[학회 후기]

2022년 11월 4일 대한산업공학회 추계 학술 대회가 인천대학교에서 개최되었다. 펜데믹 후 3년만에 개최된 오프라인 대한산업공학회에 참여를 할 수 있어 뜻 깊은 경험이 되었다. 대학원에 들어와서 첫 학회를 맞이하는 만큼 긴장되는 부분도 있었지만, 교수님께서 학회를 즐기고 편안한 마음으로 다녀오라고 하신 말씀 덕분에 즐겁게 학회에 참여를 할 수 있었다. 나의 발표는 오전 B session의 마지막 4번째 순서였다. 마음만은 즐겁게 참여하고 있었지만, 발표 순서가 다가 올수록 긴장이 되는 건 어쩔 수 없었다. 처음 부분에서는 긴장이 되었지만 발표장에서 많은 청취자분들께서 집중해서 들어주시고 고개를 끄덕여주시는 모습 덕분에 발표의 중반부터는 긴장감이 사라지고 편하게 발표를 할 수 있었다. 발표 후 몇 가지 질의 응답을 실시하였다. 발표가 끝난 이후에 듣고 싶었던 발표 주제를 찾아가서 집중해서 듣고 질문도 하면서 남은 학회를 충분히 즐길 수 있었다. 첫 학회를 오프라인으로 참여를 할 수 있어 행운이었다고 생각한다. 다양한 연구들을 살펴 볼 수 있었고, 학업의 시야와 지식을 더욱 넓힐 수 있는 뜻 깊은 기회였다.

[발표 후기]

반도체 설비의 다변량 시계열 데이터에 특징행렬(signature matrix)을 적용하여 이상탐지 및 고장부품을 분류하는 알고리즘을 제안하고 발표하였다. 반도체 설비는 24시간 가동되어야 하지만 설비의 고장으로 인해서 설비가 멈춰 있는 시간(유휴시간)이 필수적으로 발생하게 된다. 이러한 경우에 정확한 원인 진단으로 빠른 조치를 완료하여야 반도체 생산에 차질이 발생하지 않고 생산성을 증가시킬 수 있다. 현재 반도체 산업에서는 FDC Trend라는 단변량 차트를 활용하여 설비의 이상을 판단하고 있지만 반도체 설비의 구조적인 연관성 그리고 공정의 화학적 특징으로 인해서 단변량 차트만으로 설비의 이상을 정확히 판단하는데는 한계가 존재한다. 그러므로 다변량 데이터를 활용하고 변수들 간의 관계성을 반영하여 설비의 이상을 판단하여야 한다. 이때 관계성을 반영하기 위해서 내적연산을 사용하는 특징행렬을 적용하였다. 특징행렬을 입력으로 설비의 이상구간을 탐지하기 위해서 Convolutional Autoencoder 구조를 사용하였다. 또한, 이상구간에서 발생하는 잔차행렬(residual matrix)를 사용하여 설비 이상 구간에서 교체해야 하는 부품을 classification을 실시하여 예측하였다. 이때 심층신경망모델(Multilayer neural network)을 사용하였다. classification모델에 shap을 적용하여 교체부품의 주요요인이 무엇인지를 파악하여 엔지니어가 설비 조치를 실시할 때 의사결정에 기여점을 시사 할 수 있는 모델을 제안하였다. 

질문1. Classification시 CNN모델이 심층신경망모델 보다 성능이 낮게 나왔는데 그 이유에 대해서는 어떻게 생각하는지?

답변1. 부품 별 이상구간의 차이가 있고 이로 인해서 잔차 행렬의 개수가 다르다. CNN의 경우 filter를 통해 특징을 추출 해야하는데 잔차행렬의 개수가 CNN이 학습이 될 정도로 충분하지 않았다고 판단된다. 

질문2. 특징행렬 생성 시 변수들의 순서를 다르게 한다면 성능에 어떤 영향을 미치는지?

답변2. 변수들의 순서를 바꿔가면서 실험을 해보지는 않았지만, 순서가 변경 되더라도 성능에는 큰 변화가 없을 것 같다. 하지만 해당 부분에 대해서는 실험을 해서 확인을 해보겠다.

[청취 후기]

1.진동센서를 이용한 PCA 기반 설비 감시 시스템 (장동혁, 최서형, 정재윤 – 경희대학교 빅데이터응용학과 & 산업경영공학과)

센서 데이터의 이상을 감시하여 상태 기반 정비를 실시하고자 하였다. 회전기기의 진동데이터를 직접 수집하여 실험을 실시하였다. 정상 및 고장의 진동 신호를 수집하고 통계치를 추출하여 Mahalanobis Taguchi System(MTS)를 통해서 중요 변수를 선별하고 PCA로 차원 축소를 하여 시각화를 실시하였다. 이후 추가되는 데이터와 시각화된 데이터간의 Mahalanobis 거리를 통해서 거리가 가까운 고장 유형으로 해당 고장을 예측하는 모델이었다. 고장 유형을 분류 한다면 설비 조치를 효율적으로 할 수 있기 때문에 더 많은 시나리오에 대해서 적용을 할 수 있다면 상당히 유용한 연구라고 생각을 하였다.

2.Action-Focused Summarization을 활용한 반도체 설비 고장에 대한 조치 지식 및 키워드 추출 (한누리, 조성준, 서지원, 하종희, 심형준, 오지형, 이창희 – 서울대학교 산업공학과 & 삼성전자DS 설비기술연구소)

설비에 이슈가 발생할 때 점검내용을 작성하여 게시하는 인폼노트가 존재한다. 인폼노트는 실질적인 설비 조치 내용을 담고 있기 때문에, 해당 노트에서 조치 방법을 추출하고 키워드를 추출하고자 하는 것이 해당 연구의 핵심이었다. 인폼노트의 내용을 전반적으로 요약을 하고 요약된 내용 중에서 키워드를 추출하는 방식을 적용하였다. 내용의 요약을 위해서 기존의 BERT방법은 전반적인 context를 골고루 요약을 하여 실제적으로 조치와 관련 없는 내용들도 요약에 포함이 된다. 그래서 문장을 하나씩 쪼개어 설비조치와 관련된 정도를 확률로 분석하고, 확률에 따라 조치 중심으로 요약을 하는 SBERT방법을 제안하였다. 또한 키워드를 추출하는데 해당 키워드는 실제 현업에서 사용하는 약어를 위주로 추출을 할 수 있도록 하였다고 한다. SBERT를 적용하여 BERT보다는 조치중심으로 내용을 요약하지만 아직까지 불필요한 내용을 완전히 제외하지는 못한다는 한계가 있다고 하였다. 해당 연구는 회사에서 엔지니어로 일하면서 가장 필요한 연구라고 생각을 하고 있었는데, 해당 연구를 회사에서 이미 진행하고 있어서 흥미롭게 들을 수 있었고 또한 연구의 성능이 더욱 향상된다면 신입설비엔지니어의 육성측면에서도 매우 효율적으로 작용될 것이라고 판단되었다.