news60227 님의 블로그

2026.02.11.(수)TIL

news60227 — Wed, 11 Feb 2026 15:58:32 +0900

최종프로젝트 회고

1. 전략 채택의 논리적 근거 부족

프로젝트 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 채택했는가"에 대한 근거를 1줄로 요약하여 구조화할 필요가 있다.

2. 이상 탐지(LOF)의 정량적 정의 미흡

데이터 고립도를 판단하는 과정에서 개념적인 설명에 그쳤을 뿐, 실무자가 납득할 수 있는 정량적 기준이 제시되지 않았다.

문제점: 고립 여부를 결정하는 수치적 임계값과 변수 조합에 대한 근거가 부족하다.
필요 요소: * 사용된 변수 및 스케일링 방식의 명시
- 거리 및 밀도 계산 방식의 구체화
- 임계값 선정에 대한 통계적/경험적 근거 제시

개선 방향: "개념 설명" 단계에서 벗어나 "정량적 정의" 단계로 고도화하여 현업 수준의 신뢰도를 확보해야 한다.

3. 지표(MTBFA / RUL)의 타당성 검증 프로세스 누락

새롭게 도입하거나 설계한 지표가 실제 설비의 상태를 얼마나 잘 대변하는지에 대한 검증 데이터가 부족하다.

문제점: 지표의 수식 설명은 완벽했으나, 해당 수치가 위험을 알리는 '신호'로서 기능한다는 증거가 없다.
검증 포인트:
- 정상 설비와 불안정 설비 간의 지표 분포 차이 제시
- 특정 수치를 위험으로 간주하게 된 임계값 설정 기준

4. 데이터 시각화의 가독성 및 의사결정 중심 설계

발표 슬라이드와 대시보드의 시각화가 '연구 보고서' 형식에 치우쳐 있어, 실제 의사결정권자가 정보를 한눈에 파악하기 어렵다.

차트 과밀도: 이중축, 누적 막대, 라인 차트 등이 한 슬라이드에 혼재되어 정보 과부하를 유발한다. "1 슬라이드 = 1 메시지" 원칙을 준수해야 한다.
사용자 시나리오 부재: 대시보드가 기능별로만 나열되어 있다. 현장 작업자, 엔지니어, 관리자라는 사용자 역할에 맞춘 인터페이스 분리가 필요하다.
KPI 카드 미비: 대시보드 최상단에서 전체 장비 현황(정상, 이상, 경고 등)을 요약해주는 KPI 카드가 누락되어 직관적인 상황 판단이 어렵다.

5. 운영 아키텍처 및 성능 최적화 고려 부족

분석 성능에는 집중했으나, 실제 운영 환경에서 발생할 수 있는 부하와 아키텍처 구조에 대한 고민이 부족했다.

집계 마트의 부재: 월간 리포트 로딩이 느린 이유는 트랜잭션 데이터를 직접 호출하기 때문이다.
데이터 파이프라인 구조: Raw Layer에서 Mart Layer(집계 테이블)를 거쳐 대시보드로 연결되는 정석적인 파이프라인 구축이 요구된다.

6. 시각적 도식화 및 UX 완성도

구조적 설명을 텍스트 위주의 다이어그램으로 처리한 점이 아쉬움으로 남는다.

도구 활용: Mermaid, Figma 등 전문 도구를 사용하여 시스템 아키텍처와 로직 흐름을 시각적으로 명확하게 전달해야 한다.
직관성: "텍스트로 설명하는 구조"가 아닌 "눈으로 이해되는 구조"를 지향해야 한다.

종합 회고

이번 프로젝트를 통해 "데이터 분석 결과가 훌륭하더라도, 그것을 선택한 근거가 빈약하고 전달 방식이 복잡하면 비즈니스 가치를 인정받기 어렵다"는 점을 배웠다. 향후에는 기술적 구현만큼이나 의사결정 근거의 구조화와 사용자 중심의 아키텍처 설계에 더 큰 비중을 두어야 할 것이다.

