AI 제조데이터/ 사출성형 공정조건에 따른 제품 불량 예측 모델 개발

• 제조데이터 Use-Case

 

사출성형 공정조건에 따른 제품 불량 예측 모델 개발

Contact Lens는 다양한 공정을 거치지만 사출성형 공정조건이 Lens 도수에 가장 큰 영향을 미칩니다.
본 사업은 사출성형 설비 별 공정조건에 따른 실제 생산된 도수를 예측하는 머신러닝 모델을 개발하여 그 유효성을 실증한 사례입니다.
Key Word: 사출성형, 공정조건, 품질예측, Random Forest, XG Boost

수행기간수요기업공급기업대상공정업종문제목적데이터셋 형태 및 수집방법데이터 갯수 / 데이터셋 총량분석

(주)인터로조

엠아이큐브솔루션(주)

사출성형

Contact Lens 제조

사출성형기 공정조건 설정 값에 따라 생산되는 Contact Lens의 도수를 예측하는 문제

목표 Lens 도수에 부합하는 사출성형기의 공정조건을 찾아 Contact Lens 도수 불량률을 낮추고자 함

ERP/MES로부터 수집한 RDB 데이터와 설비 PLC로부터 수집한 XML 데이터를 CSV 파일 형태로 변환 저장

생산데이터 10만 건 + 설비데이터 10만 건 / 100MB

[Random Forest] Decision Tree 다수 개를 겹쳐서 생성하고, 다수의 Decision Tree에 대한 Majority Voting를 통해 Feature에 대한 Class를 구분하는 알고리즘 [XG Boost] Greedy Algorithm을 사용하여 분류기를 발견하고 분산처리를 사용하여 빠른 속도로 적합한 비중 파라미터를 찾는 알고리즘으로 약한 분류기를 세트로 묶어서 정확도를 예측하는 기법

데이터 수집 및 저장

• 사출성형기 : 금형#, 사출시간/압력/속도, 쿠션,
  냉각수온도, 냉각시간 → PLC로부터 XML Format으로 수집
• 제품 : 품목, WO, Lot#, Lens규격, Lens도수, 합불 판정
  결과 → ERP/MES DB로부터 수집
• 최종적으로 CSV 형태로 가공하여 저장

데이터 전처리 및 분석

• 전처리 : 주요 값이 Null인 데이터 필터링
  → 오게측, 오입력으로 인한 부정확한 데이터 제거
  → 최빈값/중앙값 대체 등으로 결측처리
  → 과다/과소 Outlier 값 제외
• 사출성형기에서 올라온 데이터가 최종 제품 결과에
  어떤 영향을 미치는지를 예측하기 위해 Random Forest
  Regression 모형과 XG Boost Regression 모형을 이용

기대 효과

• 목표 Lens 도수 적중률 향상을 위한 최적 사출성형
  공정조건 도출 → 제품 수율 향상
• 재작업, 재주문 감소로 납기 준수율 향상
• 목표 Lens 도수를 벗어난 Lens 재고 수준 감소
• 데이터 기반 공정관리 능력 향상