본문 바로가기
KERD
논문KCI 등재

기계학습 기반 쾌삭 스테인리스강 중형 선재 제조공정 최적화

Manufacturing Process Optimization for a Free-machining Stainless Steel Medium-sized Wire Rod: A Machine Learning Methodology Approach

서석준|김흥섭
한국생산관리학회 (The Korean Production And Operations Management Society)|2022.02|한국생산관리학회지 (Journal of the Korean Production and Operations Management Society)|제33권 제1호|pp. 99-114

0

조회

0

다운로드

1

인용

0

참고문헌

키워드

기계학습Machine learning스마트 제조제조 빅데이터공정 최적화개체군집최적화(PSO) 알고리즘Smart ManufacturingManufacturing Big dataProcess OptimizationPSO Algorithm
주제분류경영학

초록

본 연구는 국내 철강기업(S사)의 쾌삭 스테인리스강 중형 압연 선재 제조공정 빅데이터를 활용하여 생산품질 예측 모형을 개발하고, 이를 기반으로 불량률을 최소화시키기 위한 최적 공정조건을 탐색하는 절차를 제안한다. S사의 쾌삭 스테인리스강 압연 선재 제조공정은 크게 제강, 열간압연과 열처리/산세 공정으로 이루어지며, 연구 데이터는 생산관리시스템(MES)으로부터 37종의 공정변수 데이터를 수집하고 문헌조사와 현장 전문가들의 인터뷰를 통해 총 12종의 파생변수를생성하여 반영하였다. 본 연구는 총 49종의 변수에 대한 데이터 전처리 및 탐색적 분석, 차원 축소, 기계학습 모델링, 공정조건 최적화 단계로 수행되었다. 탐색적 데이터 분석을 통해 데이터의 속성과 패턴을 파악하고, 전처리 단계에서는 이상치․결측치 제거를 수행하였다. 차원 축소 단계에서는 생산품질 예측 모형의 다중공선성 등의 문제를 방지하고 효율성을향상시키기 위해 상관분석과 변수 중요도를 이용하여 품질 영향도가 높은 변수를 식별하였다. 기계학습 모델링 단계에서는 다양한 지도학습 모형들에 대한 예비적 실험에서 유의미한 수준의 성능을 보인 로지스틱 회귀(Logistic regression) 모형, 서포트벡터머신(SVM: Support Vector Machine), 랜덤포레스트(Random Forest) 모형, XGBoost(Extreme Gradient Boosting) 모형을 대상으로 겹 교차 검증을 통해 각 후보 모형의 하이퍼파라미터들(Hyperparmeters)을최적화(Tuning)하였다. 또한, 오분류표 기반 성능 지표들과 대수손실(Logarithmic loss)을 종합적으로 고려하여 후보모형들을 비교/평가하고, 가장 우수한 성능을 보인 XGBoost 모형을 생산품질 예측 모형으로 선정하였다. 마지막으로, 최적 공정조건 탐색 단계에서는 개체군집최적화(PSO) 알고리즘이 이용되었으며, 이때, 개발된 생산품질 예측 모형(XGBoost) 이 적합도 함수로 적용되었다.

Abstract

Based on the manufacturing big data of a free-machining 303 series stainless steel mediumsized wire rod, this study proposes a production-quality prediction model and a methodology for searching operating conditions maximizing the likelihood of producing adequate products. The research data include 37 types of operation variables for 3,542 lots collected from the manufacturing execution system (MES). Based on the MES data, 12 types of derived variables are generated through a literature review and interviews with field experts. Data attributes and patterns are identified, and outliers and missing values are removed in the exploratory analysis and preprocessing. In dimensionality reduction, variables with high-quality influence are identified by variable importance measures to prevent multicollinearity and enhance the efficiency of machine learning models. A preliminary study selected the logistic regression, support vector machine, random forest, and extreme gradient boosting (XGBoost) models as the candidates for the production-quality prediction model in data modeling. Their hyperparameters are tuned by the grid and random search methods based on k-fold cross-validation. In addition, the XGBoost shows the best classification performance for the test dataset. Finally, based on the XGBoost model, a swarm optimization algorithm searches the operating conditions to maximize the likelihood of producing adequate goods.