2026.02.10.(화)TIL

news60227 — Tue, 10 Feb 2026 11:01:52 +0900

박람회대비 사출 성형 이상 탐지 및 RUL 프로젝트 핵심 요약

1. 모델 구조: 비지도 + 지도 학습 하이브리드

배경: 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 변수

잔차 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 생성.
데이터 활용률(60% → 90%): 결측치 처리 및 유효 구간 필터링을 통해 학습 제외 데이터를 최소화하여 모델의 커버리지 확장.

3. RUL (잔여수명) 산출 및 활용

정의: 이상 확률을 '건강지수'로 변환하고, 시간 흐름에 따른 하락 기울기를 계산하여 임계치 도달 시점 예측.
설비 군집화: 설비별 노이즈 특성에 따라 고성능군/안정군/난조군으로 분류 후 동적 임계치 적용.
현장 가치: 단순 '이상/정상' 판정을 넘어 '몇 샷(Shot) 더 생산 가능한지' 수치화하여 계획 정비 유도.

4. 실시간 안정성 및 검증 지표

오탐 관리: 3회 연속 이상 탐지 시에만 알람 발생(알람 피로도 감소). 목표 오탐율 5% 이내.
성능 지표: 단순 정확도(Accuracy)보다 조기 경보 리드타임(고장 전 얼마나 빨리 알렸는가)을 우선시.
시스템 설계: PLC 데이터 DB 적재와 대시보드 시각화 구간을 분리하여 연산 지연 최소화.

5. 신뢰도 지표 (Reliability Index)

2단계 설계: 현재 성적(1단계)과 시간 안정화 가중치(2단계)를 결합하여 지표의 급격한 널뛰기 방지.
오경보 패널티: 현장 신뢰도 유지를 위해 오경보 발생 시 강력한 감점 로직 적용(K=2.5).
운영 가치: 모델 결과의 맹신을 방지하고, 점수 하락 시 재학습 또는 점검 트리거로 활용.

2026.02.09.(월)TIL

news60227 — Mon, 9 Feb 2026 18:17:59 +0900

최종 프로젝트를 마무리하며: 빅데이터 기반 QA/QC 예지보전 시스템 구축

최종 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 정의

제조 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 과정

현장 데이터의 한계 극복

문제: 실제 현장 데이터의 40%가 노이즈 및 결측치로 구성되어 분석 효율이 저하됨.
해결: 센서 이상값 제거 및 유효 구간 필터링을 통해 분석 가용 데이터를 90%까지 확보.
성과: 수십만 행의 대규모 데이터를 처리하며 데이터 엔지니어링의 중요성을 체감.

예지보전 모델링

모델: RUL(잔여수명) 지표 중심의 이상탐지 모델 설계.
지표화: 설비 상태를 정상/주의/즉시 점검 3단계로 정량화하여 엔지니어의 의사결정 지원.
결과: 실제 고장 발생 수일 전 이상 징후를 탐지하여 리드타임 확보 가능성 입증.

3. 현장 맞춤형 시스템 구현

단순한 데이터 분석에 그치지 않고, 실제 공정 관리자가 사용할 수 있는 인터페이스를 구축하는 데 집중했다.

실시간 시각화: Streamlit 및 NiceGUI를 활용한 통합 대시보드 제작.
품질 관리 파이프라인: 모니터링 → 이상 탐지 → 알람 발생 → 즉각 조치로 이어지는 프로세스 설계.
직관성 강화: 센서 데이터의 급격한 변화를 시각적으로 구현하여 실시간 대응력 강화.

4. 프로젝트 결론 및 향후 과제

이번 프로젝트를 통해 QA/QC 직무가 나아가야 할 방향은 '데이터를 통한 선제적 리스크 관리'에 있음을 확신했다.

