Skip to main content

물성 예측 모델 기반 방사 공정 역설계

· 7 min read
박세찬
경북대학교 컴퓨터학부
김덕엽
경북대학교 컴퓨터학부 소프트웨어테스팅연구실 박사과정생
서강복
경북대학교 컴퓨터학부 소프트웨어테스팅연구실 박사
이우진
경북대학교 컴퓨터학부 소프트웨어테스팅연구실 담당교수

논문 정보​

  • 제목 (Title): 물성 예측 모델 기반 방사 공정 역설계 (Reverse Design of Spinning Process Based on Physical Property Prediction Model)
  • 저자 (Authors) 및 소속 (Affiliations): 박세찬, 김덕엽, 서강복, 이우진 (경북대학교 컴퓨터학부)
  • 학회 또는 저널명 (Conference or Journal Name): 2023년 한국정보처리학회 춘계학술대회 (KCSE 2023)
  • 제출일 또는 발행일 (Submission or Publication Date): 2023년 5월
  • 초록 (Abstract): 공정 역설계는 목표 물성을 달성할 수 있는 최적의 공정 값을 찾거나, 수집되지 않은 데이터 영역에 해당하는 공정 값을 찾는 것을 목표로 한다. 이를 위해 수집된 데이터로 학습된 물성 예측 모델을 활용할 수 있다. 특히 방사 공정은 공정 변수의 사용 가능 범위가 제한적이고, 동일한 공정 조건에서도 물성 오차가 발생하는 특징이 있다. 또한, 목표 물성을 만족하는 공정 값 조합이 여러 개 존재할 수 있어 이를 고려한 역설계 방법이 필요하다. 본 논문에서는 공정 변수와 물성 간의 상관관계 및 물성 오차 평균을 고려한 우선순위 기반 방사 공정 역설계 최적값 탐색 방법을 제안한다. 이 방법은 물성 예측 모델로 생성한 시뮬레이션 데이터를 활용하며, 실제 데이터의 일부 구간을 제외하고 최적값을 탐색하여 제안 방법의 유효성을 검증한다.
  • 주요 연구 내용 (Main Research Content/Methodology):
    • 저차원의 방사 공정 변수(6개) 특성을 고려하여, 최적화 알고리즘 대신 가능한 모든 경우의 수를 시뮬레이션하는 접근법을 채택함.
    • 선행 연구에서 개발된 방사 공정 강도 예측 MLP 모델을 활용하여 약 1억 개의 시뮬레이션 데이터에 대한 강도를 예측함.
    • 목표 강도를 만족하는 수많은 공정 변수 조합을 K-means 기법으로 군집화하여 유사한 특성을 가진 몇 개의 그룹으로 분류함.
    • 최적의 공정 변수 조합을 선택하기 위해 4가지 기준(군집 내 데이터 수, 공정 변수-물성 간 상관성, 동일 조건 하 물성 오차 평균)을 바탕으로 한 우선순위 결정 방법을 제안함.
  • 주요 결과 및 결론 (Key Findings and Conclusion):
    • 제안된 우선순위 기반 탐색 방법은 목표 물성을 만족시키는 여러 공정 변수 조합 군집 중에서 가장 신뢰성 있고 안정적인 최적의 조합을 효과적으로 찾아낼 수 있음을 보임.
    • 실제 데이터 중 고강도 구간을 의도적으로 제외하고 학습한 모델을 통해 해당 구간의 최적값을 탐색하는 유효성 검증을 수행함.
    • 검증 결과, 데이터 제외 전후에 탐색된 최적 공정 변수 조합이 매우 유사하게 나타나, 수집되지 않은 데이터 영역에 대해서도 근사한 최적값을 예측할 수 있음을 입증함.
    • 이는 제안한 방법이 실제 산업 현장에서 데이터 수집 비용을 절감하고 목표 물성 달성을 위한 효율적인 가이드를 제공할 수 있음을 시사함.
  • 기여점 (Contributions):
    • 공정 변수의 수가 적고 범위가 제한적인 경우, 모든 경우의 수를 고려한 시뮬레이션 기반 역설계 접근법의 유효성을 제시함.
    • 목표 물성을 만족하는 다수의 해(solution)가 존재할 때, 데이터의 통계적 특성(상관성, 오차)을 활용하여 최적의 해를 선택하는 우선순위 기반의 체계적인 의사결정 프레임워크를 제안함.
    • 실험을 통해 제안 방법이 수집되지 않은 미지의 데이터 영역에 대한 최적 공정 조건을 예측하는 데 효과적임을 검증함.
  • DOI (Digital Object Identifier): 제공되지 않음.
  • 기타 식별 가능한 정보:
    • 연구 분야: 인공지능, 기계 학습, 공정 최적화, 역설계
    • 대상 공정: 생분해성 섬유(PLA) 방사 공정
    • 데이터셋: 선행 연구의 강도 예측 MLP 모델 활용, 약 1억 개의 시뮬레이션 데이터 생성

