news60227 님의 블로그

📘최종프로젝트 회고1. 전략 채택의 논리적 근거 부족프로젝트 전반에 걸쳐 다양한 실험과 모델링을 수행했으나, 각 전략을 선택한 '필연적 이유'에 대한 설명이 부족했다는 지적이 있었다. 단순한 나열이 아닌 의사결정 체계의 구조화가 필요하다.기기별 모델 분리: 기기마다 발생하는 데이터 분포의 상이함을 해결하기 위한 선택임을 명시해야 한다.LOF(Local Outlier Factor) 결합: 모델의 단독 판단보다 오탐을 억제하기 위한 보조 장치로서의 역할을 강조해야 한다.MTBFA(Mean Time Between False Alarms) 도입: 단순 성능 지표를 넘어 현장의 알람 과잉 대응 문제를 해결하기 위한 비즈니스적 장치임을 명시해야 한다.개선 방향: 모든 기술적 선택 뒤에 "무엇 때문에 이 전략을 채..

📘박람회대비 사출 성형 이상 탐지 및 RUL 프로젝트 핵심 요약1. 모델 구조: 비지도 + 지도 학습 하이브리드배경: 제조 현장의 데이터 불균형(정상 편중) 및 센서 변동성(오탐 발생) 해결 필요.구조: 1차(XGBoost): 과거 불량 이력이 있는 '위험 구역' 한정 (Risk Map 역할).2차(LOF): 해당 구역 내 실제 데이터 희소성(밀도)을 분석해 이상 확증.장점: 전체 데이터를 비지도로 돌릴 때 발생하는 오탐을 줄이고, 정의된 불량과 미정의 이상을 동시에 포착.2. 피처 엔지니어링: 잔차 및 상호작용 변수잔차 변수: 공정 드리프트(서서히 변하는 흐름) 환경에서 '갑자기 어긋난 순간'을 포착하기 위한 장치.상호작용 변수: 단일 변수로는 정상이나, 특정 조합에서 발생하는 불량을 포착하기 위해 ..

최종 프로젝트를 마무리하며: 빅데이터 기반 QA/QC 예지보전 시스템 구축최종 프로젝트 발표 자료 정리를 마쳤다. 이번 프로젝트는 실제 사출 성형 공정 데이터를 활용하여, 전통적인 품질 관리를 넘어 데이터 기반의 스마트 팩토리 구현 가능성을 탐색하는 과정이었다. 1. 프로젝트 개요 및 문제 정의제조 현장의 핵심 과제는 '설비 고장으로 인한 가동 중단(Downtime)의 최소화'이다. 저는 기존의 사후 대응 방식에서 벗어나, 데이터를 통해 설비의 이상 징후를 사전에 포착하고 잔여수명(RUL)을 예측하는 시스템 구축을 목표로 설정했다.2. 기술적 도전과 해결 과정현장 데이터의 한계 극복 문제: 실제 현장 데이터의 40%가 노이즈 및 결측치로 구성되어 분석 효율이 저하됨.해결: 센서 이상값 제거 및 유효 구간..

📘 최종프로젝트설비 예지보전 AI 모델 고도화를 위한 기술적 사투와 한계 분석: "데이터의 침묵 속에서 마지막까지 시도한 모델 성능 한계 돌파의 기록"1. 성능 확보를 위한 '처절한' 여정본 프로젝트는 사출 공정 데이터의 불량 예측 모델(F1-Score 0.85 이상) 확보를 목표로, 가용한 모든 데이터 사이언스 기법을 투입하여 사투를 벌였다. 특히 단순 모델 학습을 넘어, 데이터 자체가 가진 근본적인 노이즈를 걷어내고 '진실'을 찾기 위한 기술적 발버둥에 집중했다.2. 주요 시도 및 사투의 흔적 (전략적 접근)① 데이터 정화 작업 (라벨 노이즈 제거)단순 학습으로는 성능이 나오지 않는 절망적인 상황에서, '데이터가 오염되었을 것'이라는 가설 하에 확률적 필터링기법을 도입했다.로직: 앙상블 모델(XGB..

📘최종프로젝트 비지도 기반 이상탐지 구축 - 프로젝트와는 번외 1. 비지도 기반 이상탐지 분석본 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 적용2. 주요 분석 결과2.1. 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 분석결과: 모든 변수에서 양품과 불량의 잔차 분포가 0을 중심으로 완벽하게 중첩됨을 확인해석: 불량 발생 시점에 센서 수치가 급격히 튀는 스파이크(Spike) 현상이 없..