핵심 지표 관리: RUL 지표의 정교화 및 조기 경보 리드타임 개선 필요.
품질 신뢰성 확보: 데이터 전처리 자동화 파이프라인 구축을 통한 분석 효율 극대화.

5. 소회

6개월 전, 수천 행의 데이터 앞에서도 막막했던 시기를 지나 이제는 복잡한 공정 데이터를 분석하고 시스템화할 수 있는 역량을 갖추게 되었다. 이번 프로젝트 발표 자료는 단순한 결과물이 아니라, 데이터 기반 품질 관리 전문가로 거듭나기 위한 저의 첫 번째 포트폴리오다.

2026.02.06.(금)TIL

news60227 — Fri, 6 Feb 2026 16:50:12 +0900

최종프로젝트

설비 예지보전 AI 모델 고도화를 위한 기술적 사투와 한계 분석

: "데이터의 침묵 속에서 마지막까지 시도한 모델 성능 한계 돌파의 기록"

1. 성능 확보를 위한 '처절한' 여정

본 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(XGBoost, RF)의 예측 확률과 실제 라벨이 충돌하는 '모순 데이터'를 전수 조사하여 제거.
결과: G03 장비에서 1.5만 건, D01 장비에서 6천 건의 노이즈를 걷어내며 모델의 '눈'을 맑게 함.

② 모델 아키텍처의 한계 돌파 (Ensemble & Tuning)

단일 모델의 한계를 극복하기 위해 XGBoost와 RandomForest를 결합한 Voting Classifier를 구축하고, 불균형 데이터 해소를 위해 scale_pos_weight 등 모든 가중치 파라미터를 최적화했다.

③ 현장 중심의 파생 변수 생성

사출 시간 대비 압력 비율, 금형 온도 편차 합계 등 실무적 통찰이 담긴 피처 엔지니어링을 통해 데이터에 숨겨진 물리적 의미를 부여하고자 했다.

3. 결과: "G03의 성공"과 "나머지의 침묵"

전 설비를 대상으로 한 마지막 성능 테스트 결과는 아래와 같다.

등급	대상 설비	불량 F1-Score	양품 재현율	평가 및 분석
S	G03	0.85	0.99	[유일한 성공] 데이터 정제 후 목표치 도달. 실전 투입 가능.
A	D01, G10	0.5~0.6	0.8~0.9	[절반의 성공] 오보는 적으나 불량 검출력이 다소 미흡.
C	G01, G06 등	0.4 이하	0.1~0.4	[물리적 한계] 모든 기법 투입에도 성능 요지부동.

4. 결론 및 제언: "모델의 실패가 아닌, 데이터 인프라의 메시지"

모든 기술적 역량을 쏟아부었음에도 불구하고 대다수 설비에서 F1-Score 0.85의 벽을 넘지 못한 것은 모델의 알고리즘 문제가 아닌 데이터 자체의 한계로 판단된다.

G03의 사례가 주는 교훈: G03이 0.85를 달성했다는 것은 우리의 분류 로직이 유효함을 입증한다. 동일 로직이 다른 장비에서 통하지 않는 것은 해당 장비들의 기록 체계나 센서 수집 항목에 근본적인 차이가 있음을 시사한다.
데이터의 선명도 부족: 현재 수집되는 변수(온도, 압력 등)만으로는 양품과 불량의 물리적 경계가 겹쳐져 있다. 이는 아무리 뛰어난 AI라도 물리적으로 구분할 수 없는 '신의 영역'에 가깝다.
향후 전략 - "데이터 질적 개선으로의 회군": 단순히 모델을 고도화하는 '발버둥'은 여기까지입니다. 이제는 성능이 낮은 장비들을 대상으로 사출 속도, 수지 온도, 금형 내부 압력 등 불량을 더 세밀하게 설명할 수 있는 신규 센서 도입과 라벨링 체계의 전면 재검토가 병행되어야 한다.

2026.02.06.(목)TIL

news60227 — Thu, 5 Feb 2026 20:33:06 +0900

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.

