[논문]다단계 딥러닝 기반 다이캐스팅 공정 불량 검출

이정수; 최영심

doi:10.7777/jkfs.2022.42.6.369

[국내논문] 다단계 딥러닝 기반 다이캐스팅 공정 불량 검출
Fault Detection in Diecasting Process Based on Deep-Learning 원문보기

한국주조공학회지 = Journal of Korea Foundry Society, v.42 no.6, 2022년, pp.369 - 376

초록
AI-Helper

다이캐스팅 공정은 다양한 산업군의 인프라 역할을 수행하는 중요한 공정이지만, 높은 불량률로 인하여 관련 기업들의 수익성 및 생산성의 한계가 있는 상황이다. 이를 타개하기 위하여, 본 연구에서는 다이캐스팅 공정의 불량 검출을 위한 산업인공지능 기반 모듈을 구성하였다. 개발된 불량 검출 모듈은 제공되는 데이터의 특징에 따라서 3단계로 동작되는 모델로 구성된다. 1단계 모델은 비지도학습 기반 이상 검출을 진행하며, 레이블이 없는 데이터셋을 대상으로 작동한다. 2단계 모델은 반지도학습 기반으로 이상 검출을 진행하며, 양품 데이터의 레이블만 존재하는 데이터셋을 대상으로 작동하며, 3단계 모델은 소수의 불량 데이터가 제공된 상황의 지도학습 모델을 기반으로 작동한다. 개발된 모델은 실제 다이캐스팅 양품 데이터를 바탕으로 96% 이상의 우수한 양품 검출 성능을 보였다.

Abstract ▼ AI-Helper

The die-casting process is an important process for various industries, but there are limitations in the profitability and productivity of related companies due to the high defect rate. In order to overcome this, this study has developed die-casting fault detection modules based on industrial AI technologies. The developed module is constructed from three-stage models depending on the characteristics of the dataset. The first-stage model conducts fault detection based on supervised learning from the dataset without labels. The second-stage model realizes one-class classification based on semi-supervised learning, where the dataset only has production success labels. The third-stage model corresponds to fault detection based on supervised learning, where the dataset includes a small amount of production failure cases. The developed fault detection module exhibited outstanding performance with roughly 96% accuracy for actual process data.

주제어

표/그림 (7)

그림 Fig. 1. Framework of the fault detection medules.
그림 Fig. 2. Schematic diagram of the fingerprint imaging.
그림 Fig. 3. Example of the recurrence plot of die-casting process data.
그림 Fig. 4. Images generated by Fence-GAN by training epochs.
그림 Fig. 5. Mold temperature over process cycles.
표 Table 1. Process variables adopted in 3rd phase fault detection module
표 Table 2. Performance of fault detection modules in each stage

AI 본문요약
AI-Helper

문제 정의

3단계의 불량 검출 모듈은 소수의 불량 데이터를 활용하여 기존의 불량 검출 알고리즘의 양품/불량 판정 성공률을 향상시키는 것을 목표로 한다. 일반적으로 제조업의 불량 데이터는 그 획득이 매우 어려워서 소수의 데이터 수집만이 가능하지만, 불량 검출을 위한 중요한 정보를 제공한다.
본 연구에서는 대표적인 정밀주조 공법 중 하나인 다이캐스팅 공정을 대상으로 제품의 품질 불량을 검출하는 알고리즘을 개발하였다. 개발된 알고리즘은 독립적으로 3단계로 동작하도록 설계되어 각 알고리즘이 단계별 적용에 영향을 주지 않고, 양산 현장의 데이터 취득 특성에 따라서 적응 변화할 수 있도록 설계되었다.
1단계는 제품의 양품, 불량에 대한 정보가 없이 단순 데이터만 취득하여 비지도 이상감지 방식으로 불량을 검출하는 Geometric transformation 기반 방식, 2단계는 제품의 양품 레이블만 제공되어 반지도 one-class classification 방식으로 작동하도록 설계된 알고리즘으로, 시계열 데이터 이미지화를 위한 recurrence plot 및 markov transition field 및 fence-GAN 알고리즘을 적용하였다. 이때는 다이캐스팅 공정에서 불량이 발견되지 않은 로트 (lot)가 존재하여, 완벽하게 양품인 데이터만 선별 가능한 상황을 목적으로 설계되었다. 마지막 3단계는 수십개 수준의 아주 적은 숫자의 불량 데이터가 레이블과 함께 적용되어 이용 가능한 상황을 산정하고 설계되었다.