📘최종 프로젝트 임시 멀티모달을 통한 대시보드 구축1. 대시보드의 목적과 기능목적: 사출 성형 설비의 실시간 모니터링 및 예지보전(AI 기반 이상탐지 + 불량 예측)핵심 기능실시간 센서 모니터링: 선택 설비의 센서 데이터를 시계열 차트로 표시이상탐지 & 건강지수 계산: AI 모델 기반으로 실시간 이상 여부 감지, 건강지수 계산불량 예측: 동일 AI 모델을 기반으로 불량 발생 확률 계산신뢰도 지표 및 RUL: 최근 판정 결과와 EMA 기반 신뢰도 계산, 남은 안전 운용 시간(RUL) 추정실시간 알람: 3연속 이상 발생 시 알람 및 시각화2. 데이터 구조입력 데이터 (CSV)컬럼 예시: MACHNO, Cycle Time, 사출 시간, 충진 시간, 금형온도1, 금형온도2, 충진 피크압, 최소 쿠션, 보압 완..

📘최종프로젝트 대시보드 체계화1. 대시보드 이원화 체계 정립 실시간 대응과 사후 분석이라는 두 가지 목적에 맞춰 역할을 명확히 구분하여 상호 보완적 구조를 확립구분실시간 스트리밍용리보트 / 분석용 핵심 역할즉각적인 이상 감지 및 현장 대응일정 기간(주/월) 데이터 검토 및 요약주요 기능실시간 공정 모니터링, 알람 발생사후 분석, 성능 검증, 원인 파악활용 시점공정 가동 중 (Issue Detection)정기 보고 및 공정 최적화 시 2. 사용자 중심의 UX/UI 개선 개발자 관점의 나열식 구성에서 벗어나, 현업 사용자가 상황에 맞춰 필요한 정보를 즉시 찾을 수 있도록 '사용자 시나리오'를 도입 페이지 구조 최적화: 7~8개의 방대한 탭을 사용자 액션 순서에 따라 그룹화하여 혼선을 방지Context 가..

AI 예지보전 시스템 로직 설계 및 고도화주요 내용: 설비군별 RUL 산출 로직 수립 및 AI 판단 신뢰도(Trust Score) 정량화 체계 설계1. 설비 특성별 RUL(잔여수명) 산출 로직 고도화설비의 가동 상태와 데이터 특성에 따라 임계치를 차등 적용하는 성능저하 모델(Degradation Model)을 설계함.설비군별 동적 임계치 설정: * 고성능군: 미세한 변화도 감지하기 위해 높은 임계치(70점) 설정 (보수적 관리)난조군: 데이터 변동성을 고려하여 낮은 임계치(40점) 설정 (오탐 방지)건강지수(Health Index) 정의: 이상 확률($P_{anomaly}$)을 점수화($100 - P \times 100$)하고, 최근 10분(50행) 평균값을 사용해 단기 노이즈 제거.RUL 산출 공식: ..

📘최종프로젝트 - 사출성형 AI 예지보전 시스템 1. 신뢰할 수 있는 예지보전 만들기단순히 이상을 탐지하는 모델을 넘어, 현장 작업자가 "지금 믿고 써도 되는가?"에 답할 수 있는 실시간 대시보드 구축을 목표로 핵심 기술 스택: Python, NiceGUI, XGBoost, LOF(Local Outlier Factor), Plotly.주요 기능: 실시간 센서 모니터링, RUL(잔여 수명) 예측, AI 신뢰도 지표 산출.2. 주요 기술적 도전과 해결 이슈 1: 서버 부하와 연결 끊김 현상문제: 0.1초 단위의 초고속 데이터 주입 시 웹소켓(WebSocket) 연결이 끊기는 불안정성 발생.해결: * Throttling 적용: 1초에 3샷으로 시뮬레이션 속도를 최적화(0.33초 주기).연산 분리: 무거운 A..

📘최종프로젝트 - MTBFA 신뢰도 불량 알림 주기 산정 및 3연속 판정 기준 정리1. 불량 알림 주기 산정 개요본 시스템은 샷 단위로 이상탐지 모델의 불량 판정 결과를 사용하여 알림을 생성함여기서 말하는 불량은 실제 불량이 아닌, 모델이 판정한 이상 이벤트를 의미함고장(MTBF) 개념을 그대로 쓰기보다는, 현장 맥락에 맞게 “불량 주기”라는 용어를 사용함2. 샷당 불량 주기 정의 (기준 주기)샷당 MTBF=총 가동 시간불량 판정이 1개라도 포함된 샷 수 $\\textbf{샷당 MTBF} = \\frac{\\text{총 가동 시간}}{\\text{불량 판정이 1개라도 포함된 샷 수}}$이상탐지 모델이 단 1회라도 불량으로 판정한 샷을 이벤트로 정의이는 “불량 이벤트 간 평균 시간”을 의미하며,알림 로직..