1. 참석 소감

 Informs 학회를 다녀와서 입국 후 다음날 바로 대한산업공학회 추계학술대회에 참석하였다. 물론 규모면에서는 Informs와 비교할 수는 없지만 국내의 전반적인 연구 분위기를 파악할 수 있었으며, 특히 우리 나라의 강점이자 관심 분야인 제조라는 도메인 안에서 다양한 연구들이 진행되고 있음을 알 수 있었다. 이번 학회 참석의 가장 큰 소득은 Data Aggregation에 관련된 논문 발표를 접하면서 현재 연구 중인 내용을 심화할 수 있는 실마리를 얻었다는 점이다. 따라서 이번 후기로는 발표했던 내용과 아울러 Data Aggregation에 관련된 청취 내용를 정리하고자 한다.

 

2. 개인 발표 : 실시간 설비데이터를 활용한 휴대폰 메탈공정의 다변량 관리 방법론

 발표 내용은 Inform와 동일하게 다변량 관리도의 기법을 휴대폰 메탈 공정에 적용한 사례에 대하여 설명하였으며, 메탈 프레임 공정의 데이터 주도 운영이 가능하도록 다변량 관리를 위한 4단계의 순서를 제안하였다. 첫째 데이터 전처리에서는 X와 Y값의 행의 수가 다른 상황에서 접근할 수 있는 2가지 방법(평균 데이터셋 및 개별 데이터셋 사용)에 대해 설명하였으며, 둘째 비모수 기반의 변수 선택과정을 설명하였다. 셋째 이상치의 검출 속도 및 정확성을 보증할 수 있는 방법으로 평균 데이터셋의 Hotelling T^2 차트와 개인 데이터셋의 다변량 이동평균 차트를 동시에 관리할 것을 제안하였으며, 마지막 단계에서는 Runger의 T^2 분해 기법을 통한 이상치 해석 방법을 소개하였다.

​ Informs에서 발표를 위해 많은 연습을 진행했던 터라 발표는 순조롭게 진행할 수 있었다. 우리 나라의 대표 수출 제품인 휴대폰에 관련된 연구 내용이어서인지는 모르겠으나 갑자기 늘어난 청중에 순간 부담 되기도 하였지만 늘 함께하던 연구실 동료들이 함께 지켜보는터라 큰 긴장이 되지는 않았던 것 같다. 발표 후 질문 내용은 아래와 같다.

 

Q1) 자동차 산업에서도 CNC를 활용하여 부품을 제작하는 유사한 공정이 많은데 혹시 이러한 논문에 대해서도 참고를 하였는가?

A. CNC와 관련된 논문은 많았으나, 부품의 교체 주기나 유지보수 주기를 선정하는 등 설비 자체의 이상에 대한 모니터링 문제가 많았고 설비 데이터를 통해 생산중인 부품의 상태를 판정하는 Process Mining 관점에서의 논문은 아직 보지 못하였다. 오히려 주조 공정에서 비슷한 내용이 있었는데 다변량 관리 기법의 원리가 크게 다르지 않으므로 그 부분을 많이 참고하였다.

Q. CNC 공정에 대해서는 자동차 산업에서 활용 역사가 깊은 만큼 참고할 만한 다양한 연구가 있으리라 생각이 된다. 특히 엔진 등의 부품 제작에 CNC 사용 비중이 높으니 이를 참고하여 논문을 찾아보면 도움이 될 것이다.

A. 조언에 감사드린다.

 

Q2) 다변량 관리도를 개발해도 현업에서는 다시 단변량 관리도 여러 개를 관리하는 것이 직관적이기 때문에 점점 관리하는 단별량 차트가 늘어났었던 경험이 있는데 현업 담당자를 설득할만한 다변량 관리도의 필요성은 무엇이라고 생각하는가?

A. 서로 독립적인 변수라면 중요한 단별량 차트 여러 개를 관리하는 방법도 가능하리라 생각된다. 하지만 본 연구에서 사용된 관리도들은 상관관계를 반영하는 마할로비스 거리를 기반으로 모니터링을 하는 특징이 있다. 따라서 단별량 차트를 모두 관리한다고 하더라도 상관관계가 고려될 수 없기 때문에 T^2 기반의 다변량 관리도가 오히려 정확성이 높으리라 생각된다. 또한 많은 단변량 관리도를 사용한다는 것은 인력 등 자원의 낭비도 분명 초래할 것이다. 효율적인 공장의 자원 운영을 위해서라도 다변량 관리도는 좋은 도구라 생각된다.

 

3. 청귀 내용 : Data Aggregation

 ​우리가 보통 데이터의 사이즈를 줄이기 위해서는 Feature Selection이나 Feature Extraction을 통해 X 변수의 수(열 혹은 차원)를 줄이는 것을 일반적으로 생각하는데 Data Aggregation 발표에서는 반대로 X의 행을 줄이는 방법에 대해 소개하였다. 오늘날 공장에서는 짧은 시간동안 엄청난 양의 설비 데이터 들이 생산되는데 평균과 유사하거나 특징없는 데이터들을 모두 저장할 필요는 없다는 사고에서 출발한다. 가장 간단한 방법으로 동일한 시간 간격 동안 발생된 데이터의 평균값을 취하여 줄일 수도 있겠으나 이상치 신호가 순간적으로 발생하고 정상으로 돌아가는 경우 평균 계산시 이상치가 묻힐 수 있으므로 데이터의 평균을 취하는 간격을 Dynamic하게 변화시켜 데이터를 줄이는 방법에 대한 소개였다. 이는 현재 본인이 진행하고 있는 평균 데이터셋의 생성 방법과 매우 유사한데 수가 상대적으로 적은 Y 값에 X를 매칭하기 위해 X 수를 줄이려는 목적에서만 차이가 있으며, 평균시 이상치가 묻힐 수 있는 문제 의식도 동일하다. 발표자에 따르면 관련 연구들이 많이 진행되고 있으나 아직 현업에 적용된 사례는 찾지 못했다고 하니 기존 연구의 심화 과정으로 Data Aggregation을 참고하면 많은 도움이 될 것으로 생각된다.