기술 요약: 실 품질 예측을 위한 PFN (Process-Oriented Fusion Network)

문제 정의

다중 재료, 다단계 제조 공정에서 실(yarn)의 품질을 예측하는 것은 입력 데이터의 구조적 복잡성으로 인해 독특한 과제를 안겨줍니다. 일반적인 공정 데이터와 달리, 실 배치(batch)를 위한 원재료 입력은 고유한 **집합 구조(set structure)**를 가집니다. 즉, 서로 다른 배치들은 다양한 수와 조합의 재료를 포함하며, 이러한 재료들의 기록 순서는 물리적 의미를 갖지 않습니다. 또한, 각 재료는 여러 가지 섬유 속성과 명목 혼합 비율(nominal blending ratio)을 특징으로 합니다.

기존의 품질 예측 방법들은 다음과 같은 이유로 이러한 복잡성을 적절히 해결하지 못하는 경우가 많습니다:

1. 가변 길이의 재료 조합을 고정된 길이의 기술자(descriptor)로 압축함으로써, 구성 요소 수준의 정보를 손실합니다.
2. 명목 혼합 비율을 고정된 집계 가중치로 취급하여, 샘플별 기여도의 잠재적 가능성을 무시합니다.
3. 공정 변수를 전역적으로 융합하여, 상류 조건(재료 집계 전 작용)과 하류 조건(재료 집계 후 작용)을 구분하지 못합니다.

핵심 문제는 다중 재료 입력의 집합 구조를 보존하고, 명목 혼합 비율을 고정된 규칙이 아닌 예측적 사전 정보(predictive priors)로 통합하며, 재료 집계 위치에 따른 공정 정보의 차이를 구별하는 통합 프레임워크를 개발하는 것입니다.

방법론: 공정 지향 융합 네트워크 (PFN)

제안된 **PFN(Process-Oriented Fusion Network)**은 순서가 없고 가변적인 길이의 재료 집합과 단계별 공정 조건을 처리하기 위해 설계된 4단계 아키텍처를 통해 이러한 과제를 해결합니다.

1. S1-Modulation: 공정 조건 기반 재료 임베딩

$N$개의 재료를 포함하는 원재료 집합에 대해, 각 재료의 속성 벡터는 먼저 잠재 공간(latent space)으로 매핑됩니다. PFN은 상류 공정 조건을 모든 재료에 전역적으로 결합하는 대신, **특징별 선형 변조(Feature-wise Linear Modulation, FiLM)**를 채택합니다. 상류 공정 벡터는 샘플별 스케일링($\gamma_c$) 및 시프팅($\beta_c$) 벡터로 매핑되어 재료 임베딩을 요소별로 변조합니다. 이를 통해 상류 조건이 상호작용이 일어나기 전 재료 수준의 표현에 영향을 미칠 수 있도록 합니다.

2. 재료 상호작용 (Material Interaction)

변조된 재료 임베딩은 **멀티 헤드 어텐션 인코더(Multi-Head Attention Encoder)**를 사용하여 순서가 없는 집합으로서 처리됩니다. 이 메커니즘은 재료 간의 문맥적 상호작용을 모델링하며, 한 재료의 예측적 역할이 동반되는 재료들에 의해 달라질 수 있음을 인정합니다. 유효성 마스크(validity mask)는 가변 길이 처리를 위해 사용된 패딩(padded) 위치가 어텐션 계산에서 제외되도록 보장합니다.

3. 사전 가이드 비율 재추정 (Prior-Guided Ratio Re-estimation)

이는 생산 지식과 학습된 유연성 사이의 균형을 맞추는 핵심 혁신 요소입니다.

• 사전 정보 유지: 명목 혼합 비율은 참조 분포(prior)로서 유지됩니다.
• 재추정: 스코어링 네트워크는 상호작용이 강화된 재료 표현을 기반으로 보정 점수(correction scores)를 생성합니다.
• 가중치 계산: 최종 예측 가중치는 명목 비율의 로그값과 학습된 보정 점수를 결합한 후, Softmax 연산을 통해 계산됩니다.
• 정규화: 명목 조성으로부터의 과도한 이탈을 제한하기 위해 쿨백-라이블러(KL) 발산 항($L_{prior}$)이 손실 함수에 추가됩니다. 이는 모델이 생산 사전 정보를 버리지 않으면서도 샘-플별 조정을 허용하도록 보장합니다.

4. S2-Injection 및 품질 예측

재료 집합이 재추정된 가중치를 사용하여 샘플 수준의 잠재 상태로 집계된 후, 하류 공정 조건이 주입됩니다. 상류 단계와 유사하게, Fi-LM 유닛은 하류 방사 설정(예: 드래프트 비, 꼬임 등)을 바탕으로 집계된 샘플 표현을 변조합니다. 마지막으로, 예측 헤드가 스칼라 품질 지표를 생성합니다.