제안 방법

본 연구에서는 대표적인 정밀주조 공법 중 하나인 다이캐스팅 공정을 대상으로 제품의 품질 불량을 검출하는 알고리즘을 개발하였다. 개발된 알고리즘은 독립적으로 3단계로 동작하도록 설계되어 각 알고리즘이 단계별 적용에 영향을 주지 않고, 양산 현장의 데이터 취득 특성에 따라서 적응 변화할 수 있도록 설계되었다. 1단계는 제품의 양품, 불량에 대한 정보가 없이 단순 데이터만 취득하여 비지도 이상감지 방식으로 불량을 검출하는 Geometric transformation 기반 방식, 2단계는 제품의 양품 레이블만 제공되어 반지도 one-class classification 방식으로 작동하도록 설계된 알고리즘으로, 시계열 데이터 이미지화를 위한 recurrence plot 및 markov transition field 및 fence-GAN 알고리즘을 적용하였다.
이를 위해서 본 연구는 제공된 공정데이터의 상태에 따라서 적합한 형태의 인공지능 알고리즘을 적용하여 불량을 검출하는 형태의 공정 진단 모듈을 개발하였다. 그리고 이러한 공정 진단 모듈을 실제 다이캐스팅 공정에 적용했을 때의 성능에 대한 분석을 진행하였다. 개발된 산업인공지능 기반 다이캐스팅 공정 불량 검출 모듈은 향후 스마트 다이캐스팅 팩토리 개발의 핵심 요소 기술로 활용될 것이라 기대된다.
다음 단계로 특정 제품군에 대해서만 확실한 양품이라는 조건이 주어진 Stage 2에 대해서 불량 검출 모델을 적용하였다. 따라서 양품 50, 불량 50으로 구성된 테스트 데이터를 제외하고 남은 양품 데이터를 바탕으로 반지도 학습 모듈을 학습시켰다.
이상 감지의 관점에서 보면 보다 자주 접한 형태의 정상상태의 데이터의 경우는 예측의 확신도가 높고, 새롭게 등장하여 이상일 확률이 높은 형태의 데이터의 경우는 예측의 확신도가 떨어지게 된다. 딥러닝 네트워크의 확신도를 기준으로 이상 수치 (anomaly score)를 산출할 수 있으며, 1단계 알고리즘은 이를 기준으로 다이캐스팅 제품의 불량 검출을 진행한다.
압력 관점에서는 우선적으로 두 개의 어큐뮬레이터에 인가되는 압력 채널을 모니터링하여 각 공정 당 평균, 최대, 최소 압력의 총 6개의 데이터를 추출하였다. 또한 압력 강화 (pressure intensification) 과정을 모니터링하여 압력 인가 시간, 압력 증가/감소율, 평균 및 최대 압력의 5개의 변수를 추가하였다. 마지막으로 제품의 생산 시간을 추가하여 총 47개의 변수를 활용하여 저차원화된 데이터를 활용하여 제품의 양품/불량을 판정하는 딥러닝 모듈을 개발하였다.
