XAI(eXplainable Artificial Intelligence) 기반의 공정 데이터를 활용한 제품 수율 향상에 대한 연구 :A study on the Improvement of Product Yield based on eXplainable Artificial Intelligence (XAI) algorithm

홍지수

추천

검색

자료유형: 학위논문

저자정보: 홍지수 (인하대학교, 인하대학교 대학원)

지도교수: 강성우

발행연도: 2023

저작권: 인하대학교 논문은 저작권에 의해 보호받습니다.

이용수18

이 논문의 연구 히스토리 (3)

2023

XAI(eXplainable Artificial Intelligence) 기반의 공정 데이터를 활용한 제품 수율 향상에 대한 연구

홍지수 산업경영공학과 2023.01 학위논문

2022

XAI(eXplainable Artificial Intelligence) 알고리즘 기반 사출 공정 개선 프로세스 제안

홍지수 , 홍용민 , 오승용 외 4명 대한산업공학회 춘계공동학술대회 논문집 2022.06 학술대회자료

XAI(eXplainable Artificial Intelligence) 알고리즘 기반 사출 공정 개선 프로세스 제안

홍지수 , 홍용민 , 오승용 외 4명 한국경영과학회 학술대회논문집 2022.06 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

목적: 이 연구의 목적은 공정 데이터를 이용하여 공정 과정에서의 제품 최적화 프로세스를 통해 공정 제품 수율을 향상하는 것이다. 최근 머신러닝이나 딥러닝 등을 활용하여 제조 공정에서의 저비용 고효율 생산을 위한 연구가 지속되고 있다. 본 연구는 설명할 수 있는 인공지능, XAI 기법을 활용하여 제조 공정 과정에서의 제품 불량 여부에 영향을 미치는 주요 변수들을 도출하고 해당 변수들의 최적 범위를 제시함으로써 제품 수율 개선 방법론을 제안하고자 한다.

방법: 이 연구는, KAIST가 주관하는 인공지능 중소벤처 제조 플랫폼(KAMP)에 공개되어 있는 사출성형기 AI 데이터 셋과 CNC 머신 AI 데이터 셋을 이용하여 연구를 수행한다. XAI 기반 SHAP 기법을 이용하여 각 공정 데이터에서 제품 불량 여부에 영향을 미치는 주요 변수들을 추출한다. 학습 알고리즘으로는 XGBoost와 LightGBM을 사용하였으며 각 모델 별로 사출 공정의 경우 6-7가지 변수를, CNC 공정의 경우 8-10가지 변수를 주요 공정 변수로 추출한다. 이후에는 ICE 기법을 이용해 각 공정 변수의 최적 통제 범위를 제시한다. 최종적으로 연구의 유효성 검증을 위해 각 공정 변수의 최적 통제 범위에 해당하는 데이터 프레임을 구축하고 해당 데이터의 불량률과 기존 불량률 비교를 통해 제품 수율 개선 여부를 확인한다.

결과: 이 연구는 Case Study로 사출 공정과 CNC 공정 두 경우에서의 본 연구 방법론을 제안하며, 두 경우 모두 유효성 검증을 통해 제품 수율이 향상됨을 확인하여 공정 종류와 상관없이 본 연구에서 제안하는 방법론의 유효성을 입증하였다.

결론: 사출 공정 데이터에서 XGBoost로 학습한 경우 Test Data에서의 개선 불량률은 0.21%, LightGBM으로 학습한 경우 Test Data에서의 개선 불량률은 0.29%로 기존 Train Data 불량률 1.00% 대비 각각 0.79%p, 0.71%p 개선됨을 확인하였다. CNC 공정 데이터에서 XGBoost로 학습한 경우 Test Data에서의 개선 불량률은 0.82%, LightGBM으로 학습한 경우 Test Data에서의 개선 불량률은 0.97%로 기존 Train Data 불량률 29.18% 대비 각각 28.36%p, 28.21%p 개선됨을 확인하였다.

Keywords: 사출 공정, CNC 공정, XAI, SHAP, ICE

Purpose: The purpose of this study is to propose an optimization process to improve product yield in the process using process data. Recently, research for low-cost and high-efficiency production in the manufacturing process using machine learning or deep learning has continued. Therefore, this study derives major variables that affect product defects in the manufacturing process using explainable artificial intelligence and XAI method. After that, the optimal range of the variables is presented to propose a methodology for improving product yield.

Method: This study is conducted using the injection molding machine AI dataset and the CNC machine AI dataset released on the Korea AI Manufacturing Platform(KAMP) organized by KAIST. Using the XAI-based SHAP method, major variables affecting product defects are extracted from each process data. XGBoost and LightGBM were used as learning algorithms, and for each model, 6-7 variables are extracted as the main process variables for the injection process and 8-10 variables for the CNC process. Subsequently, the optimal control range of each process variable is presented using the ICE method. Finally, for validation of the study, a data frame corresponding to the optimal control range of each process variable is constructed and the product yield is improved by comparing the defect rate of the data with the existing defect rate.

Results: This study is a case study. The research methodology in both the injection process and the CNC process was proposed, and in both cases, it was confirmed that the product yield was improved through validation.

Conclusion: In the injection process data, it was confirmed that XGBoost had an improvement defect rate of 0.21% and LightGBM had an improvement defect rate of 0.29%, which were improved by 0.79%p and 0.71%p, respectively, compared to the existing defect rate of 1.00%.
In the CNC process data, it was confirmed that XGBoost had an improvement defect rate of 0.82% and LightGBM had an improvement defect rate of 0.97%, which improved by 28.36%p and 28.21%p, respectively, compared to the existing defect rate of 29.18%.

Keywords: Injection Process, CNC Process, XAI, SHAP, ICE

#SHAP #ICE #사출공정 #CNC 공정 #XAI

제 1 장 서론 1
1.1 연구동기 1
1.2 논문의 구성 2
제 2 장 이론적 배경 3
2.1 XAI(eXplainable Artificial Intelligence) 3
2.1.1 XAI 3
2.1.2 SHAP(SHapley Additive exPlanations) 4
2.1.3 ICE(Individual Conditional Expectation) 7
2.2 모델 학습 9
2.2.1 XGBoost 9
2.2.2 LightGBM 11
2.3 사출 공정 13
2.3.1 사출 성형 공정 13
2.3.2 사출 공정 데이터 소개 15
2.4 CNC 공정 16
2.4.1 CNC 가공 공정 16
2.4.2 CNC 공정 데이터 소개 17
제 3 장 방법론 20
3.1 데이터 수집 및 전처리 20
3.2 SHAP(SHapley Additive exPlanations) 22
3.3 ICE&PDP 23
3.4 유효성 검증 24
제 4 장 Case Study 1: 사출 공정 25
4.1 데이터 수집 및 전처리 25
4.2 SHAP 26
4.3 ICE & PDP 28
4.4 유효성 검증 30
제 5 장 Case Study 2: CNC 공정 31
5.1 데이터 수집 및 전처리 31
5.2 SHAP 32
5.3 ICE & PDP 34
5.4 유효성 검증 38
제 6 장 결론 및 향후 연구 39
6.1 결론 39
참고문헌 41

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (3)

초록· 키워드

목차

최근 본 자료

댓글(0)