다이캐스팅 공정데이터 이상 탐지

Wed, 10 Dec 2025 00:00:00 +0000

개요

다이캐스팅 공정의 시계열 패턴을 기반으로 불량을 예측하고, SHAP·CCF로 불량의 주요 원인을 해석한 제조데이터 분석 프로젝트입니다.

대회

제4회 K-인공지능 제조데이터 분석 경진대회 (KAMP, 2024)

기간

2024.10~2024.11(약 2주)

데이터

다이캐스팅 공정 시계열 2,852,465 cells (92,015 rows × 31 columns)

기술 스택

Python · pandas · NumPy · scikit-learn · XGBoost · SHAP · Matplotlib

성과

Accuracy 0.9970 · Recall 0.9501 · Precision 0.9794 · F1 0.9646

문제 정의

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

→ 시계열 패턴이 불량에 기여하는 정도를 정량적으로 설명하는 모델이 필요합니다.

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

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.

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

변수의 지연시간(lag)에 따른 CCF. CCF가 양수면 변수 증가 시 불량 확률 증가, 음수면 정상 확률 증가를 의미합니다.

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

모델	Accuracy	Recall	Precision	F1 Score
Random Forest	0.9965	0.9377	0.9817	0.9592
AdaBoost	0.9936	0.8928	0.9572	0.9239
Decision Tree	0.9957	0.9327	0.9664	0.9492
XGBoost	0.9970	0.9501	0.9794	0.9646

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

요인별 품질 기여도(좌)와 변수별 종합 영향(우). 빨간색은 품질 저하 요인, 파란색은 개선 요인. lower_mold_temp1, upper_mold_temp2 등 금형 온도 변수가 주요 불량 인자로 나타났습니다.

불량 생산품(11번): 현재 상태와 변동성이 큰 품질 저하 요인. upper_mold_temp1·lower_mold_temp1의 온도 현재 상태가 불량에 강하게 기여.

정상 생산품(4번): 대부분 변수가 품질 개선에 기여. molten_temp가 일부 저하 요인이나 다른 변수가 이를 상쇄.

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.