이때는 다이캐스팅 공정에서 불량이 발견되지 않은 로트 (lot)가 존재하여, 완벽하게 양품인 데이터만 선별 가능한 상황을 목적으로 설계되었다. 마지막 3단계는 수십개 수준의 아주 적은 숫자의 불량 데이터가 레이블과 함께 적용되어 이용 가능한 상황을 산정하고 설계되었다. 본 연구에서 제시한 알고리즘은 각각의 특화된 상황에서 우수한 불량 검출 성능을 보였으며, 향후 다이캐스팅 제조 환경의 스마트화 및 불량 저감에 기여할 것으로 기대된다.
또한 압력 강화 (pressure intensification) 과정을 모니터링하여 압력 인가 시간, 압력 증가/감소율, 평균 및 최대 압력의 5개의 변수를 추가하였다. 마지막으로 제품의 생산 시간을 추가하여 총 47개의 변수를 활용하여 저차원화된 데이터를 활용하여 제품의 양품/불량을 판정하는 딥러닝 모듈을 개발하였다. 도메인 지식을 활용하여 저차원화된 데이터의 목록은 Table 1을 통해서 확인할 수 있다.
따라서 양품 50, 불량 50으로 구성된 테스트 데이터를 제외하고 남은 양품 데이터를 바탕으로 반지도 학습 모듈을 학습시켰다. 반지도 학습 모듈의 전처리 모듈로서 시계열 데이터를 전술한 RP (Recurrence plot)와 MTF (Markov transition field)를 배경으로 처리한 후 Geometric transformation 기반 불량 검출 모듈에 투입하였다. 그 결과 RP를 활용할 경우는 91.
따라서 산업인공지능 기술을 다이캐스팅 공정에 적용하기 위해서는 상기한 데이터 취득의 어려움을 극복할 수 있는 방안이 필수적이다. 이를 위해서 본 연구는 제공된 공정데이터의 상태에 따라서 적합한 형태의 인공지능 알고리즘을 적용하여 불량을 검출하는 형태의 공정 진단 모듈을 개발하였다. 그리고 이러한 공정 진단 모듈을 실제 다이캐스팅 공정에 적용했을 때의 성능에 대한 분석을 진행하였다.
전술한 시계열 데이터 이미지 변환 및 self-labeled training 기반 불량 검출 모듈을 이용하여 다이캐스팅 제조 데이터에 대한 불량 검출 테스트를 진행하였다. 다이캐스팅 공정데이터는 총 10개의 채널에서 계측한 온도 및 압력 데이터로 구성하며, 10개의 채널 순서를 바꾸어 가며 이미지 변환 및 label을 진행하여 채널 순서 변환을 학습하였다.

