본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

표제지

목차

국문 요약 12

Ⅰ. 서론 15

1. 연구 배경 및 필요성 15

가. 스마트팩토리의 진화와 혁신적 변화 15

나. 글로벌 제조 기업에서의 스마트팩토리 활용 사례 17

다. 스마트팩토리에서의 프로세스 관리 이슈 19

라. 연구의 필요성과 방향성 22

2. 연구 목적 24

Ⅱ. 관련 연구 고찰 26

1. 프로세스 마이닝의 개념 26

2. 프로세스 마이닝을 위한 데이터 전처리 28

가. 필수 및 부가 데이터 항목 28

나. 이벤트 로그의 구조 30

3. 프로세스 예측을 위한 AI: 딥러닝과 순환신경망 32

가. 딥러닝 32

나. 순환신경망 34

다. 양방향 LSTM 37

Ⅲ. 연구 방법론 39

1. 연구 설계 39

2. 분석 대상 프로세스와 데이터 45

3. 데이터 수집 및 전처리 49

4. 생산 이력 데이터 분석 53

5. 프로세스 마이닝 분석 결과의 활용 55

6. 정적 신경망을 활용한 프로세스 예측 모델 구축 56

가. 정적 순환신경망을 활용한 구조 56

나. LSTM의 패딩(Padding) 59

7. 동적 순환신경망을 활용한 프로세스 예측 모델 구축 61

가. 동적 순환신경망을 활용한 구조 61

8. 예측 기법 구현 63

9. 비교 대상 알고리즘의 선정 66

10. 평가 지표의 선정 69

Ⅳ. 실험 및 결과 71

1. 모델 학습 설계 71

2. 연구 결과 분석 및 해석 76

가. 모형의 검정 79

Ⅴ. 결론 91

참고문헌 95

ABSTRACT 105

〈표 1〉 연구 방법론의 프로세스 설명 43

〈표 2〉 분석에 사용된 데이터 설명 44

〈표 3〉 사용 데이터 세트 특성 49

〈표 4〉 DNN 모델 하이퍼 파라미터 설정 값 73

〈표 5〉 LSTM 모델 하이퍼 파라미터 설정 값 74

〈표 6〉 Bi-LSTM 모델 하이퍼 파라미터 설정 값 76

〈표 7〉 평가 모형별 분석 결과 77

〈표 8〉 시계열 예측 결과 78

[그림 1] 스마트팩토리의 개념 16

[그림 2] Spaghetti 프로세스 모델 22

[그림 3] 프로세스 마이닝의 기대효과 27

[그림 4] 이벤트 로그의 구조 31

[그림 5] 순환신경망 구조의 예 (2층의 3단계 LSTM 기반 RNN) 35

[그림 6] 입력과 출력 레이어를 보여주는 양방향 LSTM 모델 38

[그림 7] 프로세스 마이닝 프로젝트 방법론(PMPM)요약 41

[그림 8] 연구 방법론의 프로세스 시각화 42

[그림 9] 생산 라인의 공정 흐름 46

[그림 10] 세부 작업 요소 기준으로 세분화된 공정 흐름 48

[그림 11] Variant 구성 현황 50

[그림 12] 생산라인의 공정 흐름과 공정 이동 시의 정체 구간 51

[그림 13] 이상 발생 이력 데이터 로그 분석 결과 53

[그림 14] Activity 별 이력 54

[그림 15] 자재그룹의 외자 구매 프로세스 맵의 일부:'비행선'과 '여객기' 완성품그룹을 위한 '밸브'와 '기자재'... 55

[그림 16] 정적 RNN 학습과 예측을 위한 첫 번째 데이터 변환 방법 57

[그림 17] 정적 RNN 학습과 예측을 위한 두 번째 데이터 변환 방법 58

[그림 18] 동적 순환신경망을 이용한 구조 62

[그림 19] DNN 에포크별 모델 손실(X축: 에포크, Y축: Lose) 72

[그림 20] LSTM 에포크별 모델 손실(X축: 에포크, Y축: Lose) 74

[그림 21] Bi-LSTM 에포크별 모델 손실(X축: 에포크, Y축: Lose) 75

[그림 22] DNN ROC 그래프(Class 1) 80

[그림 23] DNN ROC 그래프(Class 2) 80

[그림 24] DNN ROC 그래프(Class 3) 81

[그림 25] DNN ROC 그래프(Class 4) 82

[그림 26] DNN ROC 그래프(Class 5) 82

[그림 27] LSTM ROC 그래프(Class 1) 83

