자동차부품 사출공정의 결함 검출 및 원인분석을 위한 딥러닝 알고리즘 적용에 관한 연구

2.1 Auto Encoder

Auto Encoder 모델은 불량 탐지 및 예측 분야에서 주로 활용되는 딥러닝 알고리즘 중 하나로, 입력 데이터와 같은 출력데이터를 얻기 위하여 입력 데이터의 특성을 요약하여 저차원의 잠재 벡터로 축소하는 인코더와 요약된 잠재 벡터를 다시 복원하는 디코더의 형태로 구성되며 Auto Encoder 모델의 구조는 Fig 1과 같다^[1]. Auto Encoder 모델은 재구축된 데이터와 원본 데이터와의 비교를 통하여 두 데이터 사이의 차이가 작아지도록 학습한다. 이러한 차이는 재구축 오차(reconstruction error)로 정의되며 벡터의 크기를 구하기 위한 유클리드 놈(euclidean norm)으로 구성되어 있다^[8].

Fig. 1

Structure of the auto encoder model

Auto Encoder는 데이터를 축소하고 복원하는 과정에서 데이터의 패턴을 학습한다. 불량 예측 알고리즘으로 활용하기 위하여 학습 단계에서는 정상 데이터만을 사용하기 때문에 학습된 패턴을 기반으로 정상 데이터를 효과적으로 재구축하지만, 이전에 입력되지 않았던 불량데이터에 대해서는 정확히 복원하지 못하므로 원본 데이터와 재구축 데이터 사이에 큰 재구축 오차가 산출된다. 따라서 Auto Encoder 모델에서는 재구축 오차가 높은 관측치를 이상치로 간주한다^[2].

2.2 SHAP

설명 가능한 인공지능 알고리즘(eXplainable AI, XAI)은 분석에 활용한 딥러닝 모델의 출력 결과를 잘 이해하고 설명하기 위한 방법이다^[7]. 이 알고리즘을 활용하면 분석한 모델의 결과를 정량적으로 산출하여 예측 결과에 대한 직관적인 설명을 제공할 수 있다. SHAP 알고리즘은 전체 관측치를 활용하여 대리 모델을 구성하고 그 결과를 해석하며, 각 변수들이 각각의 예측값을 도출할 때 기여하는 정도를 평가한다^[4]. Fig 2와 같이 설명 대상 모델과 가장 유사한 예측값을 도출할 수 있도록 여러 선형 함수가 결합된 형태의 대리 모델을 구축하고, 이를 해석하여 설명 결과를 제공한다. SHAP 알고리즘에서는 특정 변수를 제거하고 모델을 재구축했을 때 예측 성능이 크게 변화한다면 해당 변수의 중요도가 높음을 가설로 두고 있다. 이때 예측 성능의 변화 정도는 Shapley Value로 정의된다. 특정 변수에 대한 Shapley Value가 클수록 예측값을 도출하는데 많은 기여를 하는 것으로 해석되며, 이는 설명 대상이 되는 관측치에 중요한 변수임을 의미한다.

Fig. 2

Structure of the SHAP algorithm

2.3 Random Forest

Random Forest는 과적합(over fitting)을 방지하기 위해 최적의 기준 변수를 랜덤 선택하는 지도학습 알고리즘으로 결정트리 알고리즘을 앙상블 시킨 모델이다. 검출, 분류, 회귀 등 다양한 문제에서 활용되고 결측치를 다루기도 용이하다. 또한, 대용량 데이터 처리에 효과적이며 모델의 노이즈를 심화시키는 과적합 문제를 회피하여, 모델 정확도를 향상시킨다. Classification 모델에서는 상대적으로 중요한 변수를 선정하고 우선순위를 정할 수 있다. Random Forest는 제일 먼저 Bagging이라는 과정을 거치는데 이는 트리를 만들 때 Training set의 부분집합을 활용하여 트리를 형성하는 것을 말한다. 즉 모든 트리는 각기 다른 데이터를 바탕으로 형성되지만 모두 Training set의 부분집합이 된다^[3]. Random Forest는 높은 정확성과 간편하고 신속한 학습 및 테스트, 다중 클래스 알고리즘의 특성이 있으며 기존의 결정트리의 단점을 배깅 및 랜덤 노드 최적화와 같은 방법으로 극복한다.