2026.02.04.(수)TIL

news60227 — Wed, 4 Feb 2026 19:14:35 +0900

최종 프로젝트 임시 멀티모달을 통한 대시보드 구축

1. 대시보드의 목적과 기능

목적: 사출 성형 설비의 실시간 모니터링 및 예지보전(AI 기반 이상탐지 + 불량 예측)
핵심 기능
1. 실시간 센서 모니터링: 선택 설비의 센서 데이터를 시계열 차트로 표시
2. 이상탐지 & 건강지수 계산: AI 모델 기반으로 실시간 이상 여부 감지, 건강지수 계산
3. 불량 예측: 동일 AI 모델을 기반으로 불량 발생 확률 계산
4. 신뢰도 지표 및 RUL: 최근 판정 결과와 EMA 기반 신뢰도 계산, 남은 안전 운용 시간(RUL) 추정
5. 실시간 알람: 3연속 이상 발생 시 알람 및 시각화

2. 데이터 구조

입력 데이터 (CSV)
- 컬럼 예시: MACHNO, Cycle Time, 사출 시간, 충진 시간, 금형온도1, 금형온도2, 충진 피크압, 최소 쿠션, 보압 완료 위치, 합불
- 각 설비(MACHNO)별로 시간 순서대로 샷 단위 데이터 존재
모델 전처리
- 시계열 잔차 생성: 각 센서 값 - 이동평균(10샷)
- 선택 컬럼에 대해 다항 특징(PolynomialFeatures) 적용
- 표준화(StandardScaler)
- 탭 + 이미지 벡터 얼리퓨전(Early Fusion)

3. AI 모델 구조

모델 유형: XGBoost + LOF(Local Outlier Factor) 기반 하이브리드
주요 특징
1. XGBoost 분류기
  - 입력: 표준화된 탭 + 잔차 + 다항 특징 + 이미지 벡터
  - 출력: 불량 확률(prob)
  - 설비별 scale_pos_weight 조정
2. LOF 이상치 필터
  - XGBoost 확률 보정용
  - 이상치로 판정된 샷의 확률에 패널티 적용(lof_penalty)
3. 동적 임계치
  - False Positive Rate(FPR) 제한 내에서 최적 임계치 탐색(best_th)
출력
- y_pred: 0 = 정상, 1 = 이상/불량 예측
- prob: 불량 확률 / 이상 확률
- health_score: 1 - prob (높을수록 건강)

4. 분석 모드

모드설명주요 지표

이상탐지 (Health Mode)	AI 모델 확률 기반 이상 여부 감지, 건강지수 계산	y_pred, prob, health_score, RUL 추정, 상태 색상
불량 예측 (Fault Mode)	동일 모델 기반 불량 확률 계산	y_pred → 불량/정상, prob

UI 탭 구성
1. 실시간 센서
2. 예지보전(RUL)
3. AI 신뢰도
4. 실시간 알람
5. 불량 예측

5. 신뢰도 & 오경보 관리

최근 300샷 기준 False Alarm 수 계산
Baseline Precision 대비 EMA 적용하여 신뢰도 점수 산출
신뢰도에 따라 UI 색상 및 경고 레벨 표시

6. 실시간 알람 로직

최근 3연속 이상 감지 시 알람 발생
알람 중복 방지 (alarm_locked)
알람 내역은 테이블로 기록

7. UI 특징

Plotly: 최근 50샷 기준 센서 값 차트, UCL/LCL 표시
NiceGUI: 실시간 카드/테이블로 RUL, 신뢰도, 불량 예측 표시
업로드: CSV 업로드 후 자동 분석 및 시뮬레이션 시작
실시간 동기화: 0.33초 단위 UI 업데이트

8. 데이터 흐름 요약

CSV 데이터 → 설비별 분리 → 전처리(잔차+폴리) → 스케일링 → XGBoost → LOF 보정 → 확률(refined_probs) → y_pred → 건강지수, 불량예측, RUL, 신뢰도 계산 → UI 업데이트 + 알람 기록

