[학회 후기]

2022년 대한산업공학회 주관 춘계 학술 대회가 인천대학교에서 11월 4일 개최되었다. 학교에서 진행되는 첫 학회다보니 발표에 대한 두려움과 새로운 인사이트를 발견할수 있겠다는 설레임으로 전날부터 잠을 푹 자기 어려웠다. 장소가 인천대학교이고 인천에서 나고 자라온 나에게는 더 특별하게 다가왔다. 작년까지는 오프라인으로 진행했다고 하는데 올해는 오프라인으로 직접가서 발표하고 질문할수 있다는 생각에 설레였다. 학회 참석을 위해서 8시에 인천대학교에 도착했고 정말 추운날씨 때문에 얼어있던 입을 풀기위해서 차에서 발표연습을 한번하고 등록하는 곳으로 갔다. 나의 발표 순서는 오전 첫세션의 두번째였고 준비한 내용처럼 발표를 진행했다. 발표는 정확한 시간에 끝났고 주제가 현업에 관련된 내용이다보니 이해하는 분들이 적을 것이라고 생각했는데 생각보다 다양한 질문들을 받았다. 내가 연구하는 주제에 대해서 관심을 표현하고 집중하는 모습에서 나도 다른분들의 발표를 관심있고 집중하여 들었다. 다양한 주제을 듣고 호기심 어린 질문들에서 연구를 더 열심히 해야겠다는 동기부여가 되었고 더 다양한 분야에 대한 공부가 필요하다고 생각했다. 

 

[발표 후기]

나는 "열간압연 두께 예측 및 베이지안 최적화 기반 압연패턴 도출"이라는 주제로 발표를 진행했다. 철강 산업은 철광석이라는 원재료를 고객이 사용할수 있는 철판의 형태로 가공하는 산업이고 그중에 열간압연은 고온(900~1200도)에서 소재를 얇게 압연하는 공정이다. 해당 공정에서 발생하는 불량중 가장 많은 불량이 발생하는 것이 두께불량이고 이 두께불량은 주로 철판의 앞부분에서 발생하는 것이 전체의 70%이상이다. 소재의 앞부분에서 두께불량이 발생하는 이유는 너무 다양하지만 가장 주요한 원인은 두께를 계측하는 계측기가 두께를 압연하는 압연기 출측에 설치되어 있기 때문에 계측후 제어를 할수 없다는 것에 있다. 따라서 이를 해결하기 위해서 가설을 세웠는데 압연전에 두께불량이 어느정도 발생할지 예측하고 불량이 발생하지 않는 압연패턴을 찾을수 있다면 결함을 상당히 줄일수 있다고 생각했다. 연구는 총 3가지 단계로 진행되었다. 첫번째로 연구를 시작하기 위해서 데이터를 수집했는데 포스코 광양제철소 2열연 공장에서 10개월간 작업된 모든 소재의 Data를 활용하여 소재의 앞부분의 두께를 예측하는 모델을 학습했다. 사용한 모델을 Adaboost, Elasticnet, XGBoost, Random Forest, MLP를 활용했으며 가장 정확도가 높은 모델은 XGB로 99.9의 결정계수를 확인했다. 두번째로 진행한 내용은 해당 모델을 기준으로 SHAP분석을 진행했다. SHAP분석을 진행한 이유는 어떤 변수가 두께에 영향을 미치는지 확인하고 해당변수를 최적화 하기 위함이었다. 20개의 변수중에서 15개의 변수가 Roll Gap과 관련있는 변수라는 것을 확인했고 Roll Gap을 최적화 해야겠다고 판단했다. 마지막으로 진행한 것은 베이지안 최적화를 통해서 두께불량이 발생하지 않는 최적 Roll Gap을 찾는 것이었고 XGB가 예측한 값이 목표두께에 가까워 질수 있도록 최적화를 진행했다. 최적화의 결과 기존의 두께 불량의 29.5%의 불량저감 효과가 기대되는 것으로 확인했다. 해당 연구내용들을 현업에 적용하기 위해서 예측모델의 정확도 향상과 최적화 시간에 대한 연구가 추가적으로 진행된다면 실제 현업에 적용되어 좋은 효과를 낼 것으로 기대된다.       

질문 1. 최적화가 잘된 케이스와 잘 안된 케이스가 있던데 두개의 차이점은 무엇인지 고민해 보셨나요 ?

답변 1. 최적화가 안된 케이스의 경우에는 예측이 잘 안된 케이스들이었습니다. 잘안된 케이스를 해결하기 위해서는 예측모델의 추가적인 성능 향상이 필요한것 같습니다. 

질문 2. SHAP을 설명을 위해 사용하셨던데 이유가 있나요 ?

답변 2. 해석을 위한 알고리즘을 선택할때 참고하기 위해서 논문을 보다가 SHAP이 LIME과 Tree Interpreter 대비 조금 더 좋은 성능을 낼수 있고 다양한 분석과 시각화가 편리하여 사용하였습니다.  

