다이캐스팅 공정데이터 이상 탐지

문제 정의

다이캐스팅은 금형(Die)에 녹인 금속을 고압으로 주입해 제품을 만드는 주조 공법으로, 압력·속도·시간·온도 4대 조건을 일정하게 유지하는 것이 중요합니다.

• 주요 변수의 시계열적 특성이 크게 변동하거나 일정 패턴을 벗어날 때 불량이 빈번하게 발생합니다.
• 현장 관리자는 변수의 실시간 변동은 볼 수 있지만, 그 패턴이 불량에 어떤 영향을 미치는지 구체적으로 파악하기 어렵습니다.
• 특히 중소기업은 설비 운영이 작업자 경험에 의존해 체계적 관리가 어렵습니다.

→ 시계열 패턴이 불량에 기여하는 정도를 정량적으로 설명하는 모델이 필요합니다.

접근 방법

불량(수율 영향인자)을 다섯 가지 관점으로 나누어 시계열 특성을 반영했습니다.

1. 현재 상태 — 변수의 현재 값이 불량에 미치는 즉각적 영향
2. 변동성 — 일정 기간의 변동성이 품질에 미치는 영향
3. 변화 추세 — 이동평균 기반 장기적 변화 방향의 누적 영향
4. 계절성 — 연중 시기에 따른 품질 변화
5. 시간대 — 하루 중 밤/낮 변화

데이터 전처리 & 파생변수

• 롤링 윈도우(window=5) 로 각 공정 변수의 이동평균과 이동 변동계수를 생성했습니다. 변수 특성에 따라 금형코드·가열로 단위로 그룹화하여 계산했습니다.
• 시계열 특성을 위해 연중 며칠째인지(계절성)와 하루 중 시간대의 주기성을 나타내는 파생변수를 추가했습니다.
• 유효 범위 외 이상치는 결측 처리 후 평균으로 대체하여 일관성을 유지했고, 데이터 완전성·정확성·무결성 품질지수 100을 달성했습니다.
• T-검정 결과 모든 파생변수의 p-value < 0.05 로, 생성 변수가 품질에 유의한 영향을 미침을 확인했습니다.

CCF 분석 — 시차를 고려한 영향력 검증

교차상관함수(Cross-Correlation Function)로 각 공정 변수가 지연 시간(lag) 에 따라 불량 판정에 미치는 상관관계를 분석했습니다.

예측 모델 — XGBoost

금형코드·가열로 같은 범주형 변수와 비선형 상호작용이 많은 제조데이터 특성에 강점이 있는 XGBoost를 채택했습니다.

• 클래스 불균형 처리: 불량 비율이 낮은 문제를 보정하기 위해 불량 클래스에 더 높은 가중치를 부여했습니다.
• 데이터 분할: 클래스 비율을 유지하며 학습·검증·테스트로 분할했습니다.

XAI — SHAP 기반 불량 원인 해석

SHAP(Shapley Additive Explanations)로 각 변수가 불량 발생에 기여하는 정도를 정량화했습니다. 각 변수를 현재상태/변화추세/변동성 특성으로 나누어 합산했습니다.

개별 생산품 진단 예시

기대 효과

• 체계적 공정관리: 제품 생산 시점마다 공정 변수의 현재 상태·변동성을 평가해 품질 저하 요인을 즉시 조정할 수 있습니다.
• 비용 절감: 가벼운 트리 기반 모델로 고성능 컴퓨팅 자원 없이 수 분 내 분석 및 해석이 가능합니다.
• 확장성: 온도 및 습도를 다루는 다른 제조 공정(예: 레진 도포, 경화)으로도 확장 가능하며, 불균형한 범주형 데이터에서 F1 0.980의 높은 예측력을 보였습니다.