용된 데이터는 2017년 10월부터 2018년 3월까지 약 5개월 간 적재된 데이터가 사용되었으며, 값이 0, 1로만 구성된 디지털 tag 변수와 중복 성향의 Tag들을 제거하여 432개 센서 tag를 최종 분석 대상으로 선정하였다. 특수원사 전체 생산 건(타래 단위) 중 약 3.
대상 제조업체에서는 초 단위의 센서 데이터는 히스토리안(Historian) DB에, 제품 생산 정보는 생산관리 시스템 DB에 적재되어 있었다. 해당 DB에서 연구와 관련된 총 984개 센서, 약 1,100억 건의 데이터를 추출하여 Data Mart를 구축하였다. 센서 데이터는 재료 투입 시점부터 방사까지 전공정을 대상으로 하였다.

이론/모형

1 솔루션을 사용하였으며, 기본적으로 제공하는 CHAID 알고리즘을 사용하였다. CHAID 알고리즘은 목표변수가 범주형일 때, Pearson의 카이제곱 통계량을 분리기준으로 사용한다. 카이제곱 통계량은 다음과 같이 정의된다[17].
변수 값 이상을 판별하기 위해 사용되는 가장 기본적인 예측 및 탐지 방법은 회귀 모델을 통해 학습된 분석 모델을 기준으로 잡고 새로 입력되는 데이터 값을 대입하여 그 차이를 통해 이상을 감지하는 것이다. 보통 확률분포 모델과 비교하여 이상치를 검출하는 Model-based, 특정거리의 객체 밀도를 통해 이상치를 검출하는 Density-based, 각 요소들의 군집을 구성하여 이상치를 검출하는 Clustering-based, 각 요소 간 수리적 거리를 계산해 이상치를 검출하는 Distance-base 이렇게 4가지의 이상 탐지 기법이 사용된다[9].
0 등이 있다[13]. 본 연구에서는 의사결정나무 분석을 위해 SAS Enterprise Guide 7.1 솔루션을 사용하였으며, 기본적으로 제공하는 CHAID 알고리즘을 사용하였다. CHAID 알고리즘은 목표변수가 범주형일 때, Pearson의 카이제곱 통계량을 분리기준으로 사용한다.

성능/효과

그리고 2018년 7월부터 14일간 공정에서 최종 변수 센서가 안정 값의 범위를 벗어나지 않도록 공정 설정 값을 조절했다. 그 결과, 실험 데이터 기준 3.2%였던 제품 불량률이 테스트 기간인 14일간 2.7%로 약 15.6%(0.5%p)가량 개선되었다.
최종 선정된 변수는, 불량률이 낮았던 ‘Regular section’과 불량률이 높았던 ‘Defective section’ 간에 차이가 유의미하게 나타났다.
최종 선정된 변수는, 불량률이 낮았던 ‘Regular section’과 불량률이 높았던 ‘Defective section’ 간에 차이가 유의미하게 나타났다. 최종 선정된 태그값 평균이 X일 경우 5.4%의 불량률을 나타냈고, Z일 경우, 1.9%로 확연히 낮은 불량률을 나타냈다.

후속연구

하지만 검증 기간이 비교적 짧기 때문에 해당 변수의 설정 값에 대한 효율성은 보다 면밀한 검토가 필요할 것으로 보인다. 그리고 본 연구에서 사용된 모델은 실무진과의 FGD를 포함하기 때문에 실무진의 역량과 관여 정도에 따른 영향력에 대한 측정도 필요할 것으로 보인다.
수 많은 설비에서 생성되는 빅데이터를 활용하여 유의미한 정보를 찾고 그러한 정보를 통해 보다 나은 의사결정을 하는 스마트 팩토리 구현을 위한 방안을 구체화 하였다. 하지만 검증 기간이 비교적 짧기 때문에 해당 변수의 설정 값에 대한 효율성은 보다 면밀한 검토가 필요할 것으로 보인다. 그리고 본 연구에서 사용된 모델은 실무진과의 FGD를 포함하기 때문에 실무진의 역량과 관여 정도에 따른 영향력에 대한 측정도 필요할 것으로 보인다.

질의응답

핵심어	질문	논문에서 추출한 답변
	특수원사 소재는 어디에 활용되고 있는가?	특수원사 섬유는 자체적으로 뛰어난 강도를 가지고 있고 에폭시 수지와 함께 경화하면 비강도와 탄성률이 더욱 높아진다[20]. 이러한 특성으로 특수원사 소재는 방탄, 방염 등 특수 용도의 의류나 산업용 섬유(Industrial Textiles)로 활용되고 있다[15].
	특수원사 섬유가 고분자 복합재료로써 다양하게 사용되는 이유는 무엇인가?	특수원사 섬유는 강철보다 약 5배 강한 인장강도를 가지고 있으면서도 가벼운 특성을 가진 재료로, 내열성, 비강도, 탄성률이 높아 고분자 복합재료로써 다양하게 사용되고 있다[22]. 특수원사 섬유는 자체적으로 뛰어난 강도를 가지고 있고 에폭시 수지와 함께 경화하면 비강도와 탄성률이 더욱 높아진다[20].
	스마트 팩토리를 어떻게 정의 할 수 있는가?	0의 핵심 요소인 스마트 팩토리는 공정들을 빅데이터와 결합시켜 피드백을 제공하고 이를 활용하여 높은 효율성을 얻을 수 있도록 해준다[23]. 그리고 공장 내의 제조 가치사슬의 모든 구성 요소들이 즉각적으로 커뮤니케이션하고 수직․수평적 통합을 이루어 협업을 하는 공장 시스템이라 할 수 있다[18, 19]. 특히 데이터를 저장하고 활용할 수 있는 기술이 향상됨에 따라 수많은 설비에서 생성되는 빅데이터를 활용하여 유의미한 정보를 찾고 그러한 정보를 통해 보다 나은 의사결정을 하기 위한 연구가 활발히 이루어지고 있다[4].

