[학회 후기]

2023년 대한산업공학회·한국경영과학회 춘계공동학술대회에 참가하였다. 오랜만에 제주도에 방문하게 되어서 설레는 마음과 긴장되는 마음이 들었다. 처음 학회장에 도착하여 느낀 점은 정말 다양한 분야의 사람들이 학회에 참가했다고 생각했다. 대학원생부터 기업에서 일하고 있는 사람들까지 다양한 분야에서 산업공학에 종사하고 있는 사람들이 교류하는 모습을 보면서 다음에도 기회가 된다면 회사에 복귀해서도 다시 오고 싶다는 생각을 했다. 철강분야에서 일을 하고 있어서 관심이 그쪽으로 많이 갔는데 생각보다 많은 주제들이 있어서 가기전부터 발표시간을 체크하고 그분들과의 교류를 기대했다. 다른 분들의 발표를 들으면서 졸업 후 내가 해야 할 일들에 대해서 인사이트를 얻을 수 있어서 이 자리에서 발표할 수 있는 사실이 정말 감사한 일이라는 생각을 했다.

[발표후기]

이번 학회에서는 “열화상 이미지를 활용한 열간압연 제품의 폭방향 온도불량 분류 모델”이라는 주제로 발표하였다. 열간압연 공정에서 중요한 품질요소는 사이즈, 표면, 재질인데 재질은 소재의 냉각에 따라서 결정된다. 이 냉각이 잘 진행되었는지는 냉각이후, 온도계를 통한 측정으로 진행되는데 기존에는 1점 온도계를 사용하여 소재의 가운데 부분을 측정 및 관리했다. 하지만 고객들은 가운데 온도뿐 아니라 폭방향으로 고른 온도를 갖는 제품을 원했고 그에 따라서 회사에서는 폭방향온도를 열화상으로 측정하는 장치를 설치하고 담당자가 관리해왔다. 하지만 하루에 600개씩 4개 공장에서 생산되는 모든 제품에 대해서 모니터링 하기는 어려웠고 주말이나 연휴이후에 담당자는 하루 종일 해당 이미지만 확인해야 하는 불편함과 담당자가 놓치는 경우 해당제품이 입고되어 고객에게 전달되는 사례들이 있어왔다. 따라서 이를 자동하기 위해서는 이미지를 자동으로 분류하는 분류모델이 필요하다고 생각했다. 학습을 위해서 2개월의 데이터를 수집했고 해당 데이터에 라벨을 부여하였다. 해당 데이터 셋을 활용하여 학습을 진행했으나 데이터의 불균형으로 학습이 잘 안되는 문제점이 있었다. 문제점을 해결하기 위해서 불량데이터에 대한 Augmentation을 진행했고 다시 학습을 진행했을 때 좋은 성능을 확인했다. 향후 온라인 적용을 위해서는 매번 라벨을 부여할 수 없기 때문에 준지도학습을 활용하여 연구를 지속할 예정이다.

질문 1) 데이터 라벨링은 도메인 전문가가 해야한다고 생각하는데 직접 라벨링을 진행했나?

답변 1) 해당 공정에서 10년간 엔지니어로 일했고 도메인 전문가라고 할 수 있다. 또한 라벨링의 신뢰성 확보를 위해서 다른 엔지니어와의 크로스 체크를 진행했다.  

질문 2) 경쟁사인 현대제철에서 왔습니다. 해당 연구를 온라인에 적용할 계획이라고 하셨는데 상당한 비용이 소모될 것이라고 생각되는데 그만큼의 가치가 있는 것인지 ?

답변 2) 본연구의 가치는 해당 불량이 고객에게 전달되지 않도록 미리 분류하고 원인을 분석하기 위함이고 예를 들어 불량이 강관재고 송유관을 만들었는데 결함이 생긴다면 이송비용부터 강관제작 비용까지 회사에서 부담해야 하는 문제가 있다. 충분히 가치있는 연구라고 생각한다.

[청취 후기]

1. 철근 항복강도 예측을 위한 시계열 냉각 변수 기반 LSTM-DNN 모델설계(김예진, 김영근 – 한동대학교 기계제어공학부)

해당 발표는 고온의 빌렛을 압연 공정을 거쳐 철근으로 성형되고 수냉공정을 거치는 철근 생성공정에서 완성된 제품의 항복강도를 예측하는 모델설계를 발표했다. 템프코어라는 열처리 방식을 사용하여 제품의 항복강도를 결정하는데 항복강도에 영향을 주는 인자로는 소재의 합금원소, 냉각조건, 제품의 사이즈가 있다. 항복강도를 예측하려는 시도는 과거부터 있어왔으나 비선형적인 거동 때문에 예측이 어려웠다. 또한 제품이 고객에게 전달되기 위해서는 일정한 물성확보가 필요한데 이를 숙련된 작업자가 냉각 조건을 변경하면서 생산해 오고 있고 편차가 발생하며 품질 확인을 위한 샘플링 및 테스트를 반복하고 있다. 따라서 항복강도를 정확히 예측하는 모델을 설계하여 해당 문제들을 해결하기 위한 연구를 진행했다. 연구에는 냉각에 활용되는 시간에 따른 냉각정도를 학습하기 위해서 LSTM과 DNN을 사용했고 입력으로는 성분, 냉각 조건, 사이즈를 입력하여 학습하고 항복강도가 잘 예측되도록 두 모델을 조합하여 학습했다. 결과는 상당히 좋았는데 R-square 값이 0.98이였고 RMSE는 Baseline 모델대비 16% 감소했다. 항복강도 예측에 대한 고민은 회사에서도 고민하고 있는 분야이고 이를 해결하기 위한 다양한 시도들을 하고있다. 다만 LSTM처럼 시계열 정보를 반영하는 부분을 시도해본 적이 없기 때문에 좋은 인사이트를 얻을 수 있었다.

2. 철근 템프코어 공정의 냉각변수 최적화를 위한 강화학습 모델 설계 기초연구 (강희윤, 김영근 –한동대학교 기계제어공학)

위해서 진행한 연구의 후속연구 같아서 포스터 발표에 참석하여 발표자의 설명을 듣고 질의응답을 진행했다. 항복강도를 예측하고 예측한 항복강도를 제어하기 위해서는 냉각 조건을 변경해야 한다. 이 최적의 조건 변경을 위해서 강화학습 모델을 설계하는 연구였다. 연구에서 사용한 방법은 DDPG 알고리즘을 사용하였고 요구 품질에 맞춰 생산하기 위한 냉각변수 최적화 모델을 설계한다는 점에서 굉장히 인상깊었는데 지금 소속된 회사에서 가장 큰 고민중에 한가지는 숙련된 작업자중 대부분이 10년내 퇴직 예정이라는 점이다. 회사에서는 두가지 방향으로 대책을 수립할 수 있는데 퇴직한 인원 만큼을 다시 신입사원으로 고용할지 아니면 그들이 하는 제어를 자동화하여 추가 고용없이 라인을 가동할지에 대한 결정을 해야하고 강화학습은 이 문제를 해결함에 있어 키라고 생각해왔다. 다만 아직 적용하기에는 이르다고 생각했는데 이미 적용을 하고있어 인상깊었으며 향후 관련 연구를 더 찾아봐야겠다는 생각을 했다.