참고문헌 (34)

  1. 강대현, "인공신경망을 활용한 후판 제품의 품질 예측", 한국품질경영학회 추계학술발표논문집, pp.146~146 (2019)
  2. 강희재, "텍스트 네트워크 분석을 이용한 산업 간 연관성에 관한 연구 - 대한민국 제조 산업을 중심으로 -", 한국생산관리학회지, 31(3), pp.311~329 (2020), 한국생산관리학회
  3. 고관주, "전력반도체의 수율향상을 위한 최적 공정조건 결정에 관한 연구", 품질경영학회지, 47(4), pp.725~737 (2019), 한국품질경영학회[DOI]
  4. 김길환, "재고관리성과가 기술적 효율성에 미치는 영향에 대한 실증분석: 국내 주요 철강기업을 대상으로", 한국생산관리학회지, 31(1), pp.71~93 (2020), 한국생산관리학회[DOI]
  5. 김상원, "3 wt.% Cu 함유 STS 304 빌렛의 열간가공성과 표면결함에 미치는 δ-ferrite의 영향", 한국재료학회지, 14(6), pp.379~388 (2004), 한국재료학회
  6. 김영석, "스테인레스 강판의 가공특성과 성형성에 관한 고찰", 소성가공, 20(3), pp.193~205 (2011)
  7. 김흥섭, "혼합 중복전략을 고려한 직렬-k-out-of-n 시스템의 신뢰도-중복 최적화 문제", 한국생산관리학회지, 25(1), pp.65~83 (2014), 한국생산관리학회[DOI]
  8. 박종현, "머신러닝을 활용한 소형 압연 공정 온도 예측 신뢰성 평가", 제어.로봇.시스템학회 논문지, 26(6), pp.412~422 (2020), 제어·로봇·시스템학회[DOI]
  9. 배철민, "STS303에서의 황 및 보론함량이열간가공성 및 절삭성에 미치는 영향", 대한금속재료학회지, 32(6), pp.706~713 (1994)
  10. 사공운, "스마트 팩토리를 위한 하둡 에코 시스템 및 머신러닝 기반의 고무 공정 데이터 분석", 정보과학회 컴퓨팅의 실제 논문지, 26(12), pp.519~527 (2020), 한국정보과학회[DOI]
  11. 안용식, "STS304강의 열간가공성에 미치는 Ti, B 및 -페라이트의 영향", 대한금속학회지, 30(7), pp.799~806 (1992)
  12. 안정언, "머신러닝을 이용한 반도체 웨이퍼 평탄화 공정품질 예측 및 해석 모형 개발", 한국빅데이터학회 학회지, 4(2), pp.61~71 (2019), 사)한국빅데이터학회[DOI]
  13. 이수찬, "STS316L 및 309S강의열간 가공성에 미치는 S 및 Mn의 영향", 대한금속․재료학회지, 36(10), pp.1590~1597 (1998)[DOI]
  14. 이윤용, "STS304강의 열간가공성에 미치는 주조조직 및 S의 영향", 대한금속․재료학회지, 1995(1), pp.204~ (1995)
  15. 이채성, "중소기업 스마트제조 투자의도 및 사용수준에 대한 흡수역량의 매개효과 분석", 한국생산관리학회지, 31(4), pp.399~425 (2020), 한국생산관리학회
  16. 정재영, "쾌삭 303계 스테인레스강의 열간성형성에 미치는 균질화처리, Mn", S 비 및 델타-페라이트의 영향, 2017, pp.55(12), 880~887[DOI]
  17. 정현철, "신경망을 이용한 동적 수율 개선 모형", 한국산업경영시스템학회지, 32(2), pp.132~139 (2009), 한국산업경영시스템학회
  18. 최근호, "머신러닝 기법을 이용한 납축전지 열화 예측 모델 개발", 지능정보연구, 24(2), pp.243~264 (2018), 한국지능정보시스템학회[DOI]
  19. STS Report, Vol.113, "한국철강협회", ~ (2018)
  20. STS Report, Vol.131, "한국철강협회", ~ (2021)
  21. Brinkman, C., "Properties of austenitic stainless steels and their weld metals (influence of slight chemistry variations)" (1979), ASTM International
  22. Cheruvathur, S., "Additive manufacturing of 17-4 PH stainless steel : post-processing heat treatment to achieve uniform reproducible microstructure", JOM, 68(3), pp.930~942 (2016)
  23. Díaz-Uriarte, R., "Gene selection and classification of microarray data using random forest", BMC Bioinformatics, 7(1), pp.1~13 (2006)
  24. Eberhart, R., "Particle swarm optimization", Proceedings of the IEEE International Conference on Neural Networks, 4, pp.1942~1948 (1995)
  25. Gellrich, S., "Feature selection based on visual analytics for quality prediction in aluminium die casting", 2019IEEE 17th International Conference on Industrial Informatics (INDIN), 1, pp.66~72 (2019)
  26. Krumeich, J., "Advanced planning and control of manufacturing processes in steel industry through big data analytics:Case study and architecture proposal", 2014 IEEE International Conference on Big Data (Big Data), pp.16~24 (2014)
  27. Nazábal, J. L., "High-temperature deformation characteristics of free-machining steels", Metals Technology, 9(1), pp.323~326 (1982)
  28. Nkonyana, T., "Performance evaluation of data mining techniques in steel manufacturing industry", Procedia Manufacturing, 35, pp.623~628 (2019)
  29. Oliver, J., "Method for manufacturing and utilizing ferritic-austenitic stainless steel with high formability", U.S. Patent Application, ~ (2013)
  30. Osakada, K., "Effects of strain rate and temperature in forming processes of metals", Le Journal de Physique IV, 7(C3), pp.C3~XXXVII (1997)
  31. Ronoxicz. J., "A data mining approach to optimize pellets manufacturing process based on a deccision tree algorithm", European Journal of Pharmaceutical Sciences, 73, pp.44~48 (2015)
  32. Ruiz. E., "Machine learning algorithms for the prediction of the strength of steel rods : an example of data-driven manufacturing in steelmaking", International Journal of Computer Integrated Manufacturing, 33(9), pp.880~894 (2020)
  33. Toledo, G. A., "Influence of sulfur and Mn", S ratio on the hot ductility of steels during continuous casting, 1993, pp.64(6), 292~299
  34. Zhang, Y., "Bayesian optimization for materials design with mixed quantitative and qualitative variables", Scientific Reports, 10(1), pp.1~13 (2020)

