Machine Learning-Based Analysis of Critical Process Parameters Influencing Product Quality Defects: A Real-World Case Study in Manufacturing

이 논문은 중형 차량 동력전달 부품 주조 공정의 핵심 공정 변수를 분석하여 결함을 사전에 예측하고 방지함으로써 기존 사후 대응 방식의 한계를 극복하고 생산 효율성을 향상시킨 머신러닝 기반 예측 품질 관리 사례를 제시합니다.

핵심

🍞 1. 배경: 왜 이 연구가 필요할까요?

전통적인 공장 (빵집) 은 빵이 다 구워진 뒤에야 "아, 이 빵이 타버렸네!"라고 확인합니다. 이를 사후 검사라고 합니다. 문제는 이미 타버린 빵은 버려야 하고, 그 비용이 매우 크다는 점입니다.

이 연구는 **"빵을 굽기 전에, 반죽 상태나 오븐 온도를 보면 '아, 이 빵은 곧 타겠구나'라고 미리 알 수 있을까?"**를 묻습니다. 이를 위해 **머신러닝 (기계 학습)**이라는 기술을 사용했습니다.

🔍 2. 연구의 핵심: 무엇을 분석했나요?

연구팀은 한 자동차 부품 공장 (실제 사례) 의 데이터를 분석했습니다. 여기서 핵심은 **'코어 (Core)'**라는 것입니다.

• 비유: 자동차 엔진 부품은 속이 비어있는 복잡한 모양입니다. 이 빈 공간을 만들기 위해 모래로 만든 '내부 심지 (코어)'를 넣습니다. 이 심지가 잘못되면 최종 부품도 망가집니다.

연구팀은 두 가지 주요 데이터를 모았습니다.

1. 생산 데이터: 모래의 온도, 접착제 양, 가압 시간 등 (반죽을 섞는 과정).
2. 유지보수 데이터: 기계가 고장 난 기록, 수리 시간 등 (오븐이 고장 났던 기록).

🤖 3. 방법론: AI 가 어떻게 배웠나요?

연구팀은 CRISP-DM이라는 6 단계의 지도를 따라 AI 를 훈련시켰습니다.

• 데이터 준비: 엉망진창인 데이터를 정리하고, '불량품'과 '정상품' 데이터를 균형 있게 섞었습니다. (가끔 불량품이 너무 적어서 AI 가 '모든 게 정상이다'라고만 생각할 수 있기 때문입니다.)
• 모델 학습: **랜덤 포레스트 (Random Forest)**와 **그래디언트 부스팅 (Gradient Boosting)**이라는 두 가지 AI 알고리즘을 사용했습니다.
  • 비유: 랜덤 포레스트는 "100 명의 전문가에게 물어보고 다수결로 결정하는 것"이고, 그래디언트 부스팅은 "한 번 틀리면 다음엔 그 실수를 바로잡으며 점진적으로 배우는 것"입니다.

📊 4. 결과: AI 는 무엇을 찾아냈나요?

AI 는 과거 데이터를 분석하여 다음과 같은 놀라운 사실을 찾아냈습니다.

1. 주범은 '모래 온도'였습니다: 빵집에서 반죽 온도가 중요하듯, 공장에서 모래의 온도가 가장 중요한 불량 원인임을 찾아냈습니다.
2. 기계마다 성향이 달랐습니다:
   • A 기계는 '접착제 양'에 민감했고,
   • B 기계는 '유지보수 주기 (고장 난 후 얼마나 자주 수리했는지)'에 더 민감했습니다.
   • 비유: A 오븐은 온도에 예민하고, B 오븐은 오래 쓰면 고장 나기 쉽다는 뜻입니다.
3. 예측 능력: AI 는 실제 불량품이 나오기 전에 "이 코어는 나중에 '구멍 (Blow hole)'이나 '부서짐 (Disintegration)'이 날 확률이 높다"고 60~70% 정도의 정확도로 예측했습니다.

💡 5. 결론 및 시사점: 이것이 왜 중요한가요?