요약​

서론 (Introduction)​

역설계의 목표는 원하는 성능(물성)을 달성하기 위한 최적의 설계 값(공정 변수)을 찾는 것이다. 기존에는 설계자의 경험과 직관에 의존하여 많은 시행착오를 거쳤는데, 이는 비용이 크고 비효율적이다. 반면, 인공지능 모델 기반의 역설계는 보유한 데이터만으로 빠르고 저비용으로 최적값을 탐색할 수 있다.

특히 방사 공정과 같은 제조 공정은 온도, 압력 등 사용 가능한 변수의 범위가 제한적이고, 목표 물성을 만족하는 공정 변수 조합이 여러 형태로 나타날 수 있는 특징이 있다. 따라서 대부분의 연구는 최적화 알고리즘을 사용해 공정 변수를 점진적으로 변형하며 최적값을 탐색한다. 하지만 본 연구에서 다루는 방사 공정처럼 변수의 수가 적을 경우, 가능한 모든 경우의 수를 시뮬레이션하여 목표 달성 가능성을 직접 파악하는 접근이 가능하다.

본 논문에서는 생분해성 섬유(PLA) 방사 공정 데이터를 대상으로, 선행 연구의 강도 예측 모델을 활용하여 목표 강도를 달성하는 최적의 공정 변수 조합을 찾는 우선순위 기반 역설계 방법을 제안한다.

본론: 우선순위 기반 역설계 최적값 탐색​

방사 공정 데이터 및 물성 예측 모델​

본 연구는 선행 연구에서 개발한 생분해성 섬유(PLA)의 강도 예측 모델을 활용한다. 이 모델은 6개의 핵심 공정 변수(스핀빔 온도, 롤러 속도 2개, 롤러 온도, 연신비, 와인더 속도)를 입력받아 강도를 예측하는 MLP(Multi-Layer Perceptron) 회귀 모델이다. 방사 공정 데이터는 동일 조건에서 채취한 샘플 간에도 강도 오차가 발생하는 등 불확실성을 포함하고 있으며, 데이터 증강 기법을 적용했을 때 예측 모델의 성능이 가장 높았다(정확도 92.4%).

시뮬레이션 데이터 생성​

일반적인 역설계는 최적화 알고리즘으로 공정 변수를 변형시키지만, 본 연구에서는 사용하는 공정 변수의 수가 6개로 적고 각 변수의 범위가 제한적이므로, 가능한 모든 경우의 수를 고려하는 전수 시뮬레이션을 수행한다. 각 변수에 대해 유의미한 최소 단위(온도 1°C, 속도 10 m/min)를 오프셋으로 지정하여 약 1억 개의 가상 공정 조합 데이터를 생성했다. 이후, 이 1억 개의 데이터 각각에 대해 강도 예측 모델을 적용하여 예측 강도 값을 부여한 완전한 시뮬레이션 데이터셋을 구축했다.