9. 특징

멀티모달 분석: 탭 + 이미지 벡터 결합
멀티모드 출력: 이상탐지 + 불량예측 동시에 제공
실시간 모니터링: 시각화 + 알람 + 신뢰도
설비별 커스터마이징: 난조군 / 안정군 / 고성능군 별 파라미터 최적화

2026.02.03.(화)TIL

news60227 — Tue, 3 Feb 2026 20:51:43 +0900

최종프로젝트 대시보드 체계화

1. 대시보드 이원화 체계 정립

실시간 대응과 사후 분석이라는 두 가지 목적에 맞춰 역할을 명확히 구분하여 상호 보완적 구조를 확립

구분	실시간 스트리밍용	리보트 / 분석용
핵심 역할	즉각적인 이상 감지 및 현장 대응	일정 기간(주/월) 데이터 검토 및 요약
주요 기능	실시간 공정 모니터링, 알람 발생	사후 분석, 성능 검증, 원인 파악
활용 시점	공정 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 방지
Context 가이드 제공: 각 페이지 상단에 [이 페이지의 목적 / 활용 상황 / 지표 해석법]을 요약한 툴팁 또는 가이드를 배치하여 가독성을 높임

3. 지표 정의 및 가이드라인 구체화

데이터의 나열이 아닌 '의사결정의 근거'가 될 수 있도록 지표 설명 기능을 강화

지표별 'Why & How' 명시: * 이 지표가 왜 포함되었는가?
- 어떤 상황에서 확인해야 하는가?
- 수치 변화를 어떻게 해석해야 하는가?
직관적 요약: 복잡한 설정값보다는 현업에서 즉각 활용 가능한 비즈니스 로직 중심의 요약을 대시보드 내에 상시 배치

4. 발표 및 시연 방식의 효율화

로컬 환경의 기술적 제약(로딩 속도 등)을 극복하고 핵심 기능을 효과적으로 전달하기 위해 발표 전략을 수정

시연 영상 제작: 대용량 데이터 로딩으로 인한 흐름 끊김을 방지하기 위해 주요 시나리오별 시연 영상을 사전 녹화
매체 다각화: 고화질 영상 송출이 가능하도록 외부 플랫폼 및 PDF 내 하이퍼링크를 활용하여 온/오프라인 어디서든 원활한 확인이 가능하도록 조치

2026.02.02.(월)TIL

news60227 — Mon, 2 Feb 2026 18:33:55 +0900

AI 예지보전 시스템 로직 설계 및 고도화

주요 내용: 설비군별 RUL 산출 로직 수립 및 AI 판단 신뢰도(Trust Score) 정량화 체계 설계

1. 설비 특성별 RUL(잔여수명) 산출 로직 고도화

설비의 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: * $\text{RUL} = \frac{\text{현재 건강지수} - \text{동적 임계치}}{|\text{건강지수 변화율}(\beta)|}$
- 1시간(500행) 단위의 선형 회귀 기울기($\beta$)를 활용해 수명 예측의 통계적 유의성 확보.

2. AI 신뢰도 모니터링 시스템 설계

AI의 판단을 현장에서 즉시 신뢰할 수 있도록 **'3-Shot 필터링'**과 **'2단계 신뢰도 산출 체계'**를 수립함.

① 1차 방어선: 3-Shot 연속 판정 로직

통계적 근거: 단일 오탐율 5% 기준, 3회 연속 발생 시 오탐 확률은 $0.0125%$로 급감 (신뢰도 400배 향상).
공학적 근거: 일시적 노이즈와 달리 실제 설비 이상은 '자기상관성'을 가지며 계단식으로 변화하는 특성을 반영.