Fig. 3

Structure of the random forest

3.1 사출 데이터 분석 개요 및 데이터 수집

사출 데이터 분석 알고리즘의 전체 개요는 Fig. 4와 같다. 사출기 I/F를 통해 데이터를 수집하고 이를 전처리하여 AI 분석 데이터셋을 설정한다. 그리고 분석 목표에 따른 AI 학습 모델을 선정하여 상관분석 기반의 다양한 지표들을 개발 및 계산한다. 계산된 지표들을 테스트해서 예측 모델이 실제값과 비교하여 90% 이상 유사 경향을 보일 경우, 해당 AI 모델을 선정하여 현장 불량원인분석 및 품질 예측 알고리즘을 적용하여 실제 작업자들이 필요한 데이터 혹은 지표별 우선순위에 따라 가시화하여 보여준다. 본 연구에 쓰인 데이터는 자동차 부품 Guard Air Upper를 생산하는 사출 업체의 생산데이터를 PLC 인터페이스를 통하여 수집하였다. PC 부하로 인한 누락 발생의 위험성을 줄이고자 데이터 수집 주기를 1분 주기로 확정하였으며, 불량데이터는 설비에서 나오는 데이터를 기반으로 수작업과 검증을 통해 불량이 발생한 시점과 불량유형 등을 명기하여 수집하였다.

Fig. 4

Procedure for developing and applying AI algorithms

사출 공정에는 Table 2와 같이 사출 시간, 압력, 온도, 속도, 압력 등의 분류 하에 성형 횟수, 사출 시간, 행정 시간, 사출 압력, 사출 압력, 사출 속도, 보압, 보압 시간, 보압 속도, 계량 거리, Suck-back, 보압 전환, 냉각 시간, 배압, 회전수, 바렐 온도, 오일 온도, Cushion, 사출량, 형개시간, 형폐시간, 충전 시간, 계량 시간, 전환압력, 전환속도, 전환 위치 등 중요데이터 42종의 많은 변수가 존재한다.

Table 2

Injection process variables

이 중 상관관계 분석 등을 통하여 지수가 높은 변수들을 우선순위로 하여 AI 데이터셋 주요 변수로 설정하였으며 각 변수가 정상값을 벗어나면 어떠한 불량이 발생하고 불량을 관리할 때 영향이 있는지 살펴보았다.

사출 성형 주요 불량으로는 금형 내에 원료의 충전량이 부족한 경우 발생하는 쇼트숏(short shot), 성형품 주입부 이외의 부분으로 용융 플라스틱이 흘러나와 고화되는 플래시(flash), 수축단계에서 냉각이 지연되어 부분적으로 함몰이 일어나는 싱크마크(sink mark), 성형품 표면에 광택이나 거칠어짐이 발생하는 플로우마크(flow mark), 금형 내 두 개 이상의 유동 선단이 만날 때 선이 생기는 웰드라인(weld line), 성형품 표면에 원료의 유동 방향으로 은백색 줄이 생기는 은조흔(silver streak) 외에 흑점, 기포, 콜드 슬러그 등이 있다.

작업자는 불량현상의 원인을 정확하게 파악하기 힘들고 불량현상을 해결하기 위하여 많은 시간이 소요된다. 이와 같이 사출 공정에는 많은 변수와 불량현상이 있기 때문에 인공지능을 활용한 딥러닝 알고리즘을 통하여 분석을 수행하면 높은 효율을 보일 것으로 예상된다. 그러나 인공지능 모델의 경우 많은 데이터를 기반으로 학습하여 추후 생산된 성형품의 불량 상태를 확인할 수 있지만 실제 현장에서는 불량품의 수는 매우 적기 때문에 좋은 인공지능 모델을 구현하기가 어려운 경우가 발생한다. 본 논문에서는 이러한 문제를 해결하기 위하여 데이터 전처리 과정에서 데이터 증강(data argumentation)과 표준화(standard scaler)를 적용해 데이터 불균형을 해소하고자 하였다.

3.2 데이터 전처리

설비에서 수집되는 데이터 중 노이즈로 인해 데이터의 품질이 낮을 수 있으므로 이를 해결하기 위해 전처리 기법을 적용한다. 먼저 상관관계 분석을 통해 데이터 간의 상관관계를 수치로 확인할 수 있다. 각 데이터별 상관관계 및 현장 전문가의 지식을 통해 데이터 관계 및 상태 등 데이터에 대한 정보를 확인하고 Fig 5와 같이 전체 데이터 특징들의 상관관계 분석을 통해 데이터 간의 관계를 그래프화하여 데이터의 흐름이 깨지거나 이상 징후가 나타나는 시점 혹은 관련 정보를 탐지할 수 있다.