우선순위 기반 최적값 탐색​

시뮬레이션 결과, 특정 목표 강도를 달성할 수 있는 공정 변수 조합이 수백만 개에 달할 정도로 매우 많았다. 이 수많은 후보군 중에서 가장 최적의 조합을 선택하기 위해 다음과 같은 단계를 거친다.

  1. 군집화 (Clustering): 목표 강도를 만족하는 데이터들을 K-means 알고리즘으로 군집화한다. SSE(오차제곱합)를 기준으로 분석한 결과, 최적 군집 수는 3개로 나타났다. 이를 통해 수많은 데이터 포인트를 유사한 특성을 가진 3개의 범위 형태의 군집으로 요약할 수 있다.

  2. 우선순위 부여 (Priority-based Ranking): 3개의 군집 중 어느 것이 가장 최적인지를 판단하기 위해, 방사 공정 데이터의 특성을 고려한 4가지 기준을 바탕으로 우선순위를 매긴다.

    • 기준 1 (데이터 수): 군집에 포함된 데이터가 많을수록 해당 공정 조건에서 목표 강도를 달성할 확률이 높고 신뢰할 수 있다고 판단한다. (데이터 수가 많은 군집이 높은 순위)
    • 기준 2 & 3 (상관성): 강도와 상관계수가 높은 '고뎃 롤러1 속도'와 '고뎃 롤러2 온도'의 변화량이 군집 내에서 적을수록 안정적인 공정 조건으로 판단한다. (변화량이 적은 군집이 높은 순위)
    • 기준 4 (오차 평균): 실제 데이터 분석 결과, '스핀빔 온도'가 높을수록 샘플 간 강도 오차 평균이 낮아지는 경향을 보였다. 따라서 스핀빔 온도가 높을수록 더 안정적이고 신뢰성 높은 공정으로 판단한다. (스핀빔 온도가 높은 군집이 높은 순위)

각 기준에 따라 군집별로 1~3위의 순위를 매기고, 순위의 합이 가장 낮은 군집을 최종 최적 조합으로 선택한다.

유효성 검증​

제안한 방법이 실제로 수집되지 않은 데이터 영역에 대해서도 유효한 최적값을 탐색할 수 있는지 검증하기 위해 다음과 같은 실험을 수행했다.

  1. 원본 학습 데이터에서 강도가 4.3을 초과하는 고강도 구간 데이터를 모두 제거한다.
  2. 제거된 데이터셋으로 강도 예측 모델을 다시 학습시킨다.
  3. 새로운 모델을 이용해 시뮬레이션을 수행하고, 목표 강도 4.5(제거된 구간)에 대한 최적의 공정 변수 조합을 우선순위 기반으로 탐색한다.
  4. 이 결과를 원본 전체 데이터로 탐색했던 최적값과 비교한다.

비교 결과, 우선순위가 가장 높은 최적 조합의 공정 변수 값들이 데이터 제외 전후로 거의 차이 없이 유사하게 나타났다. 이는 제안된 방법이 일부 데이터가 없는 미지의 영역에 대해서도 신뢰성 있는 최적 공정 조건을 근사하게 예측할 수 있음을 의미한다.

결론 (Conclusion)​

본 연구는 저차원의 방사 공정 데이터에 대해 물성 예측 모델과 전수 시뮬레이션을 결합한 역설계 방법을 제안했다. 목표 물성을 만족하는 수많은 후보 조합 중에서 최적의 조합을 선택하기 위해 군집화와 데이터 특성에 기반한 우선순위 시스템을 도입했다. 고강도 구간 데이터를 의도적으로 제거하고 해당 구간의 최적값을 예측하는 실험을 통해, 제안 방법이 실제 데이터가 부족한 영역에 대해서도 유효한 공정 조건을 탐색할 수 있음을 성공적으로 검증했다.