관련 논문AI추천

쾌삭 303계 스테인리스강 소형 압연 선재 제조 공정의 생산품질 예측 모형김흥섭, 서석준한국산업경영시스템학회 · 한국산업경영시스템학회지2021 · 제44권 제4호빅 데이터 기반 다단 냉간 단조공정에서의 부품 품질예측 연구서영호한국기계기술학회 · 한국기계기술학회지2021 · 제23권 제5호사출 성형 공정에서의 변수 최적화 방법론강성우, 강태호, 박정인, 정영진, 조중연, 홍지수한국품질경영학회 · 품질경영학회지2024 · 제52권 제1호볼스터드 부품 단조품질 향상을 위한 공정 및 simulation 데이터 기반 예측 모델 개발서영호한국기계기술학회 · 한국기계기술학회지2022 · 제24권 제5호XAI(eXplainable Artificial Intelligence) 알고리즘 기반 사출 공정 수율 개선 방법론강성우, 강태호, 오승용, 이현정, 홍용민, 홍지수한국품질경영학회 · 품질경영학회지2023 · 제51권 제1호Multi-Layer Perceptron과 Random Forest를 이용한 실린더 판재의 성형 조건 예측김성겸, 이장현, 황세윤대한조선학회 · 대한조선학회 논문집2020 · 제57권 제5호

이 간행물의 다른 논문 (8건)

항공사의 LMX(리더-구성원의 교환관계)가 승무원의 업무만족과 장기지향성에 미치는 영향: 물리적 환경을 조절 변수로윤정민, 이정승pp. 1-20혁신인증 중소기업과 일반 중소기업의 재무성과 비교․분석이준원pp. 21-39리스크 관리가 항만과 지역경제 성과에 미치는 영향김영준, 김창희pp. 41-57리쇼어링․니어쇼어링의 실패 요인과 해운․항만 산업에 미치는 영향: 문헌 연구를 중심으로김창희, 정성욱pp. 59-74소비자생활협동조합의 CSR인식과 충성도 - 서비스품질과 만족도의 매개효과를 중심으로이준겸, 박상선pp. 75-98
원문 보기