작년 가을 첫 학회는 온라인으로 진행되어 아쉬움이 크게 남았는데, 이번 춘계 대한산업공학회는 제주도에서 오프라인으로 참석하였다. 장소가 제주도인 만큼 매 순간이 즐겁고 평화로운 기분으로 임할 수 있었다. 둘째 날 오후 시간에 발표를 하게 되어 제주도에 도착한 첫 날에는 딱새우 비빔밥 맛집, 흑돼지 맛집, 오션뷰가 펼쳐지는 카페에서 오감으로 제주를 한껏 느낄 수 있었다. 세션장은 정해진 청취 인원이 있어 안전하게 발표 및 청취를 할 수 있었다. 서울로 올라오는 마지막 날에는 최고로 맑은 하늘이 펼쳐져 지나가는 모든 길을 사진에 담고 싶은 정도였다.  

[발표 후기]

“목표 품질에 대한 최적 설계인자 도출을 위한 인공신경망과 반응표면분석법”을 주제로 발표했다. 제안 방법론은 설계 데이터 기반 수치형 품질변수를 예측하는 인공신경망을 반응표면분석법에 적용한다. 이 때, 실수형, 정수형 및 범주형 설계인자를 모두 고려하기 위해 혼합 정수 비선형 계획법의 문제 상황을 해결하였다. 인공 신경망 예측 모델을 통해 기존 시제조 공정을 대체함으로써 제조 공정의 시간 및 비용 효율성을 제고할 수 있다. 또한, 설계 엔지니어는 목표 품질에 적합한 최적 설계인자 추천을 받아 보다 쉽게 제품 설계를 진행할 수 있다.

Q. 하나의 목표 품질 값에 하나의 최적 설계인자 값이 산출되는지? (unique한 값이 산출되는지)

A. 하나의 목표 품질에 하나의 최적 설계인자 값이 대응되어 산출되지만, 목표 품질의 값이 비슷한 경우에는 최적 설계인자 값 또한 비슷한 값을 보이고 있다.

Q. 도출된 최적 설계인자 값들이 기존 설계 공정에 사용될 수 있는 reasonable한 값이 나오는지?

A. 각 설계 인자 값 마다 가진 범위 및 제약식을 최대한 반영하여 최적화를 수행하였고, 도출된 최적 설계인자 값들은 어느정도 y값의 경향성을 반영하고 있다는 현업 엔지니어분의 정성적인 평가를 받았다. 앞으로, 최적 설계인자 값들에 대한 정량적인 평가 방법을 고안할 계획이다.

이외에도, 구현할 때 사용한 최적화 알고리즘에 대한 질문이 있어 답변을 진행했다.  

[청취 후기]

주파수 기반 그래프 특징 추출 및 고장 탐지

시계열 데이터로부터 추출된 주파수 구조를 반영한 graph feature를 이용한 고장탐지에 대한 연구이다. 기존 고장 탐지 선형 연구에서는 데이터 각각의 크기 및 분포에 초점을 맞춘 feature를 활용하여 데이터 구조를 반영하지 못한 한계점을 가지고 있다. 또한, 최근 연구에서는 시간 영역에 대한 그래프 구조를 반영하였지만, 주파수 영역에 대한 정보를 반영하지 못한 한계점을 가지고 있다. 따라서 해당 연구에서는 시간 영역 feature와 주파수 영역 feature와 GCN을 통한 시간에 따른 구조적 관계를 모두 반영하였다. 발표를 듣고 시계열 데이터를 Visibility graph 또는 Horizontal visibility graph 형태로 표현하여 시계열적 구조를 파악할 수 있음을 알 수 있었다. 시계열 데이터에 관련된 연구를 진행함에 있어 시계열 그래프 구조를 추가적으로 활용하면 좋을 것 같다.