학습 목적 함수는 회귀를 위한 Smooth L1 손실과 사전 정규화 항을 결합합니다.

주요 기여

1. 공정 지향적 프레임워크: 가변 길이의 재료 입력을 가진 집합 구조를 보존하고 상류 및 하류 공정 조건을 구분함으로써, 재료 입력을 단일 고정 길이 벡터로 평탄화하는 문제를 피하는 새로운 품질 예측 아키텍처를 제시합니다.
2. 사전 가이드 비율 재추정: 명목 혼합 비율을 불변의 가중치가 아닌 참조 분포로 취급하는 메커니즘입니다. 이는 정규화 하에서 타겟 관련 보정 점수를 학습하여, 생산 사전 정보를 존중하면서도 특정 샘플 특성에 적응할 수 있게 합니다.
3. 단계별 공정 컨디셔닝: 재료 수준의 표현을 상류 조건으로 변조하고, 샘플 수준의 표현을 하류 조건으로 변조하여 제조 공정의 물리적 실체를 반영하는 전략을 제안합니다.
4. 실증적 검증: 1,510개의 실(yarn) 배치에 대한 실제 산업 데이터셋을 통해 모델을 검증하였으며, 다양한 품질 지표에 대해 그 효과를 입증하였습니다.

실험 결과

PFN은 중국의 한 색사(color-spun yarn) 기업으로부터 얻은 1,510개의 생산 기록을 대상으로 강도(Strength), 슬라이버 변동 계수(Sliver CV%), 절단 신도(Breaking Elongation), **모사(Hairiness)**의 네 가지 품질 지표를 평가했습니다. 이는 전통적인 통계 방법(LR, SVR), 일반적인 딥러닝 모델(ANN, 1D-CNN, Attention-GRU), 그리고 도메인 특화 모델(E-YQP, DGO-Predictor)과 비교되었습니다.

• 최고 성능: PFN은 강도($R^2 = 0.9185$), 슬라이버 CV%($R^2 = 0.7887$), 절단 신도($R^2 = 0.8093$)에서 가장 우수한 종합 결과를 달성하며 E-YQP를 포함한 모든 베이스라인을 능가했습니다.
• 한계점: PFN은 모사(Hairiness) 작업에서 E-YQP($R^2 = 0.5094$ 대비 $R^2 = 0.4553$)를 앞서지 못했습니다. 저자들은 이를 사용 가능한 구조적 입력의 작업 의존적 특성 때문으로 보며, 모사와 관련된 변화를 효과적으로 포착하기 위해서는 표면 형태나 시각적 정보가 필요할 수 있음을 시사합니다.
• 절제 연구(Ablation Studies): 재료 상호작용, 비율 재추정 또는 공정 컨디셔닝과 같은 핵심 구성 요소를 제거하면 강도, 슬라이버 CV%, 절단 신도에 대한 성능이 일관되게 저하되었으며, 이는 각 모듈의 필요성을 확인시켜 줍니다. 특히 모사의 경우, 일부 절제 변형 모델이 더 나은 성능을 보였는데, 이는 현재의 구조적 표현이 해당 지표에는 덜 효과적이라는 결론을 뒷받 p니다.
• 민감도 분석: 사전 제약 계수($\lambda$)가 매우 중요하다는 것이 밝혀졌으며, 적절한 값($\lambda = 0.1$)이 명목 비율 준수와 샘플별 보정 허용 사이의 최적의 균형을 제공했습니다.

의의 및 주장

본 논문은 재료 구성을 집합으로 취급하고 공정 조건을 단계별 입력으로 다룸으로써, 다중 재료/다단계 제조의 구조적 과제를 PFN이 효과적으로 해결한다고 주장합니다. 결과는 기계적 특성과 균일성을 예측하기 위해 재료 집합, 명목 혼합 비율 사전 정보, 그리고 단계별 공정 정보를 결합하여 모델링하는 것의 유효성을 뒷받침합니다.

그러나 저자들은 모델의 일반화 가능성에 대해 신중한 입장을 유지합니다:

• 재추정된 가중치는 수정된 물리적 혼합 레시피나 인과적 재료 기여도가 아니라, 타겟과 관련된 내부적 예측량으로 해석됩니다.
• 성능 우위는 작업 의존적입니다(모사 결과에서 확인됨).
• 결론은 현재 특정 기업의 데이터와 4가지 품질 지표로 제한됩니다. 다른 제조 환경에 대한 적용 가능성이나, 추가적인 데이터 유형(예: 시각 정보) 없이 모사를 예측할 수 있는지 여부는 추가 검토가 필요합니다.