2019
IEEE-6th International Conference on Industrial Engineering and
Applications (ICIEA)

[학회후기]



일본 도쿄 와세다 대학교에서 열린 ICIEA(International Conference on Industrial Engineering and Applications) 학회에 다녀왔다. 멀지만 가까운 나라여서 시차 적응 필요가 없어 좋았다. 첫날은 공항에 도착하여 짐을 풀고, 일본에서 유명 초밥 체인점인 스시잔마이에서 저녁식사를 하고 간단히 마무리했다. 다음 날 본격적으로 학회가 시작되고, 국제 학회로 처음 참석하는 만큼 설레는 마음으로 각 세션 발표를 들었다. 느낀 점은 다음과 같다매번 학회를 참석하며 드는 생각이지만 다른 발표자의 듣는 내내 궁금한 점은 그 사람의 연구 목적과 제안 방법론, 그리고 결과다. 자세한 알고리즘을 이해하긴 어렵지만 이 세가지를 짚고 넘어가는 발표자는 기억에 남고 그렇지 않은 경우는 다른 생각을 하기 마련이었다. 인상적이었던 점은 교수들의 발표도 꽤 많았는데 공통적으로 이 세가지를 명확히 하고 있었다. 이런 점으로 보아 발표자료 준비 시 어떤 점을 왜 강조해야 하는지 알 수 있었다. 또한, ICIEA학회에서는 좀 더 산업공학 내 여러 연구분야를 밀접히 접할 수 있었다.  우리 연구분야인 인공지능, 머신러닝 등 알고리즘 연구보다는 기계공학, 물류, 공정 디자인, 최적화 등을 응용한 사례가 주된 세션을 이루고 있었다. 산업공학과에서 연구하고 있는 나로써 세부전공은 데이터마이닝이지만 여러 문제 상황에서 풀고자 하는 문제를 정의하고, 그를 해결해나갈 수 있는 방법론 적용은 경계를 두지 말아야겠다고 느꼈다. 인공지능 및 머신러닝은 문제해결을 위한 방법론으로써 내 역할을 무엇인지 생각해 볼 수 있었다. 끝으로 바쁜 일정 중에 같이 학회를 준비한 민정, 지윤, 유연이와 연구지도에 힘써주신 교수님께 감사드리며 한번 더 성장할 수 있는 기회와 좋은 추억을 만들어 온 것 같아 기쁘다.



[청취후기]

‘Diagnosis of Temporal Fault in Stochastic Petri Nets with Trajectory-Observers and Control Charts’-Dimitri Lefebvre, University Le HAVRE, France

세션 좌장이 발표한 내용이다(사실 좌장이 아닌데 좌장이 불참하여 speaker가 좌장을 맡게 된 경우다. 이런 경우도 있다는 점이 새로웠다). 발표자는 공정 내 불량을 Petri Nets(페트리 네트) 모델을 이용하여 탐지하고 그 특성을 관리도(Control chart)에 반영한 연구를 소개하였다. 여기서 Petri Nets은 공간(places)과 이산형 사건(discrete event)의 전이(transition)로 파라미터를 이루는 확률 매트릭스를 의미한다. 수행 공정이 정의 되어있고, 공정 수행 간 수집되는 데이터를 기반으로 페트리 네트 모델을 구성한다. 이후 그 특성을 관리도에 반영하여 시간에 따른 불량을 탐지하는 연구였다. 내가 연구하고 있는 공정별 설비경로(시퀀스)에 기인한 품질불량을 탐지하는 것과 매우 유사한 문제 상황과 기대효과를 소개한 연구로 가장 관심 갖고 들었던 발표다. 여기서 인상적이었던 점은 우리는 주로 문제 상황을 기계학습으로 풀고자 하는 새로운 시도를 행해왔다면 전통적인 기법으로 이미 그 문제 상황을 정의하고, 전통적으로 적용되어 왔던 기법이 있다는 점이다. 지금 학회 후기를 작성하며 페트리 네트라는 모델을 찾아보며 알게 되었다는 점부터 또 새로운 연구로 확장할 수 있는 계기가 되지 않을까 생각한다. 내 연구를 잘하는 것만큼 다른 연구들로부터 문제를 풀어가는 방법을 공부하는 것 역시 중요하다고 생각하게 된 계기다.


[발표후기]

‘Detection of Faulty Equipment Sequence in Semiconductor Manufacturing System’이라는 주제를 소개하였다. 반도체 제조공정은 복잡한 공정과 설비로 이루어져 있는데 최근 설비가 고도화 되며 품질불량은 그 원인이 누적되어 발생한다. 따라서 그 누적된 원인을 설비 시퀀스로부터 도출하고자 하는 목적으로, 공정설비 시퀀스 데이터 내 불량설비 시퀀스를 탐지하하는 방법론을 소개하였다. 순차패턴 인식에 효과적인 기계학습 알고리즘 Hidden Markov Model을 적용하여 정상과 불량으로 레이블링 된 공정 설비 시퀀스를 각각 학습하고, 순차적으로 빈번했던 은닉상태 및 공정설비별 확률값으로 구성된 확률매트릭스를 구축한다. 최종적으로 불량 HMM 에서 Viterbi algorithm을 적용하여 높은 확률값을 갖는 불량설비 시퀀스를 탐지하였다.  

Q: 불량설비 시퀀스를 탐지하였는데 성능은 어떻게 평가했는가?
A: 실제 공정 내 관리자에게 정확히 탐지했다는 피드백을 얻었다. 또한, 우리가 탐지한 정상 대표 설비시퀀스, 불량 대표 설비시퀀스로부터 수행된 제품의 파라미터를 살펴본 결과, 그 분포 차이가 통계적으로 유의한 것을 확인하였다.

Useful comment from session chair: 실제 산업현장에 적용할 수 있는 매우 유용한 연구라고 생각한다. 산업공학 분야 학회 발표인 만큼 응용분야가 명확하고 그에 대한 originality를 잘 소개해 주었다. 향후 성능 평가를 면밀히 수행하고 발전시키기 바라며, 아직 YB(young boy)인데 fruitful 연구자로 자리매김 하길 기대한다.