이 연구는 **"불량품이 생긴 후 치우는 것 (소방)"보다 "불량품이 생기기 전에 막는 것 (예방)"**이 훨씬 효율적임을 증명했습니다.

• 실제 효과: 공장에서 AI 가 "이건 위험하다"고 경고하면, 작업자는 해당 부품을 미리 걸러내거나 공정을 수정할 수 있습니다.
• 미래: 이 기술을 실제 공장에 적용하면, 불필요한 폐기물이 줄어들고, 비용이 절약되며, 더 안전한 자동차를 만들 수 있습니다.

🌟 한 줄 요약

"과거의 데이터를 학습한 AI 가 공장 기계의 '기분'과 '상태'를 읽어내어, 불량품이 나오기 전에 미리 경고하는 시스템을 개발했습니다."

이 연구는 단순한 기술 실험을 넘어, 공장이 더 똑똑하고 효율적으로 변할 수 있는 길을 보여준 중요한 사례입니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 제조업, 특히 주조 (Foundry) 산업에서 품질 관리는 안전성과 신뢰성을 보장하기 위해 필수적입니다. 전통적인 품질 관리 방식 (시각 검사, 측정, 통계적 공정 관리 등) 은 사후 대응 (Reactive) 적이며, 시간과 비용이 많이 들고 결함이 발생한 후에만 발견된다는 한계가 있습니다.
• 문제점: 연구 대상 기업 (중형 차량용 동력전달 부품 주조 공장) 은 '코어 제조 (Core-making)' 공정에서 공정 변수의 불완전한 제어로 인해 비용이 큰 주조 결함이 빈번하게 발생했습니다.
• 목표: 사후 대응에서 선제적 (Proactive) 인 접근으로 전환하기 위해, 머신러닝 (ML) 을 활용하여 코어 제조 공정의 데이터를 분석하고, 결함 발생을 예측하여 사전에 방지하는 데이터 기반 품질 관리 시스템을 구축하는 것입니다.

2. 방법론 (Methodology)

본 연구는 산업계 표준 데이터 마이닝 프로세스인 CRISP-DM (Cross-Industry Standard Process for Data Mining) 모델을 기반으로 6 단계에 걸쳐 수행되었습니다.

• 데이터 수집 (Data Understanding):
  • MES (제조 실행 시스템): 제품 데이터, 코어별 작업 이력 및 타임스탬프.
  • 품질 시스템: 불량 유형, 발생 라인, 비용, 원인 소유자 등 26 개의 속성을 포함한 편차 데이터.
  • PLC (프로그램 가능 로직 컨트롤러): Machine A 와 Machine B 의 공정 데이터 (작업 코드, 실제/목표 값, 허용 오차 등).
  • CMMS (컴퓨터화 유지보수 관리 시스템): 고장 빈도, 고장 유형, 가동 중단 시간 등 유지보수 기록.
  • 데이터 범위: 2020 년 1 월부터 2023 년 5 월까지 생산된 약 571,673 개의 제품 데이터.
• 데이터 전처리 (Data Preparation):
  • 결함 분류: 전체 편차의 88% 를 차지하는 상위 5 가지 결함 유형 (기공/Pore, 조립 오류/Wrongly Assembled, 블로우홀/Blow, 코어 조각/Core Bit, 분해/Disintegration) 에 집중.
  • 데이터 통합: MES 제품 데이터와 품질 편차 데이터를 연결하여 하위 코어 수준까지 추적하고, 공정 데이터 및 유지보수 데이터와 병합.
  • 불균형 해결: 결함이 없는 정상 코어 (다수 클래스) 가 압도적으로 많은 불균형 문제를 해결하기 위해 다수 클래스의 언더샘플링 (Undersampling) 기법을 적용하여 데이터를 균형 있게 재구성.
  • 전처리: 결측치 대체 (중앙값), 노이즈 제거, 원-핫 인코딩, Min-Max 정규화 수행.
• 모델링 (Modeling):
  • 알고리즘: 랜덤 포레스트 (Random Forest) 와 그래디언트 부스팅 (Gradient Boosting) 두 가지 지도 학습 (Supervised Learning) 분류 모델을 적용.
  • 데이터 분할: 학습용 80%, 테스트용 20% 로 분할.
  • 도구: Python (Scikit-learn, Pandas, NumPy 등) 사용.
• 평가 (Evaluation): 정확도 (Accuracy), 정밀도 (Precision), 재현율 (Recall), F1-Score 를 활용하여 모델 성능을 평가. 특히 품질 관리 관점에서는 재현율 (Recall, 실제 결함을 놓치지 않는 능력) 을 중시.