② 2차 방어선: 정량적 신뢰도(Trust Score) 산출

1단계(실시간 성적 $S_{now}$): 설비별 태생 지표($B_m$)에서 오경보 빈도에 따른 벌점과 오경보 간격에 따른 가산점을 결합.
2단계(시간 안정화 $T_{final}$): 과거 점수(85%)와 현재 점수(15%)를 재귀적으로 결합하여 지표의 널뛰기 방지.
운영 가치: "한 번의 실수는 용인하되, 반복되는 실수는 엄중 경고"하는 현장 관리 정서 수식화.

3. 기대 효과 및 향후 계획

효과: 오탐율(FPR) 5% 미만 달성, 정비 우선순위 결정을 위한 객관적 점수 제공, 불필요한 공정 중단 예방.
향후 계획: 설계된 로직을 대시보드 UI에 반영하고, 설비별 $B_m$(Baseline) 및 임계치 최적화 튜닝 지속 수행.

2026.01.30.(금)TIL

news60227 — Fri, 30 Jan 2026 18:55:05 +0900

최종프로젝트 - 사출성형 AI 예지보전 시스템

1. 신뢰할 수 있는 예지보전 만들기

단순히 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 현상

문제: 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 AI 분석은 io_bound를 통해 시리얼 엔진에서 선처리하고, UI는 결과값만 렌더링하도록 구조 개선.
- 재연결 로직: reconnect_timeout 설정을 통해 네트워크 불안정 대응.

이슈 2: "정답 없는" 신뢰도의 정량화

문제: 현장에서는 실시간 정답(Label)이 없어서 AI의 판단이 맞는 지 알기 어려움.
해결: 자율 신뢰지표(50:50) 로직 설계.
- 판단 안정성(50%): 확률값의 변동성(Standard Deviation)을 분석해 AI의 갈팡질팡 정도를 측정.
- 결정 자신감(50%): 임계치와 확률값의 거리를 계산해 AI의 확신 정도를 수치화.

이슈 3: 통계적 공정 관리(SPC)의 결합

문제: AI 확률만으로는 현장 관리자가 기존 공정 대비 직관적인 판단을 내리기 어려움.
해결: 그래프에 3시그마($\pm3\sigma$) 기준의 UCL/LCL(상하한선) 동적 생성 기능을 추가하여 통계적 관리 도구로서의 가치 부여.

3. 완성된 시스템 레이아웃

탭 구분	핵심 기능	비고
실시간 센서	센서 데이터 시각화 + UCL/LCL + 이상확률표시	현장 직관성 중심
예지 보전	건강도(Health Score) 기반 상태 분류 및 RUL 예측	선제적 유지보수 가이드
AI 신뢰도	오경보율(정답 있을 시) 및 AI 판단 안정성/자신감 지표	모델 신뢰도 검증

2026.01.28.(수)TIL

news60227 — Wed, 28 Jan 2026 14:09:10 +0900

최종프로젝트 - MTBFA 신뢰도

불량 알림 주기 산정 및 3연속 판정 기준 정리

1. 불량 알림 주기 산정 개요

본 시스템은 샷 단위로 이상탐지 모델의 불량 판정 결과를 사용하여 알림을 생성함
여기서 말하는 불량은 실제 불량이 아닌, 모델이 판정한 이상 이벤트를 의미함
고장(MTBF) 개념을 그대로 쓰기보다는, 현장 맥락에 맞게 “불량 주기”라는 용어를 사용함

2. 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 정의
이는 “불량 이벤트 간 평균 시간”을 의미하며,
알림 로직 설계의 기준 단위로 사용됨

3. 알림 발생 규칙 (3회 연속 판정)

단일 샷의 불량 판정만으로는 알림을 발생시키지 않음
불량 판정이 3회 연속 발생한 경우를 하나의 알림 이벤트로 정의

4. 목표 불량 알람 주기

목표 MTBFA=샷당 MTBF×3

$\textbf{목표 MTBFA} = \text{샷당 MTBF} \times 3$

3회 연속 조건을 시간 축에서 기대 주기로 환산한 값
즉, “이론적으로 기대되는 정상적인 알람 간격”

