📘최종프로젝트 비지도 기반 이상탐지 구축 - 프로젝트와는 번외
1. 비지도 기반 이상탐지 분석
본 분석은 사출 성형 공정에서 수집된 센서 데이터(금형온도, 피크압 등)를 활용하여 제품의 합불 여부를 예측하기 위해 수행되었습니다. 주요 분석 기법으로 시계열 특징 추출, 잔차 분석, 데이터 드리프트 검증을 적용
2. 주요 분석 결과
2.1. 잔차 분석 (Residual Analysis)
- 분석 내용: 이동평균(Window 5~100)을 활용하여 공정의 점진적 추세를 제거한 후, 개별 샷(Shot)의 미세 변동분(Residual)과 불량의 상관관계를 분석
- 결과: 모든 변수에서 양품과 불량의 잔차 분포가 0을 중심으로 완벽하게 중첩됨을 확인
- 해석: 불량 발생 시점에 센서 수치가 급격히 튀는 스파이크(Spike) 현상이 없으며, 공정 흐름에서 벗어난 특이치가 존재하지 않음
2.2. 데이터 드리프트(Data Drift) 및 불량 분포 검증
- 분석 내용: 시간을 4개 구간(초기, 중기1, 중기2, 후기)으로 나누어 공정 변수의 분포 변화와 실제 불량 발생 지점을 시각화
- 결과 (D01 설비): 가동 시간이 경과함에 따라 금형온도가 지속적으로 상승하는 드리프트가 뚜렷하나, 불량은 특정 온도 구간이 아닌 전 범위에서 발생
- 결과 (G06 설비): 충진 피크압이 특정 시점에 약 2.0 유닛 이상 급격히 상승(Shift)하였음에도 불구하고, 불량 발생 패턴은 압력 변화 전후와 무관하게 일정하게 유지
3. 모델 성능 저하 원인 진단
- 데이터 유의성 결여: 공정 수치(Feature)의 절대값이나 시간적 변화량(Residual) 모두 불량(Label)과 통계적 인과관계를 형성하지 못하고 있음.
- 클래스 중첩(Class Overlap): 모든 변수 영역에서 양품과 불량의 데이터 특징이 100% 일치한다. 이는 모델이 판단 근거로 삼을 수 있는 결정 경계(Decision Boundary)의 생성을 불가능하게 함
- 정보 해상도 한계: 현재의 요약 데이터(CSV)는 불량의 원인이 되는 미세 진동이나 순간적인 압력 강하 등을 기록하지 못하는 '저주파 데이터'의 한계를 지니고 있음
4. 종합 결론 및 제언
4.1. 결론
현재 수집되고 있는 센서 데이터셋은 공정의 거시적인 환경 변화(드리프트)는 잘 기록하고 있으나, 제품의 불량 여부를 판별할 수 있는 핵심 정보(Signal)는 포함하고 있지 않은 것으로 판단된다. 이로 인해 머신러닝 모델의 재현율(Recall)이 0%를 기록하는 것은 모델의 기술적 결함이 아닌 데이터 자체의 변별력 부재에 기인한다는 것을 알 수 있다.