참고문헌 (25)

김수영, 송민강, "MI-NPS 디지털팩토리 방법론을 활용한 생산능력의 향상 및 최적 레이아웃 구축에 관한 연구 : 자동차 부품 Shaft 제조라인 적용 사례", 생산성논집, 제28권, 제1호, pp. 47-73, 2014.
김승민, 백준걸, "정준상관분석을 이용한 공정설비 상태에 영향을 미치는 변수 선택", 한국경영과학회 학술대회논문집, pp.3915-3921, 2015.
김주창, 정호일, 유현, 정경용, "스마트 공장에서 의사결정 모델을 이용한 순차 마이닝 기반 제조공정", 한국융합학회논문지, 제9권, 제3호, 2018.

원문보기 상세보기
노규성, 박상휘, "제조실행시스템에의 빅데이터 적용방안에 대한 탐색적 연구", Journal of Digital Convergence, 제12권, 제1호, pp.305-311, 2014.

원문보기 상세보기
노선영, 서봉균, 이상완, 김준우, "스마트 팩토리 고도화를 위한 예측 분석 시스템 프레임웍설계", 한국통신학회 학술대회논문집, pp.791-792, 2017.
배재호, "롤 형상 필름 생산에서 두께평활도 개선을 위한 고정굴곡부 발현 모형 및 개선모델", 산업경영시스템학회지, 제38권, 제3호, pp.21-28, 2015.

원문보기 상세보기
서혁, 신종필, 강윤구, "국가 차원에서 챙겨야 할 군용 방탄복 산업의 현실태 및 정책 방향제안", 국방과 기술, 제423호, pp.62-75, 2014.
안동혁, "제조공정에서의 지속적 예지 분석을 위한 조건", 한국콘텐츠학회지, 제15권, 제3호, pp.21-26, 2017.

원문보기 상세보기
이준희, 김신령, 김영곤, "빅데이터 분석을 활용한 스마트 팩토리 이상탐지 및 보안 강화 시스템에 관한 연구", 한국통신학회 학술대회논문집, pp.347-348. 2017.
최종후, 서두성, "데이터마이닝 의사결정나무의 응용", 통계분석연구, 제4권, 제1호, pp.61-83, 1999.
한국섬유개발연구원, 2017, http://super.textopia.or.kr:8888/newsletter/170530/lib0101.pdf.
한국섬유산업연합회, 2016, http://www.kofoti.or.kr/bbs/data/1611_data_16.pdf.
Choi, J. H., S. T. Han, H. C. Kang, E. S. Kim, M. K. Kim, and S. K. Lee, Data mining prediction and application. Seoul: SPSS academy, 2002.
Gubbi, J., R. Buyya, S. Marusic, and M. Palaniswami, "Internet of Things (IoT): A vision, architectural elements, and future directions", Future Generation Computer Systems, Vol.29, No.7, pp.1645-1660, 2013.

상세보기
Jun, C., B. H. Kim, and J. Y. Lee, "A Big Data Analysis Platform based on the Manufacturing Specialized Library : A Case Study on Implementation of the Platform for Quality Problems", Journal of the Korean Institute of Industrial Engineers, Vol.43, No.5, pp.380-387, 2017.

상세보기
Kang, H. S., J. Y. Lee, S. Choi, H. Kim, J. H. Park, J. Y. Son, and S. D. Noh, "Smart manufacturing: Past research, present findings, and future directions", International Journal of Precision Engineering and Manufacturing-Green Technology, Vol.3, No.1, pp.111-128, 2016.

상세보기
Kass, G. V., "An exploratory technique for investigating large quantities of categorical data", Applied Statistics, pp.119-127, 1980.
Lasi, H., P. Fettke, H. G. Kemper, T. Feld, and M. Hoffmann, "Industry 4.0", Business & Information Systems Engineering, Vol.6, No.4, pp.239-242, 2014.

상세보기
Lee, J., "Smart factory systems", Informatik-Spektrum, Vol.38, No.3, pp.230-235, 2015.

상세보기
Lee, M. K., S. B. Bae, J. K. Park, and S. G. Lee, "The Development of High Performance Nano-composites with Carbon Nanotube", Textile Coloration and Finishing, Vol.26, No.2, pp.71-78, 2014.

원문보기 상세보기
Schlechtendahl, J., M. Keinert, F. Kretschmer, A. Lechler, and A. Verl, "Making existing production systems Industry 4.0-ready", Production Engineering, Vol.9, No.1, pp.143-148, 2015.

상세보기
Tanaka, K., K. Minoshima, T. Oya, and K. Komai, "Influences of stress waveform and wet environment on fatigue fracture behavior of aramid single fiber", Composites Science and Technology, Vol.64, No.10-11, pp.1531-1537, 2004.

상세보기
Wang, S., J. Wan, D. Li, and C. Zhang, "Implementing smart factory of industrie 4.0: an outlook", International Journal of Distributed Sensor Networks, Vol.12, No.1, 2016.

상세보기
Yildirim, P., D. Birant, and T. Alpyildiz, "Data mining and machine learning in textile industry", Wiley Interdisciplinary Reviews : Data Mining and Knowledge Discovery, Vol.8, No.1, e1228, 2018.

상세보기
Yin, S. and O. Kaynak, "Big data for modern industry : challenges and trends [point of view]", Proceedings of the IEEE, Vol.103, No.2, pp.143-146, 2015.

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증