대상 데이터

3단계 불량 검출 모듈의 경우 소수의 불량 레이블 데이터에 대한 학습이 필요하다. 그러나 전체 불량 데이터는 70개 밖에 되지 않기 때문에 이 경우 랜덤 샘플링을 통해서 테스트 데이터 80개, 불량 데이터 20으로 구성된 총 100개의 테스트 데이터를 선정하고 나머지 1400개의 데이터를 통하여 학습을 진행하였다. 따라서 불량 검출 모듈은 총 50개의 불량 케이스에 대한 학습을 진행하게 되었다.
따라서 불량 검출 모듈은 총 50개의 불량 케이스에 대한 학습을 진행하게 되었다. 그리고 이 과정을 10번 반복하여 총 800개의 양품 데이터, 200개의 불량 데이터에 대한 결과를 진단하였다. 그 결과 Table 2에 나타난 것처럼 불량 검출 모듈은 정확도 (Accuracy) 기준으로 96.
전술한 금형 온도 분포의 전처리 과정을 거쳐서 측정된 공정데이터들을 금형 추세 온도 효과와 제작 사이클 효과로 분리하였다. 다음으로 각 제품의 생산 공정 당시의 온도 데이터를 대상으로 공정 시간, 추세 평균 온도, 사이클 평균 온도, 사이클 최대 온도, 사이클 최소 온도의 다섯 개 변수를 7개의 온도 측정 채널을 대상으로 추출하여 총 35개의 입력 변수를 선정할 수 있다. 압력 관점에서는 우선적으로 두 개의 어큐뮬레이터에 인가되는 압력 채널을 모니터링하여 각 공정 당 평균, 최대, 최소 압력의 총 6개의 데이터를 추출하였다.
전술한 시계열 데이터 이미지 변환 및 self-labeled training 기반 불량 검출 모듈을 이용하여 다이캐스팅 제조 데이터에 대한 불량 검출 테스트를 진행하였다. 다이캐스팅 공정데이터는 총 10개의 채널에서 계측한 온도 및 압력 데이터로 구성하며, 10개의 채널 순서를 바꾸어 가며 이미지 변환 및 label을 진행하여 채널 순서 변환을 학습하였다. 그 결과 본 연구에서 제안하는 비지도 불량 검출 모델은 이미지 변환 종류 개수에 따라서 정확도가 변화하는 것을 확인하였고, 이미지 변환 종류의 개수를 포함한 하이퍼 파라미터 (hyperparameters)를 최적화하였다.
그러나 전체 불량 데이터는 70개 밖에 되지 않기 때문에 이 경우 랜덤 샘플링을 통해서 테스트 데이터 80개, 불량 데이터 20으로 구성된 총 100개의 테스트 데이터를 선정하고 나머지 1400개의 데이터를 통하여 학습을 진행하였다. 따라서 불량 검출 모듈은 총 50개의 불량 케이스에 대한 학습을 진행하게 되었다. 그리고 이 과정을 10번 반복하여 총 800개의 양품 데이터, 200개의 불량 데이터에 대한 결과를 진단하였다.
다음 단계로 특정 제품군에 대해서만 확실한 양품이라는 조건이 주어진 Stage 2에 대해서 불량 검출 모델을 적용하였다. 따라서 양품 50, 불량 50으로 구성된 테스트 데이터를 제외하고 남은 양품 데이터를 바탕으로 반지도 학습 모듈을 학습시켰다. 반지도 학습 모듈의 전처리 모듈로서 시계열 데이터를 전술한 RP (Recurrence plot)와 MTF (Markov transition field)를 배경으로 처리한 후 Geometric transformation 기반 불량 검출 모듈에 투입하였다.
다음으로 각 제품의 생산 공정 당시의 온도 데이터를 대상으로 공정 시간, 추세 평균 온도, 사이클 평균 온도, 사이클 최대 온도, 사이클 최소 온도의 다섯 개 변수를 7개의 온도 측정 채널을 대상으로 추출하여 총 35개의 입력 변수를 선정할 수 있다. 압력 관점에서는 우선적으로 두 개의 어큐뮬레이터에 인가되는 압력 채널을 모니터링하여 각 공정 당 평균, 최대, 최소 압력의 총 6개의 데이터를 추출하였다. 또한 압력 강화 (pressure intensification) 과정을 모니터링하여 압력 인가 시간, 압력 증가/감소율, 평균 및 최대 압력의 5개의 변수를 추가하였다.
전술한 바와 같이 1단계 모듈에는 양품/불량에 대한 정보없이 비지도 기반으로 데이터를 투입하였으며, 2단계 모듈에는 양품 레이블만 제공된 반지도 모듈, 그리고 3단계 모듈을 대상으로 소수의 불량 레이블이 제공된 데이터셋을 활용하였다. 불량 검출 모듈의 성능 비교를 위해서는 AUROC (Area under receiver operating curve) 지표를 활용하였다.

데이터처리

이 점에서 착안하여 제공된 공정데이터의 차원을 축소하기 위하여 다음의 전처리를 수행한다. 먼저 FFT (Fast Fourier Transform) 분석을 통하여 제품 생산 주기를 추출하고 이동 평균(moving average)을 수행하여 금형의 추세선 (trend line)을 통한 생산 별 평균 온도를 얻을 수 있다. 다음으로는 이 추세선과 온도 데이터의 차이를 이용하여 최대, 최소 온도 편차를 얻을 수 있으며 이 데이터를 인공지능 알고리즘에 투입하는 입력 데이터로 활용한다.