5. 실제 불량 알람 주기

실제 MTBFA=총 가동 시간3회 연속 불량 판정 사건 수

 $\\textbf{실제 MTBFA} = \\frac{\\text{총 가동 시간}}{\\text{3회 연속 불량 판정 사건 수}}$

실제 운영 중 발생한 알람 이벤트 빈도를 반영
단순 불량 판정 횟수가 아니라,
‘3회 연속 판정’이라는 조건을 만족한 사건 수만 집계

6. 신뢰도 점수 정의 (Alarm Reliability Score)

신뢰도 점수=min⁡(100, 실제 MTBFA목표 MTBFA×100)

 $\\textbf{신뢰도 점수} = \\min\\left(100,\\ \\frac{\\text{실제 MTBFA}}{\\text{목표 MTBFA}} \\times 100 \\right)$

목표 대비 실제 알람 주기가 얼마나 안정적인지를 점수화
100점을 상한으로 설정하여 과도한 신뢰도 평가를 방지

예시

계산 결과가 80점 → 최종 점수 80점
계산 결과가 500점 → 최종 점수 100점

7. 3회 연속 판정의 통계적 근거

① 오탐 확률의 기하급수적 감소

이상탐지 모델의 오탐율(FPR)을 5% 이하로 제어한 상태를 전제로 함
독립적인 샷에서 오탐이 연속 발생할 확률은 다음과 같음

연속 횟수 발생 확률 의미

1회	5%	20번 중 1번
2회	0.25%	400번 중 1번
3회	0.0125%	8,000번 중 1번

3회 연속 조건만으로도 가짜 알람 확률을 약 400배 이상 감소
즉, 우연적 노이즈에 속을 가능성을 극단적으로 낮추는 통계적 안전장치

8. 공학적 근거: 사출 공정 데이터의 자기상관성

사출 성형 공정은 샷 간 독립 데이터가 아님

노이즈의 특징
- 센서 오차, 전기적 간섭 등은 일시적·독립적
- 연속 발생 가능성 낮음
실제 공정 이상
- 냉각 불량, 압력 이상, 밸브 문제 등은
- 수치가 계단식(Step Change)으로 변하며 지속됨

따라서 3회 연속 이상 판정은

센서 오류가 아니라 기계 물리 상태가 이미 변했음을 의미하는 강한 증거

9. 현장 데이터 기반 검증 결과

3회 연속 조건 적용 전
→ 알람이 분 단위로 빈번하게 발생
3회 연속 조건 적용 후
→ 알람 주기가 수 시간 단위로 증가

해석

필터링 이전의 다수 알람은 대부분 일시적 노이즈
3회 연속으로 발생하는 신호는
공정에서 드물게 발생하는 ‘실제 사건’만 남긴 결과

즉, 본 알람 로직은 이론적 가설이 아니라, 현장 데이터로 검증된 설계

10. 최종 요약

“3회 연속 불량 판정은 모델을 믿기 위한 장치가 아니라, 노이즈를 제거하고 공정 상태 변화만을 알림으로 남기기 위한 필터링 전략이다.”

설비 가동시간 (hr) 불량판정 (건) MTBF (분) 현재 MTBFA (hr) 목표 MTBFA (분) 신뢰도 점수

D01	558.7	16,413	2.04	7.16	6.13	100
D10	1,441.1	36,721	2.35	6.55	7.06	100
F09	307.8	6,054	3.05	12.83	9.15	100
F11	1,454.1	49,674	1.76	2.87	5.27	100
G01	1,288.9	49,397	1.57	2.95	4.70	100
G02	1,451.3	46,982	1.85	4.92	5.56	100
G03	919.8	13,425	4.11	7.73	12.33	100
G05	1,288.2	30,657	2.52	4.17	7.56	100
G06	1,289.1	49,741	1.55	3.35	4.66	100
G10	1,396.6	31,332	2.67	2.42	8.02	100