핵심 개념
제조 공정 품질 예측 모델의 성능을 향상시키기 위해 설명 가능한 기법을 활용하여 불필요한 특성을 제거하는 방법을 제안한다.
초록
이 연구는 제조 공정 품질 예측 모델의 성능을 향상시키기 위해 설명 가능한 기법을 활용하는 방법을 제안한다.
먼저 기계 학습 모델을 훈련시킨 후, 설명 가능한 기법을 통해 중요하지 않은 특성을 식별하고 제거한다. 이를 통해 모델 성능이 향상되어 제조 비용 절감과 모델 이해도 향상이 가능하다.
구체적으로 밀링 공정 사례를 통해 다음과 같은 내용을 확인하였다:
- 의사결정 트리 회귀, 그래디언트 부스팅 회귀, 랜덤 포레스트 회귀 모델을 활용하여 품질 지표 예측
- 특성 중요도 평가 기법(특성 순열 중요도, 셰플리 값)을 통해 주요 특성 식별
- 상위 중요 특성만을 사용하여 모델을 재학습함으로써 성능 향상(MAPE 4.58% → 4.4%)
이러한 결과는 제조 공정에서 설명 가능한 기법을 활용하여 모델 성능을 향상시킬 수 있음을 보여준다.
통계
밀링 공정 중 절삭력(Fz, Fa)과 표면 거칠기(Ra, Rz, Rt, Rq, RSm, RSk, Rku, Rmr, Rpk, Rvk, Rdq) 측정
100개의 실험 데이터 활용
인용구
"설명 가능한 기법은 복잡한 예측 메커니즘을 해결하고, 모델 성능 향상을 위한 효과적인 최적화 방향을 제시한다."
"특성 중요도 점수를 활용하면 불필요한 센서 데이터를 제거할 수 있어, 실시간 품질 예측 시 계산 비용을 줄일 수 있다."