🤖 machine learning

Automated Data Engineering and Feature Selection for the Case Study of Warpage Detection in Fused Deposition Modeling

본 논문은 강화 학습과 SHAP 기반의 특징 선택을 활용하여 FDM 변형 탐지를 위한 머신러닝 모델-특징 조합을 반복적으로 최적화함으로써, 베이스라인 전체 특징 구성 대비 예측 정확도와 안정성을 유의미하게 향상시키는 자동 데이터 처리 프레임워크를 제안한다.

원저자: Saleh Valizadeh Sotubadi, Nazanin Mahjourian, Vinh Nguyen

게시일 2026-07-22

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Saleh Valizadeh Sotubadi, Nazanin Mahjourian, Vinh Nguyen

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 로봇에게 완벽한 케이크를 굽는 법을 가르치려 한다고 상상해 보세요. 당신에게는 밀가루, 설탕, 달걀, 향신료, 심지어 반짝이 가루나 핫소스 같은 이상한 재료들까지 가득 담긴 거대한 팬트리가 있습니다. 또한 다양한 베이킹 레시피가 담긴 도서관 전체도 가지고 있습니다. 만약 당신이 그냥 모든 것을 그릇에 던져 넣고 결과가 잘 나오길 바란다면, 로봇은 혼란에 빠지거나 시간을 낭비하거나, 혹은 재앙 같은 결과물을 만들어낼 수도 있습니다. 이것이 바로 엔지니어들이 '스마트 제조'에서 직면하는 문제입니다. 그들은 온도계, 기계의 소리를 듣는 마이크, 제품을 관찰하는 카메라와 같은 센서로부터 방대한 양의 데이터를 얻지만, 어떤 데이터 조각이 실제로 도움이 되고 어떤 것이 그저 노이즈(잡음)인지 알지 못할 때가 많습니다.

이를 해결하기 위해 과학자들은 '머신러닝(기계 학습)'을 사용하는데, 이는 로봇에게 경험으로부터 배우는 뇌를 주는 것과 같습니다. 하지만 여기에는 함정이 있습니다. 로봇에게 너무 많은 쓰레기 데이터를 먹이면 로봇은 과부하가 걸립니다. 여기서 '설명 가능한 AI(XAI)'가 등장합니다. XAI를 로봇에게 정답만 알려주는 것이 아니라, 왜 그 정답을 선택했는지 설명하며 어떤 재료(데이터 포인트)가 가장 중요했는지를 정확히 짚어주는 아주 똑똑한 튜터라고 생각해보세요. 연구자들이 던지는 큰 질문은, 인간이 추측하지 않아도 자동으로 최적의 레시피와 최적의 재료를 찾아내는 시스템을 구축할 수 있는가 하는 점입니다.

이 논문은 3D 프린팅에서 발생하는 '워피지(warpage, 휘어짐)'라는 특정 결함을 찾아내도록 로봇을 돕는 디지털 '코치'를 만든 한 팀의 이야기를 들려줍니다. 워피지는 플라스틱 부품이 인쇄되는 동안 구부러지거나 말려 올라가는 현상을 말하며, 이는 최종 제품을 망가뜨립니다. 연구진은 '자동 데이터 처리(ADP) 프레임框架'라고 불리는 시스템을 만들었습니다. 이 프레임워크를 수천 번의 연습 드릴을 수행하는 지치지 않는 코치라고 상상해 보세요. 이 코치는 다양한 '레시피'(머신러닝 모델)와 다양한 '재료 목록'(특성 집합)의 조합을 시도합니다.

이 코치가 작동하는 방식은 다음과 같습니다. 코치는 '멀티 암드 밴딧(Multi-Armed Bandit)'이라는 게임에서 영감을 받은 전략을 사용합니다. 슬롯머신 한 줄을 상상해 보세요. 어떤 기계는 보상이 더 많이 나오지만, 레버를 당겨보기 전까지는 알 수 없습니다. 코치는 레버를 (모델을 훈련시키며) 계속해서 당깁니다. 만약 기계가 좋은 보상(높은 정확도)을 준다면, 코치는 그 조합을 기억하고 더 자주 시도합니다. 만약 실패한다면, 코치는 다음으로 넘어갑니다. 하지만 여기에는 반전이 있습니다. 코치는 'SHAP'이라는 특별한 XAI 도구를 갖추고 있습니다. 이 도구는 돋보기처럼 작동하여, 매 연습 세션이 끝난 후 로봇의 뇌를 들여다보고 어떤 재료가 실제로 핵심적인 역할을 했는지 살펴봅니다. 그러면 코치는 상위 평가를 받은 항목들만을 사용하여 더 작고 정교한 새로운 재료 목록을 만들고, 다시 연습 드릴을 시도합니다.

