데이터 불균형과 측정 오차를 고려한생분해성 섬유 인장 강신도 예측 모델 개발
The Development of Biodegradable Fiber Tensile Tenacity and Elongation Prediction Model Considering Data Imbalance and Measurement Error
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
최근 노동 집약적인 성격의 섬유 산업에서는 인공지능을 통해 섬유 방사 공정에 들어가는 비용을 줄이고 품질을 최적화하려고 시도 하고 있다. 그러나 섬유 방사 공정은 데이터 수집에 필요한 비용이 크고 체계적인 데이터 수집 및 처리 시스템이 부족하여 축적된 데이터양이 적다. 또 방사 목적에따라 특정한 변수에만 변화를 준 데이터만을 우선으로 수집하여 데이터 불균형이 발생하며, 물성 측정 환경의 차이로 인해 동일 방사 조건에서 수집된샘플 간에도 오차가 존재한다. 이러한 데이터 특성들을 고려하지 않고 인공지능 모델에 활용할 경우 과적합과 성능 저하 등의 문제가 발생할 수 있다. 따라서 본 논문에서는 방사 공정 데이터 특성을 고려한 이상치 처리 기법과 데이터 증강 기법을 제안한다. 그리고 이를 기존 이상치 처리 기법 및데이터 증강 기법과 비교하여 제안한 기법이 방사 공정 데이터에 더 적합함을 보인다. 또 원본 데이터와 제안한 기법들로 처리된 데이터를 다양한모델에 적용하여 비교함을 통해 제안한 기법들을 사용한 모델들이 그렇지 않은 모델들에 비해 인장 강신도 예측 모델의 성능이 개선됨을 보인다.
Abstract
Recently, the textile industry, which is labor-intensive, is attempting to reduce process costs and optimize quality through artificialintelligence. However, the fiber spinning process has a high cost for data collection and lacks a systematic data collection and processingsystem, so the amount of accumulated data is small. In addition, data imbalance occurs by preferentially collecting only data with changesin specific variables according to the purpose of fiber spinning, and there is an error even between samples collected under the samefiber spinning conditions due to difference in the measurement environment of physical properties. If these data characteristics are nottaken into account and used for AI models, problems such as overfitting and performance degradation may occur. Therefore, in thispaper, we propose an outlier handling technique and data augmentation technique considering the characteristics of the spinning processdata. And, by comparing it with the existing outlier handling technique and data augmentation technique, it is shown that the proposedtechnique is more suitable for spinning process data. In addition, by comparing the original data and the data processed with the proposedmethod to various models, it is shown that the performance of the tensile tenacity and elongation prediction model is improved in themodels using the proposed methods compared to the models not using the proposed methods
참고문헌 (10)
- Z. Zhou, "Fabric defect detection based on feature fusion of a convolutional neural network and optimized extreme learning machine", Textile Research Journal, 92(7-8), pp.1161~1182 (2022)
- K. H. Cho, "The statistical approach for determining the parallel-bundle strength from single"filament data of PET", Proceeding of Korean Fiber Society (2003)
- 허유, "콥 형성에 따른 링 정방장력 거동의 실험적 모델링", 한국섬유공학회지, 39(2), pp.209~216 (2002), 한국섬유공학회
- B. S. Jeon, "Prediction of cotton yarn strength using regression analysis and neural networks", Textile Science and Engineering, 34(11), pp.731~738 (1997)
- 박정희, "클러스터링 기반 앙상블 모델 구성을 이용한 이상치 탐지", 정보처리학회 논문지, 7(11), pp.435~442 (2018), 한국정보처리학회[DOI]
- 박지수, "클래스 불균형 데이터의 효과적인 분류를 위한 k-NN과 생성적 적대 신경망 기반의 오버샘플링", 대한산업공학회지, 46(4), pp.365~371 (2020), 대한산업공학회[DOI]
- 김성훈, "클래스 불균형 문제가 있는 특허분류 데이터의 자동분류 성능 개선을 위한 모델 재귀적 오버샘플링 방법", 전자공학회논문지, 58(4), pp.43~49 (2021), 대한전자공학회
- Z. He, "Discovering cluster-based local outliers", Pattern Recognition Letters, 24(9-10), pp.1641~1650 (2003)
- S. C. Park, "The deve"lopment of property prediction model in consideration of biodegradable fiber spinning process data characteristics", Proceedings of the Annual Spring Conference of Korea Information Processing Society Conference(KIPS)2022, 29(1), pp.362~365 (2022)
- N. V. Chawla, "SMOTE : Synthetic minority over-sampling technique", Journal of Artificial Intelligence Research, 16, pp.321~357 (2002)