이론/모형

개발된 알고리즘은 독립적으로 3단계로 동작하도록 설계되어 각 알고리즘이 단계별 적용에 영향을 주지 않고, 양산 현장의 데이터 취득 특성에 따라서 적응 변화할 수 있도록 설계되었다. 1단계는 제품의 양품, 불량에 대한 정보가 없이 단순 데이터만 취득하여 비지도 이상감지 방식으로 불량을 검출하는 Geometric transformation 기반 방식, 2단계는 제품의 양품 레이블만 제공되어 반지도 one-class classification 방식으로 작동하도록 설계된 알고리즘으로, 시계열 데이터 이미지화를 위한 recurrence plot 및 markov transition field 및 fence-GAN 알고리즘을 적용하였다. 이때는 다이캐스팅 공정에서 불량이 발견되지 않은 로트 (lot)가 존재하여, 완벽하게 양품인 데이터만 선별 가능한 상황을 목적으로 설계되었다.
전술한 바와 같이 1단계 모듈에는 양품/불량에 대한 정보없이 비지도 기반으로 데이터를 투입하였으며, 2단계 모듈에는 양품 레이블만 제공된 반지도 모듈, 그리고 3단계 모듈을 대상으로 소수의 불량 레이블이 제공된 데이터셋을 활용하였다. 불량 검출 모듈의 성능 비교를 위해서는 AUROC (Area under receiver operating curve) 지표를 활용하였다. AUROC는 True Positive Rate (TPR, 전체 양품 중 양품으로 정확히 판단한 비율)와 False Positive Rate (FPR, 전체 불량 중 양품으로 잘못 판단한 비율)을 각각 y축, x축으로 하는 그래프의 아래 면적을 의미한다.
마지막 3단계 불량 검출 모듈은 소수의 불량 데이터를 활용하는 모듈로서, 지도학습 형태의 인공지능 모듈을 통해서 불량을 검출하는 모듈이다. 인공지능 모듈로서는 소수의 저차원 데이터를 처리하기에 적합한 단순한 FCNN (Fully Connected Neural Networks)을 활용하였다. FCNN은 2개의 hidden layer를 활용하였으며, 각 hidden layer는 200개의 뉴런을 지니도록 구성되었으며 마지막 layer에서는 양품/불량에 대한 판단을 내리는 layer에 해당한다.

성능/효과

반지도 학습 모듈의 전처리 모듈로서 시계열 데이터를 전술한 RP (Recurrence plot)와 MTF (Markov transition field)를 배경으로 처리한 후 Geometric transformation 기반 불량 검출 모듈에 투입하였다. 그 결과 RP를 활용할 경우는 91.76%, MTF를 활용하였을 때는 94.04%로 Stage1 모듈에 비해서 미세하게 증진된 결과를 얻을 수 있었다 (Table 2).
그리고 이 과정을 10번 반복하여 총 800개의 양품 데이터, 200개의 불량 데이터에 대한 결과를 진단하였다. 그 결과 Table 2에 나타난 것처럼 불량 검출 모듈은 정확도 (Accuracy) 기준으로 96.9%의 불량 검출 성공률을 보였다.
다이캐스팅 공정데이터는 총 10개의 채널에서 계측한 온도 및 압력 데이터로 구성하며, 10개의 채널 순서를 바꾸어 가며 이미지 변환 및 label을 진행하여 채널 순서 변환을 학습하였다. 그 결과 본 연구에서 제안하는 비지도 불량 검출 모델은 이미지 변환 종류 개수에 따라서 정확도가 변화하는 것을 확인하였고, 이미지 변환 종류의 개수를 포함한 하이퍼 파라미터 (hyperparameters)를 최적화하였다. 최종적으로 30종의 변환을 이용하였을 때 AUROC 기준 0.
937로 가장 높은 성능을 보였다. 이는 양품/불량이 제공되지 않은 데이터를 기반으로 한 결과로, 제품의 양품, 불량 판단을 진행하지 않고 단지 데이터 측정 시스템만을 다이캐스팅 공정에 설치하여 대략 93%의 불량을 검출할 수 있다는 것을 의미한다.
그 결과 본 연구에서 제안하는 비지도 불량 검출 모델은 이미지 변환 종류 개수에 따라서 정확도가 변화하는 것을 확인하였고, 이미지 변환 종류의 개수를 포함한 하이퍼 파라미터 (hyperparameters)를 최적화하였다. 최종적으로 30종의 변환을 이용하였을 때 AUROC 기준 0.937로 가장 높은 성능을 보였다. 이는 양품/불량이 제공되지 않은 데이터를 기반으로 한 결과로, 제품의 양품, 불량 판단을 진행하지 않고 단지 데이터 측정 시스템만을 다이캐스팅 공정에 설치하여 대략 93%의 불량을 검출할 수 있다는 것을 의미한다.