연구진은 이 방식을 두 가지 흔한 재료인 PLA와 ABS를 사용하여 217가지의 서로 다른 프린팅 시나리오에 테스트했습니다. 먼저 로봇이 수집한 모든 데이터를 사용하도록 했습니다. 그다음, SHAP 도구가 최적의 데이터 부분 집합을 선택하도록 했습니다. 결과는 명확했습니다. 로봇은 정제된 더 작은 재료 목록을 사용할 때 성능이 현저히 향상되었습니다. 로봇이 모든 데이터를 사용했을 때의 점수(AUC)는 0.9248이었습니다. 하지만 코치가 SHAP 도구를 사용하여 최적의 특성을 선택했을 때, 점수는 0.9731로 뛰어올랐습니다. 이는 신뢰성 면에서 큰 개선입니다.

또한 논문은 이 스마트 코치를 다른 방법들과 비교했습니다. 그들은 모든 재료를 공간 절약을 위해 일반적인 페이스트 형태로 뭉쳐버리는 것과 같은 'PCA' 기법과, 통계적 연결성을 찾는 '상호 정보량(MI)' 기법을 사용했습니다. 코치는 PCA가 프린팅 과정의 중요하고 복잡한 세부 사항들을 뭉개버리기 때문에 효과적이지 않다는 것을 발견했습니다. MI는 괜찮았지만, SHAP 도구만큼 로봇의 뇌가 가진 특정한 '개성'을 잘 이해하지 못했습니다. SHAP 방식은 일관되게 최적의 특성을 찾아냈으며, 이는 더 안정적이고 정확한 예측으로 이어졌습니다.

요약하자면, 연구진은 로봇에게 훌륭한 결과를 얻기 위해 산더미 같은 데이터를 먹일 필요가 없다는 것을 보여주었습니다. 어떤 데이터 포인트가 진정으로 중요한지를 학습하는 스마트하고 자동화된 코치를 사용함으로써, 더 빠르고, 정확하며, 이해하기 쉬운 시스템을 구축할 수 있습니다. 이 논문은 이러한 접근 방식이 스마트 제조를 더욱 효율적으로 만드는 견고한 단계라고 제안하지만, 모든 가능한 상황에서 완벽하게 작동하려면 여전히 다양한 데이터가 필요하다는 점을 언급합니다. 이것이 모든 것을 즉각 해결하는 마법 지팡이는 아닐지라도, 기계가 사물을 명확하게 볼 수 있도록 가르치는 강력하고 새로운 도구임은 분명합니다.

기술 요약: FDM 워피지(Warpage) 탐지를 위한 자동화된 데이터 엔지니어링 및 피처 선택

문제 정의
스마트 제조, 특히 적층 제조 방식인 FDM(Fused Deposition Modeling) 공정 모니터링에 머신러닝(ML)을 통합하는 과정은 상당한 난관에 봉착해 있다. 워피지 탐지와 같은 과업을 위해 고충실도 ML 프레임워크를 개발하려면 제조 공정과 ML 알고리즘 모두에 대한 광범위한 도메인 전문 지식이 필요하다. 전통적인 접근 방식은 수동 피처 추출 및 선택에 의존하는 경우가 많으며, 이는 시간이 많이 소요되고 중복이 발생하기 쉬우며 최적의 모델 성능을 저해할 수 있다. 또한, 오토ML(AutoML)이 모델 선택과 하이퍼파라미터 튜닝 측면에서 발전했음에도 불구하고, 입력 피처 선택을 위한 체계적이고 지능적인 메커니즘은 여전히 부족한 실정이다. 제조 IoT 애플리케이션에서 과도한 센서를 추가하는 것은 비용을 증가시키고 성능을 저하시킬 수 있는 반면, 핵심 센서에 집중하는 작업은 세심하고 종종 수동적인 피처 엔지니어링을 요구한다. 기존 솔루션들은 피처의 해석 가능성과 적응형 의사결정을 완전히 통합하지 못해 파편화된 파이프라인 문제를 겪는 경우가 많다.

방법론
저자들은 강화학습(RL)과 설명 가능한 AI(XAI)를 활용하여 최적의 모델-피처 조합 선택을 자동화하는 자동 데이터 처리(ADP) 프레임워크를 제안한다. 이 프레임워크는 두 가지 주요 단위로 구성된다:

의사결정 단위 (Multi-Armed Bandit): 이 단위는 멀티 암드 밴딧(MAB) 알고리즘을 사용하는 RL 에이전트로 작동한다. 에이전트는 각 "상태(state)"가 특정 ML 모델과 피처 서브셋의 구성을 나타내는 탐색 공간을 탐색한다. 에이전트는 탐험(exploration)과 이용(exploitation)의 균형을 맞추기 위해 상한 신뢰 구간(Upper Confidence Bound, UCB) 방식과 결합된 $\epsilon$ -greedy 전략을 사용하여 행동(모델-피처 쌍)을 선택한다.
분류기 단위: 이 단위는 워피지 여부(워피지 발생 vs 미발생)를 예측하기 위해 이진 분류 모델(Random Forest, XGBoost, Multi-Layer Perceptron)을 학습하고 평가한다.
- 피처 엔지니어링: 입력값에는 센서 데이터(가속도, 음향 방출, 스트레인 게이지, 열화상)에서 추출된 시간 영역 피처, 프린팅 파라미터(온도, 높이, 인필 밀도), 그리고 재료 특성이 포함된다.
- XAI 기반 피처 선택: 핵심적인 혁신 요소는 SHAP(SHapley Additive exPlanations)의 통합이다. 전체 피처 세트를 사용하여 초기 학습을 수행한 후, 특정 모델의 학습된 동작에 기반하여 피처 중요도를 순위화하기 위해 SHAP을 적용한다. 그 후, 프레임워크는 가장 정보량이 많은 서브셋을 식별하기 위해 상위- $k$ 순위 피처만을 사용하여 모델을 반복적으로 재학습한다.

