제어 로직과 온도 데이터를 활용한 CNN Autoencoder 기반 공정 분석

Abstract

공정 분석을 통해 설비의 정상 동작을 점검하고, 이상 발생 시 신속하게 문제를 식별하여 처리하는 것은 제조업에서의 핵심 과제이다. 본 연구에서는 주조 공정의 설비 동작 데이터와 온도 데이터 패턴을 기반으로 공정의 상태를 판단하는 CNN Autoencoder 모델을 제안한다. 설비 동작 간트 차트와 온도 변화 그래프를 결합한 데이터로 모델을 훈련하여 데이터의 파라미터에 의존하지 않고 공정 내부의 변화 패턴을 인식하여 이상을 판단한다. 훈련 데이터셋의 패턴을 스스로 학습하는 CNN Autoencoder 모델은 공정 결과가 수집되지 않는 환경에서도 정상 데이터의 패턴만을 학습하여 효과적으로 이상 사이클을 분류하였다. 또한, 기존의 데이터 분석 기반 이상 탐지 모델로는 파악하기 어려웠던 문제들을 식별함으로써 공정 개선을 위한 새로운 해결책을 제공하였다. 연구 모델은 훈련 데이터셋을 이미지 형태로 해석하여 제조업뿐만 아니라 데이터 패턴이 존재하는 모든 분야에서 복잡한 데이터 가공 없이 구현할 수 있는 패턴 분석 방법을 제시한다.