후속연구

그리고 이러한 공정 진단 모듈을 실제 다이캐스팅 공정에 적용했을 때의 성능에 대한 분석을 진행하였다. 개발된 산업인공지능 기반 다이캐스팅 공정 불량 검출 모듈은 향후 스마트 다이캐스팅 팩토리 개발의 핵심 요소 기술로 활용될 것이라 기대된다.
보통의 공장에서는 다이캐스팅 제품을 모두 추적하지 않지만, 특수한 소수의 불량 제품에 대해서는 작업자가 특별히 그 이력을 추적하는 경우도 있다. 따라서 아주 소수의 불량 데이터가 제공될 수 있으며, 이 데이터를 기반으로 양품/불량 검출의 정확도를 높이는 것이 요구된다. 이 경우 산업인공지능 알고리즘은 소수의 불량 데이터를 적절하게 활용할 수 있는 형태로 개발되는 것이 바람직하다.
본 연구에서 제시한 알고리즘은 각각의 특화된 상황에서 우수한 불량 검출 성능을 보였으며, 향후 다이캐스팅 제조 환경의 스마트화 및 불량 저감에 기여할 것으로 기대된다. 또한 향후에는 불량의 종류에 대한 추가적인 구분과, 불량에 대한 정보를 활용하여 주조 환경을 최적화하는 연구가 이루어질 수 있을 것이라 생각된다.
마지막 3단계는 수십개 수준의 아주 적은 숫자의 불량 데이터가 레이블과 함께 적용되어 이용 가능한 상황을 산정하고 설계되었다. 본 연구에서 제시한 알고리즘은 각각의 특화된 상황에서 우수한 불량 검출 성능을 보였으며, 향후 다이캐스팅 제조 환경의 스마트화 및 불량 저감에 기여할 것으로 기대된다. 또한 향후에는 불량의 종류에 대한 추가적인 구분과, 불량에 대한 정보를 활용하여 주조 환경을 최적화하는 연구가 이루어질 수 있을 것이라 생각된다.

참고문헌 (12)

Wang S, Wan J, Li D and Zhang C., Int. J. Distributed Sensor？Networks, 12(1) (2016) 3159805.
Lucke D, Constantinescu C and Westkamper E.,？Manufacturing systems and technologies for the new frontier,？Springer, London (2008) 115.
Shanmugaraja M, Nataraj M and Gunasekaran N., Int. J.？Quality and Innovation, 1(3) (2011) 259.
T.W. Kim, C.K. Jin, I.K. Jeong, S.S. Lim, J.C. Mun, C.G.？Kang, H.Y. Seo and J.D. Kim, Metals, 5(2) (2015) 706.
Wang J, Fu P and Gao RX, J. Manufacturing Systems, 51？(2019) 52.
Lin H, Li B, Wang X, Shu Y and Niu S, J. Intelligent？Manufacturing, 30(6) (2019) 2525.
M.S. Kim, M.Y. Lee, M.J. An and H.C. Lee, J. Intelligent？Manufacturing, 31(5) (2020) 1165.
Golan I and El-Yaniv R., Adv. neural information processing？systems, (2018) 31.
Ngo PC, Winarto AA, Kou CKL, Park S, Akram F and Lee？HK, IEEE 31st Int. Conference on tools with artificial？intelligence (2019) 114.
March TK, Chapman SC and Dendy RO, Physica D:？Nonlinear Phenomena, 200(1-2) (2005) 171.
Butler, B., "Die-casting handbook", USA, NADCA (2001).
J. Lee, Y.C. Lee and J.T. Kim, J. Materials Processing？Technology, 290 (2021) 116972.

저자의 다른 논문 :

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