머신러닝을 이용한 사출 성형 제품의 품질 불량 예측 모델 개발

초록

사출 성형 공정은 현대 제조업의 핵심 기술이지만, 공정의 복잡성으로 인해 연간 200억 달러 이상의 품질 불량 손실이 발생하고 있다. 이러한 문제를 해결하기 위해, 본 연구는 사출 성형 공정에서 머신러닝을 활용한 고도화된 품질 불량 예측 모델을 개발하였다. KAMP 데이터셋의 886,227개 샘플과 36개 제조 조건 변수를 활용하여 CNN-LSTM 하이브리드 모델과 앙상블 기법을 결합한 새로운 융합 모델 아키텍처를 제안하였다. 클래스 불균형 문제 해결을 위해 SMOTE, ADASYN 등의 샘플링 기법과 비용 민감 학습을 적용하였으며, 실시간 제조 환경을 위한 지식 증류, 가지치기, 양자화 기법을 통해 모델을 경량화하였다. 실험 결과 F1-score 0.815와 AUC-ROC 0.978을 달성했으며, 이는 동일 데이터셋 기반 선행 연구의 최고 F1-score(0.776) 대비 약 5.0% 향상된 수치이다. 또한 SHAP 분석을 통해 핵심 공정 변수를 식별하고 최적 운영 범위를 제시하였으며, 경량화 모델은 12ms 추론 시간으로 실시간 활용 가능성을 입증하였다.

키워드