검색 상세

기계 학습 기법을 이용한 광섬유 증착 공정의 제품 특성 예측 연구

A Study on the Prediction of Product Characteristics of Optical Fiber Deposition Process Using Machine Learning Techniques,

김병기 (서강대학교 정보통신대학원)

원문보기

초록/요약moremore
국내 제조 산업에 스마트공장 구축을 위한 다양한 시스템 도입이 활발히 추진되고 있다. 더불어 인공지능을 활용하여 생산 설비, 제조 응용 솔루션 등이 스스로 상황을 인지하고 판단할 수 있는 제조환경을 구축하려 시도하고 있으며, 인공지능을 활용하여 제조 공정 혁신을 추진하는 체계로 발전을 하고 있다. 이와 같은 제조 산업에 인공지능을 연계하여 지능형 스마트공장을 구축하는 데 걸림돌이 되는 부분이 노후 설비에 따른 시스템 연계 불가로 디지털 데이터 수집 어려움과 제한적인 데이터의 수집으로 인한 불확실한 분석을 토대로 낮은 정확도 및...
국내 제조 산업에 스마트공장 구축을 위한 다양한 시스템 도입이 활발히 추진되고 있다. 더불어 인공지능을 활용하여 생산 설비, 제조 응용 솔루션 등이 스스로 상황을 인지하고 판단할 수 있는 제조환경을 구축하려 시도하고 있으며, 인공지능을 활용하여 제조 공정 혁신을 추진하는 체계로 발전을 하고 있다. 이와 같은 제조 산업에 인공지능을 연계하여 지능형 스마트공장을 구축하는 데 걸림돌이 되는 부분이 노후 설비에 따른 시스템 연계 불가로 디지털 데이터 수집 어려움과 제한적인 데이터의 수집으로 인한 불확실한 분석을 토대로 낮은 정확도 및 신뢰성으로 불신을 가져오는 상황이다. 또한 노후 설비의 최적 공정 조건의 탐색과 도출이 기존 설비 제작사 및 공정 엔지니어의 경험과 공정 지식만으로는 시간과 비용이 들 수밖에 없다. 본 논문에서는 증착 공정에 투입되는 원료 가스(SiCl4)와 흡열반응을 일으키기 위해 화염을 발생시키는 버너에 투입되는 H2, O2, Ar 가스의 투입 유량, 증착 실내의 공정 환경 등의 요건에 대하여 상관분석과 K-Nearest Neighbor와 XGBoost 모델을 활용한 기계 학습을 통하여 제품 생산정보를 기반으로 제품 증착률, 성장 속도, 외경, 밀도, 중량 등 제품 특성에 대한 예측 모델을 연구하여 공정 조건 변경에 따른 제품 특성 예측에 대한 방안을 제안한다. 본 연구의 결과로 K-Nearest Neighbor와 XGBoost를 활용한 광섬유 증착 공정의 제품 특성 예측 결과는 XGBoost가 중요 항목인 증착률(DEPOSITING_RATIO)에서는 결정계수 가 0.899로 K-Nearest Neighbor 대비 0.047 높은 결과가 나왔다. 그리고 모재 중량(SOOT_WEIGHT)도 XGBoost가 0.714로 K-Nearest Neighbor의 0.564 대비 0.150 높은 결과가 나왔다. 그러나 증착률과 모재 중량 외 성장 속도, 평균 외경, 밀도는 두 모델 모두 결정계수 가 낮게 나와 추가 연구가 필요한 한계가 있다.
초록/요약moremore
Various systems are actively being introduced to the domestic manufacturing industry to build smart factories. In addition, various attempts have been made to build manufacturing environments where production facilities and manufacturing application solutions can recognize and control processes on t...
Various systems are actively being introduced to the domestic manufacturing industry to build smart factories. In addition, various attempts have been made to build manufacturing environments where production facilities and manufacturing application solutions can recognize and control processes on their own by utilizing artificial intelligence techniques. One of the obstacles to establishing intelligent smart factories by linking artificial intelligence to such manufacturing industry is the aging effect of facilities, resulting in low accuracy and reliability from the uncertain analysis due to limited data collection. In addition, exploring and deriving optimal process conditions for aging facilities will inevitably increase cost and time in utilizing the experience and process knowledge of manufacturers and process engineers in existing facilities. In this thesis, we predict the product deposition rate, growth rate, external light conditions, and product density changes through correlation analysis and K-Nearest Neighbor and XGBoost models. As a result of this study, in the product characteristic prediction result of the fiber-optic deposition process using K-Nearst Neighbor and XGBoost, XGBoost showed higher determination coefficient in DEPOSITING_RATIO by 0.047 compared to K-Nearst Neighbor. The weight of the base material (SOOT_WEIGHT) was 0.714, 0.150 higher than the K-Nearst Neighbor by 0.564. However, besides the rate of deposition and the base weight, rate of growth, the average outer diameter, and density of both models showed low coefficients of determination. Therefore, further study is required on those aspects.