질문 3. Roll Gap의 최적화 방향이랑 두께 불량의 방향이 일치한다고 하셨는데 조금 더 설명해주실수 있는지요 ?

답변 3. PPT에 첨부된 그림으로 두께가 두껍게 작업된 경우에는 Roll Gap을 Close하는 방향으로 최적화가 진행되어야 하고 두께가 목표보다 얇게 작업된 경우에는 Roll Gap이 Open하는 방향으로 최적화 되어야 한다고 설명했습니다. 

질문 4. Head부 30Point의 데이터를 평균을 내서 활용하셨던데 이유는 무엇인가요?

답변 4. 소재의 Head부는 제어가 불가능한 영역이며 불량이 가장많은 위치입니다. 30Point은 대략적으로 제어가 시작되기 전에 수집된 데이터로 이 위치의 예측을 정확히 하는 것이 중요하고 생각했습니다. 

[청취 후기]

1. 강건한 재공재고 예측을 위한 데이터 변이 인지 및 점진적 학습 (강민정, 이상민 - 광운대학교)

경기 침체로 반도체 부족 문제가 지속적으로 발생하고 있지만 일부 반도체 제품의 경우 수요가 급감하여 공급 과잉이 있다. 반도체 제조 환경의 특성상 정상성을 요구하는 기계학습 방법론을 적용한 연구는 한계가 있고 불규칙적인 비정상성 데이터가 있는 경우에 모델의 성능 저하 및 학습된 모델의 사용이 어렵다. 이를 해결하기 위해서 최소한의 업데이트를 위한 데이터 분포 변이 탐지를 통해서 모델의 업데이트 여부를 결정하고 자가 학습을 하는 점진적 방식의 프레임워크를 연구했다. 연구는 4가지 단계로 진행되었는데 데이터 수집 및 전처리, Augmented Dickey fuller test(ADF test)를 통한 정상성 확인 및 변동점 감지, 회귀모델의 학습, 예측 및 평가순서로 진행되었다. 제안하는 모델은 ADF Test를 진행하여 비정상성에 해당하는 경우에만 학습 모델을 업데이트하면서 특이한 경우에만 학습하면서 강건한 모델을 구축할수 있다.  예측은 최대 재공재고량과 평균 재공재고량을 예측하도록 설계되었으며 두 수치의 분포 변화를 같이 감지하여 학습되는 방식(다중 학습 기반 예측)이다. 해당 연구에서는 일부 파라미터들을 완전히 공유하며 하나의 모델을 통해서 두개의 값을 예측하는 방식을 사용했다. 해당 방법을 사용할 경우 다른 방법론들과 비교했을 때 차별점은 기존의 온라인 업데이트 방식이 12,314ms의 시간이 소요되는 것에 반해 434.417ms의 시간으로 유사한 성능을 낼수 있음을 확인했다. 현업에서는 모델의 성능 유지를 위해 재학습하는 시간을 효율적으로 관리하기 위해서 다양한 방법들을 사용하고 있는데 이런 부분들을 연구한것에 대해서 굉장히 인상 깊었다. 

2. 진동센서를 이용한 PCA 기반 설비 감시 시스템 (장동혁, 최서현, 정재윤 - 경희대학교 빅데이터응용학과)

제조업에 근무를 하다보니 설비이상에 대한 두려움은 항상 갖고있었고 설비이상에 대한 대응은 대부분이 발생후 조치에 집중되어 있었다. 설비이상을 정확하고 신속하게 예측할수만 있다면 정말 엄청난 비용이 절감될수 있고 항상 관심있었던 분야였다. 이 발표에서는 예지보전의 중요성에 대해서 이야기하고 실험실에서 진동센서를 이용하여 데이터를 생성하고 이 수집된 값을을 활용하여 실험을 진행했다. 연구는 진동데이터 수집, 통계치 추출, 중요변수 추출, PCA를 통한 차원축소, 설비감시 시스템 연계로 발표가 진행되었다. 고장의 분류는 총 7가지로 분류하고 데이터는 초기 1분동안 수집된 60개의 데이터를 활용했다. 수집한 데이터로 MTS(Mahalanobis Taguchi System)을 통해서 중요변수 추출 및 PCA를 통한 차원축소를 진행한다. PCA를 진행했을때 고장별로 군집을 이루는 것을 확인할수 있었고 각 군집과 온라인 데이터간에 Mahalanobis 거리를 측정하여 가장 가까운 거리의 군집(고장)으로 판정하도록 시스템을 구성하였다. PCA후에 그래프와 거리를 표시하여 어떤 고장과 가까운지를 설비를 모니터링 하는 사람이 볼수 있도록 시스템을 구성했기 때문에 활용하기 좋아보였다. 현업에서 설비 감시에 대한 니즈와 필요성이 굉장히 많은데 해당 연구를 응용하여 적용한다면 좋은 성과가 기대된다.