[논문 리뷰] Artificial Intelligence and Machine Learning to Predict and Improve Efficiency in Manufacturing Industry

Ibtissam El Hassani, Choumicha El Mazgualdi외 1명|arXiv (Cornell University)|2019. 01. 08.

Imbalanced Data Classification Techniques인용 수 9

한 줄 요약

이 논문은 역사적 생산 데이터를 사용하여 자동차 케이블 제조 공정에서 전체 장비 효율성(OEE)을 예측하기 위한 기계학습 프레임워크를 제안한다. 지지벡터기계(SVM), 랜덤 포레스트, XGBoost, 딥러닝 모델을 평가한 결과, 딥러닝과 랜덤 포레스트가 가장 높은 예측 정확도를 보이며, 손실이 발생하기 이르기 전에 효율성을 사전에 향상시킬 수 있다.

ABSTRACT

The overall equipment effectiveness (OEE) is a performance measurement metric widely used. Its calculation provides to the managers the possibility to identify the main losses that reduce the machine effectiveness and then take the necessary decisions in order to improve the situation. However, this calculation is done a-posterior which is often too late. In the present research, we implemented different Machine Learning algorithms namely; Support vector machine, Optimized Support vector Machine (using Genetic Algorithm), Random Forest, XGBoost and Deep Learning to predict the estimate OEE value. The data used to train our models was provided by an automotive cable production industry. The results show that the Deep Learning and Random Forest are more accurate and present better performance for the prediction of the overall equipment effectiveness in our case study.

연구 동기 및 목표

• 실제 성능 평가 이전에 OEE 계산의 지연 문제를 해결하기 위해 실시간으로 장비 효율성을 예측할 수 있도록 하는 것.
• 실제 산업 환경에서 OEE를 예측하는 데 있어 다양한 기계학습 알고리즘의 예측 정확도를 평가하는 것.
• 자동차 케이블 제조 공장에서 생산 비효율성을 조기에 탐지할 수 있는 가장 효과적인 모델을 규명하는 것.
• 실제 성능 평가 이전에 시기적절하고 정확한 OEE 추정을 제공하여 데이터 기반 의사결정 지원을 하는 것.

제안 방법

• 이 연구는 기계학습 모델을 훈련하고 검증하기 위해 자동차 케이블 생산 산업 분야의 데이터셋을 활용한다.
• 다섯 가지 알고리즘을 평가한다: 지지벡터기계(SVM), 유전 알고리즘을 사용한 최적화된 SVM, 랜덤 포레스트, XGBoost, 딥러닝.
• 모델 성능은 표준 회귀 평가 지표를 사용하여 평가되며, 정확도 향상을 위해 초모수 튜닝을 적용한다.
• 딥러닝 모델은 다중 밀집층과 ReLU 활성화 함수를 갖는 피드포워드 신경망 아키텍처를 사용한다.
• 특징 공학은 장비 성능과 관련된 시계열 및 운영 파ameters를 포함한다.
• 유전 알고리즘은 SVM 모델의 초모수를 최적화하여 예측 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 실제 제조 환경에서 전체 장비 효율성(OEE)을 가장 정확하게 예측할 수 있는 기계학습 모델은 무엇인가?
• RQ2 예측 모델링을 통해 OEE 평가의 지연을 줄일 수 있으며, 사전 정비 또는 공정 조정을 가능하게 할 수 있는가?
• RQ3 특히 딥러닝과 앙상블 방법을 포함한 다양한 알고리즘이 산업 생산 데이터에서 OEE를 예측하는 데 어떻게 비교되는가?
• RQ4 유전 알고리즘을 통한 초모수 최적화가 SVM 성능을 OEE 예측에 얼마나 향상시키는가?

주요 결과

• 딥러닝 모델은 테스트된 모든 모델 중에서 가장 높은 예측 정확도를 기록했으며, OEE를 추정하는 데 다른 알고리즘을 능가했다.
• 랜덤 포레스트는 높은 정확도로 두 번째로 우수한 성능을 보였으며, 특징 변동에 대한 강건성도 입증되었다.
• 유전 알고리즘을 통한 최적화된 SVM는 표준 SVM보다 향상된 결과를 보였지만, 딥러닝과 랜덤 포레스트에 비해 여전히 낮은 정확도를 기록했다.
• XGBoost는 양호한 성능을 보였지만, 이 특정 산업 데이터셋에서는 딥러닝과 랜덤 포레스트에 뒤진 성능을 보였다.
• 이 연구는 기계학습을 활용한 예측 모델링이 실제 측정 이전에 OEE 값을 사전에 예측할 수 있음을 확인하며, 시기적절한 운영 간섭을 가능하게 한다.