프레임워크는 다음과 같은 반복 루프를 통해 작동한다:

전체 피처 세트를 사용하여 ADP를 실행하고 기초 Q-값을 설정한다.
X-AI(SHAP)를 적용하여 피처 순위를 매긴다.
XAI 순위에 따라 상위- $k$ 피처를 선택한다.
Q-값을 업데이트하고 최적의 정책에 수렴하기 위해 선택된 축소 피처 서브셋을 사용하여 ADP를 재실행한다.

보상 함수는 정확도(Accuracy)와 F1-score의 가중치 결합이며, Q-값 업데이트를 안정화하기 위해 시그모이드 함수를 통해 변환된다.

주요 기여

ADP-XAI 프레임워크: 제조 분야의 ML 모델 성능을 최적화하기 위해 RL 기반의 정책 업데이트와 SHAP 기반의 피처 선택을 통합한 자동화된 프레임워크를 개발하였다.
직관적인 피처 선택: 단순한 통계적 피처 선택(PCA 등)을 넘어, 학습된 모델의 예측 동작에 특화된 피처 서브셋을 도출하기 위해 모델 불가지론적(model-agnostic) XAI를 사용한다.
체계적 평가: FDM 공정에서 유도된 217개의 데이터셋을 통해 제안된 ADP-XAI 접근 방식을 전체 피처 구성 및 다른 피처 선택 방법(PCA 및 Mutual Information)과 비교하여 종합적으로 평가하였다.

결과
본 연구는 다양한 조건 하의 PLA 및 ABS 출력을 통해 수집된 217개의 데이터셋을 활용하였다. 결과는 제안된 프레임워크의 효능을 입증한다:

성능 향상: SHAP으로 선택된 피처를 활용한 ADP 프레임워크는 테스트 세트의 AUC(Area Under the Curve)를 0.9248(전체 피처 기준 베이스라인)에서 0.9731로 향상시켰다.
보상의 안정성: 평균 보상 값은 베이스라인 전체 피처 구성 대비 50% 이상 증가하였다. 최적 상태(State 4)는 SHAP 피처를 사용할 때 0.5469의 최종 Q-값을 달성하여, 전체 피처 사용 시의 0.4317보다 높은 수치를 기록했다.
피처 선택 비교:
- SHAP vs. PCA: PCA는 성능 개선에 실패하였는데, 이는 FDM 프로세스 데이터에 내재된 비선형 의존성을 포착하지 못하는 선형적 특성 때문인 것으로 보인다.
- SHAP vs. Mutual Information (MI): MI는 더 큰 피처 세트( $k \ge 20$ )에서 개선을 보였으나, SHAP은 특히 낮은 피처 수( $k < 20$ )에서 MI를 지속적으로 능가하였다. SHAP은 모델의 특정 예측 동작과 비선형 상호작용을 고려함으로써 더 차별적인 서브셋을 식별해 낸 반면, MI는 모델과 독립적인 통계적 의존성에 의존하기 때문이다.
수렴: 프레임워크는 1000번의 반복 내에 최적 정책으로 수렴하였으며, State 4(Random Forest와 SHAP 선택 피처의 조합)가 가장 견고한 구성으로 나타났다.

의의 및 주장
본 논문은 제안된 ADP 프레임워크가 데이터 집약적인 제조 시나리오에서 모델 선택을 위한 확장 가능하고 자동화된 솔루션을 제공한다고 주장한다. XAI 역량을 통합함으로써, 이 프레임워크는 예측 정확도와 안정성을 향상시킬 뿐만 아니라 모델의 해석 가능성을 높인다. 저자들은 SHAP을 활용함으로써 시스템이 충실도를 저하시키지 않으면서도 물리적으로 의미 있고 차별화된 피처 서브셋을 식별할 수 있다고 단언한다.

본 연구는 "지능적이고 자기 개선적인 데이터 파이프라인"을 향한 단계로 이 작업을 위치시킨다. 다만, 저자들은 프레임워크의 정확도가 데이터의 품질과 다양성에 의존한다는 점을 인정하며 신중한 태도를 유지한다. 또한 현재의 테이블형 RL 방식은 탐색 공간이 확장됨에 따라 계산적 한계에 직면할 수 있음을 언급하며, 향-후 반복 연구에서는 더 복잡한 제조 환경을 다루기 위해 딥러닝 기반 RL 방법과 다중 모달(multi-modal) 데이터 통합(예: 시계열, 2D 이미지, 3D 포인트 클라우드의 결합)이 필요할 것이라고 제언한다.

유사한 논문