Home

스마트 팩토리는 기존의 제조 공장을 IT기술과 융합하여 고객 맞춤형 제품을 최소 비용과 시간으로 생산하는 혁신적인 공장 시스템을 말한다. 이는 제조 분야에서 경기불황과 고용 문제를 극복하고 생산성과 효율성을 극대화하기 위한 방법으로 주목받고 있다. 스마트 팩토리는 산업 기기와 생산 전 과정이 네트워크로 연결되며 고객 요구에 유연하게 대응할 수 있는 체계를 가진다. 스마트 팩토리의 핵심은 생산 공정, 인터페이스, 운영의 최적화 기술, 다품종 복합생산, 조달 및 물류혁신, 장비와 인간의 협업을 가능하게 하는 것으로 제조 기술과 센서, 클라우드, 빅데이터 등 다양한 ICT 기술과 결합한 형태로 실현되고 있다[1][4].

플라스틱 사출성형 분야에서 스마트 팩토리를 실현하기 위한 노력으로는 공정 자동화, 센서를 활용한 실시간 모니터링, 원격제어 등이 주된 관심사이며 원료 혼합기의 경우 다양한 원료 형태와 기기 동작에 따른 오차율을 지속적으로 보정해야 생산품의 품질을 일정하게 유지할 수 있고 원료 및 원가 절감이 가능하다.

현재 설정에 따라 원료 투입을 정확하게 유지하기 위한 자동 보정 기술은 주로 정해진 값과 조건에 따라 처리하는 프로그램을 탑재해 처리하는 방식이며 고정된 원료와 단일 제품 생산 공정의 경우 효과적으로 운용이 가능하다[5][6]. 그림 1은 정해진 파라미터에 의해 자동보정을 수행하는 일반적인 처리 방식의 처리 구조 이다.

Fig. 1. 
Example of automatic calibration method

그러나 원료의 형태가 특성이 자주 변경되고 다품종 소량 생산의 형태에서는 정확도가 떨어지고 새로운 환경을 위해 프로그램을 새로 개발해야 하는 문제가 있어 중소 플라스틱 제조 공장에서 도입하기 어려운 문제가 있다[7][9].

일반적으로 머신러닝의 세 가지 학습종류는 지도 학습, 비지도 학습, 강화 학습을 들 수 있다. 지도학습은 레이블 된 데이터 즉, 특정 데이터셋을 특징할 수 있는 결과 값이 과거의 경험이나 누군가에 의해 부여되어 있어야 한다. 지도 학습의 주요 목적은 레이블 된 훈련 데이터에서 모델을 학습해 새로운 미래 데이터에 대한 예측을 만드는 것이라 볼 수 있다. 정상과 비정상 등을 감지하는 것과 같은 이진 분류와 손글씨 이미지 분석과 같은 다중 분류 등 분류 기술은 가장 손쉽게 접근할 수 있으면서도 적용 분야에 따라 우수한 결과를 얻을 수 있는 기법이기도 하다.

대표적인 분류 기법으로는 로지스틱 회귀, 선형 판별 분석, KNN(K-Nearest Neighbors), 트리, 신경망, SVM(Supported Vector Machine)이 대표적이다[8]. 이중 KNN은 다른 방법과 달리 데이터 학습에 추가적인 시간이 소요되지 않으면서도 실시간 예측이 가능한 구조로 학습 데이터셋이 자주 변경되거나 저사양의 컴퓨팅 유닛을 사용해야 하는 환경등에서 유리한 부분이 있다.

기초 데이터는 혼합부 제어에 사용되는 측정 및 제어값을 기준으로 선정했으며 측정 범위는 현재 판매 중인 원료 혼합기 제품 중 사이드 믹서 방식의 ASM-24 모델을 기준으로 선정했다. 측정 범위는 제조회사 기기 마다 차이가 발생할 수 있으나 추후 미세 튜닝을 통한 조정으로 해결이 가능하다.

데이터 항목 중 지도 학습을 위한 레이블에 해당하는 것은 adjust 이며 특정 동작 상황에서 혼합기 설정 값 조정이 필요 했는지에 대한 결과 이다. 이는 실제 기기를 생산 공정에서 사용하면서 기존과 같은 방법으로 관리자에 의해 조정된 결과 값이다. 그림 3은 수집된 데이터 분포 결과를 보여준다.

Fig. 3. 
Data distribution

플라스틱 사출성형 공정은 기본적인 구성요소가 동일하며 혼합기의 운영을 통해 입력 값들과 결과에 대한 데이터 수집이 가능하다.

도메인 특성상 지도학습을 통해 모델을 생성하고 생성된 모델을 통해 실시간으로 입력되는 혼합기 데이터를 기반으로 예측과 보정을 진행하게 된다. 그림 4의 상관 관계 분석을 통해 레이블에 해당하는 컬럼인 adjust와 관련성이 낮은 데이터들을 선별해 최종적으로 work_cnt, day_w_cnt, micro_log, power_log 컬럼은 제거해 관련성이 높은 데이터 항목을 중심으로 최적화된 분석이 이루어질 수 있도록 했다.