3. 주요 결과 (Key Results)

• 모델 성능:
  • Machine A: 랜덤 포레스트 (평균 정확도 66.2%) 가 그래디언트 부스팅 (62.4%) 보다 약간 더 높은 성능을 보임.
  • Machine B: 랜덤 포레스트 (56%) 가 그래디언트 부스팅 (54%) 보다 우세함.
  • 결함 유형별: '코어 조각 (Core Bit)' 결함 예측 시 Machine A 에서 랜덤 포레스트가 74% 의 정확도를 기록하는 등 결함 유형과 기계에 따라 성능 차이가 존재함.
• 특성 중요도 (Feature Importance) 분석:
  • 가장 영향력 있는 변수: 모래 온도 (Sand Temperature) 가 두 기계 모두에서 결함 발생에 가장 큰 영향을 미치는 핵심 변수로 확인됨.
  • 기타 중요 변수: 바인더 양, 가스 주입 시간, 코어 박스 온도 등.
  • 기계별 차이: Machine B 는 Machine A 에 비해 유지보수 간격과 사이클 시간에 더 민감하게 반응하는 것으로 나타남. 이는 기계별 맞춤형 품질 전략의 필요성을 시사함.
• 결론: ML 모델은 실제 제조 환경에서 결함 코어를 식별하고 예방하는 데 유효한 도구임을 입증함.

4. 주요 기여 (Key Contributions)

• 실무 적용 사례: 주조 산업의 복잡한 공정 (코어 제조) 에서 다중 데이터 소스 (생산, 품질, 유지보수) 를 통합하여 ML 모델을 구축한 실제 사례 (Proof-of-Concept) 제공.
• 방법론적 적용: CRISP-DM 프레임워크를 산업 현장에 성공적으로 적용하여 체계적인 데이터 기반 품질 관리 프로세스를 제시.
• 근본 원인 규명: 단순한 결함 예측을 넘어, 결함에 영향을 미치는 구체적인 공정 변수 (모래 온도, 유지보수 주기 등) 를 식별하여 공정 최적화를 위한 인사이트 제공.
• 선제적 품질 관리: 사후 검사에서 사전 예측으로의 전환을 가능하게 하여, 불필요한 폐기물 감소 및 생산 효율성 향상에 기여.

5. 의의 및 향후 방향 (Significance & Future Work)

• 의의: 이 연구는 AI/ML 기술이 전통적인 제조업의 품질 관리 방식을 혁신할 수 있음을 입증함. 특히 재현율 (Recall) 을 높여 불량품의 고객 유출을 방지하고, 정밀도 (Precision) 를 통해 불필요한 재작업을 줄이는 균형 잡힌 접근의 중요성을 강조함.
• 실무적 제안:
  • 실시간 MES 시스템과의 통합을 통한 조기 경보 시스템 구축.
  • 센서 데이터, 공정 로직, 전문가 지식을 결합한 하이브리드 접근법.
  • LSTM 과 같은 딥러닝 모델을 활용한 시계열 데이터 패턴 분석.
  • 지속적인 재학습 (Retraining) 파이프라인 구축을 통한 모델 성능 유지.
• 한계 및 과제: 데이터의 연속성 확보, 센서 통합의 기술적 난제, 조직적 준비도 (Organizational Readiness) 등이 향후 해결해야 할 과제로 지적됨.

요약하자면, 본 논문은 주조 공정의 핵심 변수를 머신러닝으로 분석하여 결함을 예측하고 예방하는 성공적인 사례를 제시하며, 제조업의 디지털 전환과 지능형 품질 관리 시스템 구축의 토대를 마련했습니다.