스마트 제조 산업 현장에서 발생한 빅데이터 오류의 자체 평가 알고리즘 적용과 실행 모듈 구축
Application of Self-Assessment Algorithm and Implementation Module for Big Data Errors in Smart Manufacturing Industries
2
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
일반적인 소량 다품종 생산 제조업에서는 불량 제품으로 인한 기회손실 비용과 다양한 제품 생산 환경 및 치수 조건에 민감한 공정의 불확실성으로 발생하는 생산성 저하등이 문제가 되며, 제조 장비에 부착된 센서를 통하여 생성되는 센서 데이터의 효과적인 수집, 저장 시스템을 구축, 활용하기 어렵다. 그러나 이러한 센서 데이터에 대한 사전 측정과 분석 등을 통해 불량 발생 예측 정확도를 80%까지 높이면 제품에 대한 불량 손실 감소와 기업 이미지 제고 등에 큰 장점이 있고 이 제조 데이터를 학습, 분석하는 시스템을 구축, 평가 및 기술개발을 하면 향후 타 산업에의 파급 시 큰 효과를 기대할 수 있다. 본 연구에서는 제조 생산 및 검사 불량 예측과 대처를 지원하는 장치 및 소프트웨어 구축을 위한 기계 학습 연구를 하고 제조 데이터 통합 관리를 통한 분석기술의 정확도 향상 및 신뢰성 확보, 동종 및 유사 업종에 적용할 수 있는 기술 확보를 하여 산업 현장의 제조 스마트화를 유도한다.
Abstract
In general, low-volume, multi-product manufacturing manufacturing, the cost of opportunity loss due to defective products and the decrease in productivity caused by the uncertainty of the process sensitive to various product production environments and dimensional conditions are problems. It is difficult to build and utilize an effective collection and storage system. However, if the accuracy of predicting the occurrence of defects is increased to 80% through pre-measurement and analysis of such sensor data, there are great advantages in reducing the loss of defective products and enhancing the corporate image. and technology development, great effects can be expected when rippling to other industries in the future. In this study, machine learning research is conducted to build devices and software that support the prediction and response of manufacturing production and inspection defects, and technology that can be applied to the same and similar industries by improving the accuracy and reliability of analysis technology through integrated management of manufacturing data Inducing manufacturing smartization of industrial sites by securing.
참고문헌 (25)
- R. Krebs, "Architectural Concerns in Multi-Tenant SaaS Applications", Proceedings of the 2nd International Conference on Cloud Computing and Services Science (2012)
- I. Gijbels, "Censored data", WIREs Computational Statics, 2(2), pp.178~188 (2010)
- 이용환, "산업현장 실시간 센싱정보 활용", 분석을 위한 빅데이터 플랫폼, 2020, pp.6(1), 15~21[DOI]
- 이용환, "다양한 현장 적용이 가능한 센서 데이터 수집 기능의 개발", 창의정보문화연구, 8(1), pp.11~22 (2022), 한국창의정보문화학회[DOI]
- "Grafana"[URL]
- 이명호, "빅데이터 수집 처리를 위한 분산 하둡 풀스택 플랫폼의 설계", 한국융합학회논문지, 12(7), pp.45~51 (2021), 한국융합학회[DOI]
- 김성현, "오픈소스 빅데이터 기술을 적용한 생명보험 예측모델 분석환경 구축에 관한 사례연구 : ING 예측모델을 중심으로", 생산성연구: 국제융합학술지, 32(1), pp.173~207 (2018), 한국생산성학회[DOI]
- S. J. Russell, "Artificial Intelligence:A Modern Approach", pp.1201~1214 (2021), Pearson
- O. Kramer, "Dimensionality Reduction with Unsupervised Nearest Neighbors", pp.13~23 (2013), Springer-Verlag
- M. Ontivero-Ortega, "Fast Gaussian Naïve Bayes for searchlight classification analysis", Neuroimage, 163, pp.471~479 (2017)
- S. Suthaharan, "Machine Learning Models and Algorithms for Big Data Classification", pp.207~235 (2016), Springer Science+Business Media
- L. Rokach, "Top-down induction of decision trees classifiers-a survey", IEEE Transactions on Systems, Man, and Cybernetics, Part C, 35(4), pp.476~487 (2005)
- S. Wang, "Interdisciplinary Computing in Java Programming", pp.81~100 (2003), Springer-Verlag
- "DataFrame - pandas 1.4.3documentation"[URL]
- N. Srivastava, "Dropout: A Simple Way to Prevent Neural Networks from Overfitting", Journal of Machine Learning Research, 15, pp.1929~1958 (2014)
- C. Drummon, "C4.5, Class Imbalance, and Cost Sensitivity Why Under-Sampling beats Over-Sampling", Proceedings of the International Conference on Machine Learning (ICML 2003) Workshop on Learning from Imbalanced Data Sets II (2003)
- S. C. Wang, "Artificial Neural Network", pp.81~100 (2003), Springer Science+Business Media
- "How to Manually Optimize Machine Learning Model Hyperparameters"[URL]
- "How to Grid Search Hyperparameters for Deep Learning Models in Python With Keras"[URL]
- "Hyperparameter tuning for machine learning models"[URL]
- S. Stehman, "Selecting and interpreting measures of thematic classification accuracy", Remote Sensing of Environment, 62(1), pp.77~89 (1997)
- "The truth of the F-measure"[URL]
- J. Mandrekar, "Receiver Operating Characteristic Curve in Diagnostic Test Assessment", Journal of Thoracic Oncology, 5(9), pp.1315~1316 (2010)
- T. Fawcett, "An introduction to ROC analysis", Pattern Recognition Letters, 27(8), pp.861~874 (2005)
- "Area Under the Curve"[URL]