Fig. 4. 
Data correlation analysis

다음 단계는 최적화된 학습 데이터를 기반으로 머신러닝 모델을 만드는 과정이다. 본 연구 대상의 데이터는 분류 문제에 해당하는 것으로 5천건의 데이터는 80:20으로 분할해 훈련과 검증용으로 사용하고 해당 데이터 조건으로 공정이 진행되었을 때 관리자에 의한 조정이 발생했는지 유무를 다섯가지 기계학습 모델을 통해 구성한다. 모델 구성은 scikit-learn 과 XGBClassifier 라이브러리를 사용하고 파라미터와 설정 값을 본 연구에 맞게 구성 하였다.

다음은 모델 설계 과정으로 scikit-learn 으로 구성한 각 모델 구성과 주요 파라미터에 대한 선정 기준과 설정 값을 중심으로 살펴본다. 각 모델에 대한 주요 파라미터는 표 2~표 6에서 확인할 수 있다.

예측 함수는 앞에서 설계한 다섯 유형의 분류 모델들을 이용해 예측을 수행하는 함수 이다. 데이터에 대한 정보와 예측 모델을 인자로 예측을 수행하고 결과를 리턴한다. 함수의 인자는 다음과 같이 정의 하였다.

- name: 예측 모델 이름(출력용)
- algo: 예측 알고리즘
- training_x: 훈련 데이터
- testing_x: 검증 테이터
- trainint_y: 훈련 데이터
- testing_y: 검증 데이터
- plot: 시각화를 위한 plot 객체

함수의 처리 과정은 표 7과 같다.

실험은 클라우드 기반의 컴퓨팅 유닛을 사용했으며 Google의 Colab에서 Python 3.10과 GPU 백엔드를 사용해 XGBoost, SVM, Random Forest, KNN, Logistic Regression등 총 다섯 가지 분류 기법으로 각각 학습 시키고 학습된 예측 모델을 다시 검증용 데이터셋으로 검증후 AUC(Area Under Curve)를 산출해 예측 성능을 비교 실험한다.

그림 5는 실험 과정을 보여준다. 개발 환경에 따라 실험은 테스트 데이터 로드 -> 보정값 예측 요청 -> 학습 모델별 예측 결과 -> 결과 요약으로 진행 되었다.

Fig. 5. 
Experimental process

3장에서 설계한 다섯 방식의 학습모델을 구현한 예측함수를 통해 실험한 결과는 표 9와 같다. 표에서 보여주는 것처럼 KNN모델의 AUC값이 가장 높게 계산 되었다.

실험 결과 가장 정확도가 높은 학습 모델은 AUC 0.975를 보인 KNN Classifier이며 예측 결과 precision은 각각 0.99, 0.98이며 recall은 1.0, 0.95, f1-score는 1.0, 0.97이다. 이를 기반으로 산출된 accuracy는 0.99이며 AUC는 0.975로 다른 방법보다 높은 정확도를 보였다. 실험 수행 결과 리포트는 그림 6과 같다.

Fig. 6. 
Result of KNN method

성능 결과 도출을 위한 confusion matrix는 표 10과 같은 2x2 테이블로 표현된다.

결과는 TP, FN 이 각각 100, 80 으로 모델의 예측이 오차가 적음을 보여주고 있으며 이를 기반으로 accuracy, precision, recall 등이 앞에서 설명한 것 같이 산출 되었다.

그림 7은 ROC curve, AUC를 보여주는 차트 이다. 임계값에 따라 FPR을 0~1 까지 변화시켜가며 TPR의 변화를 기록한 ROC curve 는 그림과 같이 가장 이상적인 형태로 모델이 우수함을 보여주고 있다. AUC는 ROC의 아랫부분 면적으로 0~1 사이의 값을 가지게 되는데 실험 결과는 0.97로 모델이 잘 설계되었음을 보여준다.

Fig. 7. 
Result of KNN method

실험을 통해 다섯 가지 분류 기법 중 가장 높은 정확도를 보인 KNN 학습모델을 실제 공정에서 취득된 5천 건의 데이터를 사용해 실효성 있는 예측 결과가 나오는지 검증 실험을 진행 하였다. 또한 처리 성능이 실제 기기 운영에 영향을 미치지 않기 위해서는 연산 속도도 중요하기 때문에 연산 속도를 포함해 성능 검증을 진행 했다.

실험 시나리오는 다음과 같다.

• - 실제 공정 운영에서 취득된 5천건의 데이터
• - 1셋트당 100개의 데이터를 임의 추출해서 예측하고 실제 결과 값과 비교
• - 총 100셋트 수행
• - 총 1000개의 데이터에 대해 수행하게 되면 각 셋트의 평균 성공률을 합산해 10셋트에 대한 평균 성공률을 구함.
• - 평균 성공률 97% 이상, 처리속도 1초 미만.

실험결과 총 1,000개의 데이터에 대해 평균 성공률 98.3%를 달성해 실험 목표치인 97%를 상회한 결과를 얻을 수 있었다.

연산속도는 인공지능 학습 모듈의 처리 속도로 1건의 데이터를 처리하는데 소요되는 시간으로 정의하고 앞에서 진행한 실험과정에 예측 함수 호출 전/후 시간을 계산하고 총 10셋트(1000건)에 대한 데이터에 대해 평균 처리 속도를 구한 결과 약 0.093초로 인공지능 학습모델을 사용해 실시간 데이터를 처리하는데 있어 공정상 문제가 되지 않을 수준의 성능이 확보 되었다고 볼 수 있다.