비지도학습 기반 머신러닝 알고리즘을 이용한 CNC 가공 불량 예측
Predicting CNC Processing Defects Using Nonsupervised Learning Algorithms
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 라벨링이 되어있지 않은 데이터에 적용할 수 있는 다양한 비지도학습 머신러닝 모델들을 이용하여 CNC(computerized numerical control) 가공품의 불량 여부를 예측하고 정확도, 정밀도, 재현율, F1 점수를 비교하였다. k-평균의 경우 정밀도만 타 알고리즘 대비 약간의 차이로 가장 우수한 반면 정확도 및 F1 점수가 GMM(Gaussian mixture model) 및 오토인코더 대비 열등한 것으로 나타났다. 또한 GMM과 오토인코더 간 F1 점수 및 정확도 차이는 상대적으로 미미한 반면, 신경망 기반인 오토인코더의 실행 소요 시간은 k-평균 및 GMM 대비 17배 이상임을 확인하였다. GMM의 상대적으로 우수한 평가 지표값과 짧은 소요 실행 시간은 신속한 불량 예측에 따른 CNC 파손 확률 감소 및 실 시스템 구축 비용 절감 등의 실무적 장점을 가지므로 CNC 가공품의 불량 여부 예측에 GMM 모델이 가장 효과적으로 판단된다. 또한 t-SNE(t-distributed stochastic neighbor embedding) 알고리즘을 이용하여 시각화한 결과, 본 문제의 경우 k-평균과 오토인코더는 특성 간 차이가 큰 샘플 구분에 강점을 보인 반면, GMM은 특성의 차이가 상대적으로 적은 샘플 간 구분에 강점을 보임을 확인하였다.
Abstract
Using various unsupervised learning algorithms (k-means, Gaussian mixture model, and autoencoder) that can be applied to unlabeled data, this study predicted whether CNC (computerized numerical control) workpiece is defective or not and compared accuracy, precision, recall, and F1 score. For k-means, only precision is shown to be the best with a slight difference, while accuracy and F1 scores are inferior to Gaussian mixture model and autoencoder algorithm. In addition, it was confirmed that the difference in F1 score and accuracy between Gaussian mixture model and autoencoder is relatively insignificant, while the execution time of neural network-based autoencoder is more than 17 times that of k-means and Gaussian mixture model. Gaussian mixture model's relatively good performance in metrics and short running time have practical advantages such as reducing the probability of CNC breakage and reducing the cost of building a real system due to rapid failure prediction, so the Gaussian mixture model model is most effective in predicting defects. In addition, visualization using t-SNE (t-distributed static neighbor embedding) algorithm confirmed that in this problem, k-means and autoencoder showed strength in distinguishing samples with large differences in attributes, while Gaussian mixture model showed strength in separating samples with relatively small differences in attributes.
참고문헌 (15)
- 공정식, "유전 알고리즘을 이용한 공구 수명 예측 최적화", 한국산학기술학회논문지, 19(11), pp.338~343 (2018), 한국산학기술학회[DOI]
- "CNC Machine AI Dataset, Korea AI Manufacturing Platform (KAMP)" (2023)[URL]
- X. Li, "Current-sensor-based feed cutting force intelligent estimation and tool wear condition monitoring", IEEE Transactions on Industrial Electronics, 47(3), pp.697~702 (2000)
- 오대진, "자가연상신경망을 이용한 밀링 공정에서의 공구 마모 모니터링", 대한기계학회논문집 A, 45(4), pp.285~291 (2021), 대한기계학회
- C. Drouillet, "Tool life predictions in milling using spindle power with the neural network technique", Journal of Manufacturing Processes, 22, pp.161~168 (2016)
- R. H. L. da Silva, "A probabilistic neural network applied in monitoring tool wear in the end milling operation via acoustic emission and cutting power signals", Machining Science and Technology, 20(3), pp.386~405 (2016)
- J. A. Duro, "Multi-sensor data fusion framework for CNC machining monitoring", Mechanical Systems and Signal Processing, 66, pp.505~520 (2016)
- A. J. Torabi, "A survey on artificial intelligence-based modeling techniques for high speed milling processes", IEEE Systems Journal, 9(3), pp.1069~1080 (2013)
- I. S. Oh, "Machine learning" (2017), Hanbit Academy
- 오영환, "K-Means 클러스터링 기법을 이용한 고교야구 타자를 위한 프로야구 선수지명 예측에 대한 연구", 한국지식정보기술학회 논문지, 17(4), pp.733~742 (2022), 한국지식정보기술학회[DOI]
- 이태준, "인체 치수 데이터와 K-means 군집 알고리즘을 활용한 체지방 분류 모델", 한국지식정보기술학회 논문지, 17(5), pp.1007~1016 (2022), 한국지식정보기술학회[DOI]
- A. Géron, "Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow:Concepts, tools, and techniques to build intelligent systems" (2019), O'Reilly Media
- 김호림, "다변량 지구과학 데이터와 가우시안 혼합 모델을 이용한 공간 분포 추정", 자원환경지질, 55(4), pp.353~366 (2022), 대한자원환경지질학회[DOI]
- A. P. Dempster, "Maximum likelihood from incomplete data via the EM algorithm", Journal of the Royal Statistical Society(Series B), 39(1), pp.1~22 (1977)
- Y. Bengio, "Deep learning" (2016), MIT Press