부산대학교 도서관

4차 산업혁명으로 제조 공정의 발전이 빠르게 이루어지면서 제조 제품의 수명 주기는 점점 짧아지고 있다. 이는 신제품 출시 주기가 점점 빨라지고 있다는 것을 의미한다. 따라서 빠르게 생산되는 신제품 주기에 맞춰 동종 설비에서 다양한 제품을 생산하는 것은 제조 공정에서 필수 요소가 되었다. 그러나 신제품은 학습 데이터가 부족한 경우가 많으며 빠르게 생산되는 신제품 출시 주기에 맞춰 신제품 수율 개선 혹은 품질 향상을 위한 불량 탐지 모델을 구축하기 어려운 경우가 대다수이다. 불량 탐지 모델을 구축하기 위해서는 충분한 데이터 확보가 필요하며 이는 큰 비용과 오랜 시간이 요구되기 때문이다. 따라서 본 연구에서는 데이터 부족한 상황에서도 효과적인 신제품 불량 탐지를 위해 전이학습 기법을 적용하고자 한다. 전이학습이란 예측하고자 하는 과업의 데이터가 충분하지 않은 경우, 다른 도메인 혹은 과거의 데이터로부터 획득한 데이터 및 모델 파라미터를 가져와 사용함으로써 현재 도메인의 진단을 효과적으로 학습할 수 있는 딥러닝 기반 기법이다. 그러나 전이학습은 두 도메인 사이의 특성이 상이할 경우 제한된 성능을 나타낸다는 한계점이 존재한다. 따라서 본 연구에서는 전이학습의 한계점을 극복하고 장점을 극대화하기 위한 방안으로 Avg D-SNE 기법을 제안하고자 한다. 이는 source domain과 target domain 간의 데이터 분포 차이를 고려하고 source domain의 지식이 효과적으로 전이되는 것을 돕는다. 본 논문에서는 실제 주조 공정의 데이터를 활용해 Avg D-SNE 기반의 전이학습 프레임워크는 빈번하게 제품이 변경되는 제조 공정에서 효과적인 불량 탐지를 위한 새로운 프레임워크로의 효과성을 입증한다.
With the rapid development of manufacturing processes due to the 4th industrial revolution, the life cycle of manufactured products is getting shorter and shorter. This means that manufacturing companies are accelerating new product launch cycles. Therefore, in the manufacturing process in line with the rapid cycle of new products, it has become an essential element of the manufacturing process to produce a variety of products in the same equipment. Therefore, most of the new products lack training data, which means that it is difficult to build a defect detection model to improve the yield or quality of the new product. It takes a lot of money and a long time to create a high-accuracy failure prediction model by securing enough data to detect defects in new products with insufficient data. Therefore, in this study, transfer learning is applied for effective new product defect detection even in the case of insufficient data. Transfer learning is a deep learning-based technique that can effectively learn the diagnosis of the current domain by using data and model parameters obtained from other domains or past data when there is not enough data for the task to be predicted. In addition, the Avg D-SNE technique is applied as a method to maximize the effect of transfer learning. This considers the data distribution difference between the source domain and the target domain and helps the knowledge of the source domain to be transferred effectively. In this paper, using data from the actual casting process, the Avg D-SNE-based transfer learning framework proves the effectiveness as a new framework for effective defect detection in the manufacturing process where products are frequently changed.