Fig. 5

Correlation analysis of variables

Fig. 6

Data standardization

두 번째로 데이터 표준화를 수행한다. 분석에 사용할 제조데이터는 MPa, mm, sec 등 특성마다 다른 단위로 기술되었기 때문에 그대로 사용하면 학습 속도가 느리며 효율이 떨어지게 된다. 이러한 문제를 해결하기 위해 사용되는 것이 데이터 표준화와 정규화 작업이다. 이는 각기 다른 특성들의 값의 범위를 비슷하게 만들어주는 작업으로 특성 스케일링 또는 데이터 스케일링으로 불린다. 본 연구에서는 사이킷런 함수인 Standard Scaler를 이용하여 표준화를 수행하였다.

세 번째로, 수집한 사출 데이터에서 불량데이터의 비율은 전체 데이터의 약 2% 정도이다. 데이터의 심한 불균형은 모델 학습 성능 저하의 원인이 된다. 이를 해결하기 위해 데이터 증강(data augmentation) 기법을 사용하였다. 이는 데이터의 양을 늘리기 위해 원본에 각종 변환을 적용하여 개수를 증강하는 기법이다. 라벨링이 되지 않은 데이터에 라벨을 붙이고 데이터 특성들의 평균과 표준편차를 구한 후 이를 통해 정규분포를 만들어서 불량데이터 생성 모델을 구현하여 데이터 불균형을 완화해 성능을 향상시켰다.

3.3 평가지표

본 연구에서는 결함 검출 및 원인분석 알고리즘의 성능을 평가하기 위하여 오차 행렬(confusion matrix)을 사용하였다. 오차 행렬은 Training을 통한 예측 성능을 측정하기 위해 예측값과 실제값을 비교하기 위한 표이다. Fig. 7에서 보이는 바와 같이 T는 True, F는 False, P는 Positive, 그리고 N은 Negative를 의미한다. 즉, TP와 TN은 실제값을 맞게 예측한 것이며, FP와 FN은 실제값과 다르게 예측한 부분을 의미한다.

Fig. 7

False prediction process

전체 중 모델이 바르게 분류한 비율을 정확도(accuracy)라고 하며 직관적으로 모델 예측 성능을 나타내는 지표이다. 그러나 이진 분류인 데이터, 특히 불균형한 데이터 분포의 경우 정확도 수치 하나로 성능을 평가하지 않는다. 모델이 Positive라 분류한 것 중 실제값이 Positive인 비율을 정밀도(precision)라고 한다. 예측값이 얼마나 정확한지를 나타낸다. 실제값이 Positive인 것 중 모델이 Positive라고 맞게 분류한 비율을 재현율(recall)이라고 하며, 실제 정답을 얼마나 맞추었는지를 평가한다. 마지막으로 정밀도와 재현율의 조화 평균값을 나타내는 F1 Score는 주로 분류 클래스 간의 데이터 불균형이 심각할 때 정확도 대신 사용하며 수치가 높을수록 좋은 모델이라고 판단한다. 각 범주를 예측하는 기준이 되는 임계값의 위치에 따라 정밀도나 재현율이 달라지기 때문에 문제의 상황에 따라 적절한 임계값을 선택할 필요가 있다.

3.4 모델 적용 및 결과

데이터 전처리를 통해 정제된 데이터셋을 결함 검출 모델 및 원인분석 모델에 적용하고 Table 3, 4에 정리하였다.

Table 3

Applicaion of defect detection analysis model

Table 4

Application of cause analysis model

결함 검출 모델 개발을 위하여 제품의 불량 여부를 판단하는 분류 모델을 생성한다. 분류 모델을 통한 예측값을 활용하여 품질검사 횟수를 줄이거나 없앨 수 있으며, 품질검사 전 미리 불량을 예측할 수 있다. 먼저 라벨데이터와 비라벨데이터를 사용하여 Auto Encoder를 통하여 비지도 학습을 수행한다. 이렇게 사전 학습된 Auto Encoder를 바탕으로 자기지도학습을 수행한다. Auto Encoder의 마지막 부분에 분류할 수 있는 레이어(classifier)를 추가한 후 라벨데이터만 활용하여 추가학습을 진행하였다.

Fig. 8과 같이 False Negative 가 0건이기 때문에 모델이 실제 불량을 미검출하지는 않는다. 또한 기존 False Positive의 경우를 최대한 줄여서 모델이 판정 결과를 토대로 불량을 검출해야 하는 대상 건수를 줄였다. 본 모델을 이용해서 제품 품질검사의 시간 및 비용을 줄일 수 있다. 불량 비율은 희박하게 발생하지만, 소수라도 불량품 미검출은 이후 더 큰 문제를 야기할 수 있으므로 불량을 검출하기 위한 전수검사가 현장에서 진행되는 경우가 많다. 생산데이터를 이용하여 불량을 예측해 검수량을 줄일 수 있다면 기업의 수율 향상에 기여할 수 있을 것으로 판단된다.