[그림 28] LSTM ROC 그래프(Class 2) 84

[그림 29] LSTM ROC 그래프(Class 3) 85

[그림 30] LSTM ROC 그래프(Class 4) 85

[그림 31] LSTM ROC 그래프(Class 5) 86

[그림 32] Bi-LSTM ROC 그래프(Class 1) 87

[그림 33] Bi-LSTM ROC 그래프(Class 2) 88

[그림 34] Bi-LSTM ROC 그래프(Class 3) 88

[그림 35] Bi-LSTM ROC 그래프(Class 4) 89

[그림 36] Bi-LSTM ROC 그래프(Class 5) 89

초록보기

 본 연구는 지능형 스마트팩토리 환경에서 복잡한 생산 프로세스에 대응하기 위해, 전통적인 이상 탐지 방식의 한계를 극복하고 다양한 생산 경로 및 실행 시간 정보를 포함하는 효과적인 이상 상황 탐지 모델을 개발하였다. 이를 위해, 동적 순환신경망을 활용하여 변화하는 프로세스를 정확하게 모델링하고 잠재적 이상 상황을 예측할 수 있는 방법론을 제안한다.

특히, 이 방법론은 실시간 데이터의 패턴을 학습하여 프로세스 예측 및 최적화에 기여하며, 조립 공정의 평균 소요 시간 초과와 같은 구체적인 문제를 식별할 수 있다. 실험을 통한 방법론의 효과성 검증은 스마트팩토리의 다양한 생산 공정과 조건 하에서 수행되었으며, 이를 통해 제조 산업의 경쟁력과 제품 품질 개선에 기여할 것으로 기대된다.

프로세스 마이닝 기법과 프로세스 마이닝 프로젝트 방법론(process pining project methodology, PMPM)을 통해 프로세스의 투명성 향상 및 효율성 증대의 잠재력을 확인하였다. 프로세스 마이닝 분석 단계에서는 이벤트 로그 데이터를 분석하여 병목 현상을 식별하고 예외적 사례를 관찰하는데 주안점을 두었다.

분석 단계에서 도출된 프로세스 데이터는 이후 본 연구에서 채택한 세 가지 주요 딥러닝 알고리즘인 DNN(deep neural network) , LSTM(long short-term memory), 그리고 Bi-LSTM(bidirectional long short-term memory)에 적용되어 각각의 장단점을 고려하여 분석되었고 그 결과로서 전체 제조 프로세스 소요 시간을 예측할 수 있었다.

딥러닝은 다층 인공 신경망을 통해 복잡한 데이터 패턴을 학습하며, LSTM과 Bi-LSTM은 시퀀스 데이터의 장기 의존성을 게이트 메커니즘을 통해 효과적으로 처리한다. 특히, Bi-LSTM은 양방향 정보를 통해 더 복잡한 패턴 인식이 가능하다.

상기 모델들의 성능은 정확도, 정밀도, 재현율, F1 스코어 및 손실 함수를 포함한 다양한 지표를 사용하여 평가되었다. DNN과 LSTM은 우수한 성능을 보였지만, Bi-LSTM은 다소 낮은 성능을 보였다. 성능 차이는 데이터의 복잡성, 노이즈, 시퀀스 길이 등 여러 가지 요소에 의해 영향을 받아 변화할 수 있다는 점을 밝혀내었다.

이 연구는 제한된 조건 하에서의 성능을 나타내므로, 향후 다양한 환경에서의 추가 연구가 필요하며, 특히 Bi-LSTM은 하이퍼파라미터 튜닝과 구조 최적화를 통해 성능을 개선할 필요가 있다. 또한, 모든 상황에서 최적의 성능을 보장하지 않으므로, 적합한 모델 선택과 파라미터 튜닝에 대한 연구가 중요하다. 향후 연구 방향은 다양한 프로세스 행동과 성과지표 예측에 본 연구의 접근법을 적용하는 것을 포함한다.

이는 과적합 문제 해결, 비정형 데이터 통합을 통한 예측 성능 향상, 교차 검증 및 앙상블 기법을 적용한 예측의 안정성 증진, 이상 징후의 조기 발견 및 대응 전략에 대한 연구를 포함할 것이다.

본 연구에서 개발된 모델을 활용한 실시간 데이터 스트림에서의 이상 징후 감지 및 조기 경보 시스템 구축은 향후 연구의 중요한 방향이 될 것이다. 이 연구의 결과는 제조업을 비롯한 여러 산업 분야에서의 적용 가능성이 높으며, 이상 징후 예측 및 그 원인 파악에 활용될 수 있어, 더욱 깊이 있는 연구가 진행될 필요가 있다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차