Fig. 8

Data confusion matrix

불량에 대한 주요 원인분석은 예측 결과에 영향을 준 변수를 산출하여 불량에 대한 원인분석을 수행할 수 있게 한다. 신경망 기반의 알고리즘은 입력값과 출력값 간의 관계를 알 수 없는 Black box 모델이므로 이를 극복하려는 방안이 필요하다. SHAP 기법을 활용하여 각 변수의 유무에 따라 기존 모델의 예측이 얼마나 많은 영향을 받는지 계산한다. 복잡한 Black-box 모델 f를 해석이 쉬운 형태의 대리 모델 (surrogate model) g로 근사하고 각 변수를 추가 및 제거하는 방법으로 각 변수의 중요도를 해석하는 방식을 취한다. 대리 모델 g를 만들 때는 블랙박스 모델 f(x)와 g(x')가 같아지도록 원래의 입력값인 x를 단순화된 x'로 바꾸어준다. 그리고 x' 들을 활용하여 만든 대리모델 g의 가중치(coefficient)를 가지고 중요도를 판단한다. 주요원인분석 결과 발생하는 주요 원인은 파악할 수 있으나 불량유형을 구분할 수는 없다. Table 5, 6은 주요불량 Gas와 Short shot의 SHAP Value 값에 의한 주요 원인을 나타낸다.

Table 5

Major cause factors for defective type ‘gas’

Table 6

Major cause factors for defective type ‘short shot’

SHAP value는 불량 유형별 관측치를 취합하여 각 변수의 영향도에 절대값을 취해 평균을 낸 것으로 각각의 관측치에 대해 SHAP 분석을 하면 보다 자세한 주요 원인 인자가 산출된다. 불량에 대한 중요 인자로 Average screw RPM이 도출되었는데 사출을 위한 스크류 회전 시 평균 속도에 이상이 있으면 제품 표면에 스크래치나 자국을 발생시킬 가능성이 크다고 고려된다. 이러한 유형의 불량을 방지하기 위해 스크류 속도의 제어를 중점 관리사항으로 볼 수 있다. 또한 Average screw RPM이 측정되기 이전 인자 중 선형관계가 높은 인자들을 탐색하여 스크류 속도에 직접적으로 영향을 미치는 인자를 찾아 조정할 수 있다.

주요 원인분석은 주요인자와 불량과의 관계를 도출한 것이고, 근본 원인분석은 불량에 영향을 미치는 주요 변수와 그에 영향을 미치는 여러 인자를 파악하는 것을 의미한다. 이러한 인자 간의 관계를 통해 불량에 대한 근본 원인이 되는 인자 또는 관련 인자를 제어하여 품질 개선에 도움을 준다. 따라서 데이터 분석 관점에서 필요한 기능은 불량에 대한 주요 인자의 산출과 각 인자 간의 관계를 파악하는 것이다. 그러나 인자 간의 관계를 정확히 파악하기 위해서는 막대한 양의 데이터와 실험이 필요하기에 본 연구에서는 Random Forest를 활용한 상관관계 분석을 수행하였다. 기초적인 방법이지만 데이터양이 적고 데이터 품질이 낮은 중소기업 현실에서 충분히 활용할 만한 가치가 있다고 판단하였다.

주요 원인분석을 통해 강한 상관성을 보이는 인자는 Average screw RPM, Clamp open position, Max back pressure, Injection time 등이 있음을 확인하였고 이 인자들이 양/불 여부에 영향을 끼치는 근본 원인과 어떤 상관관계를 가지는지 Random Forest 모델을 통해 도출하였다. 결과에 영향을 끼친 주요 특징들을 추출하면 Fig. 9와 같다. 상관관계가 있는 변수를 선별하고, 사전에 파악한 공정 지식을 통해 변수 간의 선후 관계를 파악하여 Table 7, 8에 정리하였다. Gas 불량에서의 주요 원인 Max back pressure와 가장 관련 있는 인자는 Cushion position이며, Cushion position에 관련 인자는 Injection time, Filling time, Max Injection speed 등이 있다. 이 결과를 통해 실제 제어할 수 있는 인자를 살펴보고 관계를 조절하여 불량 개선을 수행할 수 있다.

Fig. 9

Data features by random forest

Table 7

Root cause analysis for defective type ‘gas’

Table 8

Root cause analysis for defective type ‘short shot’