Skip to content

2022년 2학기 팀 프로젝트 : 도금공정 데이터 셋 분석(k-인공지능 제조데이터 분석 경진대회)

Notifications You must be signed in to change notification settings

shinho123/K-Artificial-Intelligence-Electronic-Manufacturing-Data-Analysis-Competition-plating-process-

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

23 Commits
 
 
 
 
 
 

Repository files navigation

K-Artificial-Intelligence-Electronic-Manufacturing-Data-Analysis-Competition-plating-process-

2022년 k-인공지능 제조데이터 분석 경진대회 - 도금욕 설비 데이터를 이용한 품질 이상 탐지 및 진단

프로젝트 수행기간 : 2022.09.10 ~ 2022.10.21

팀원 : 김신호, 박가문날비, 김진홍

역할 : 코드 작업, 모델 개발, 디버깅 작업 수행

분석 동기 :

  • 도금은 품질관리가 매우 까다롭고 반도체 산업에서 제품의 수명을 늘려주는 핵심 산업으로 공정의 최적화가 중요함
  • 중소기업의 스마트팩토리 수준을 높이기 위해 도금욕 공정의 효율적인 품질 예측 모델이 필요함

분석 목표 :

  • 도금욕 공정에서 발생하는 공정데이터와 품질데이터 간의 상관관계를 분석하고 주요 원인인자를 분석함
  • 공정 요소들의 적정 범위를 정하여 품질 예측 모델을 생성함

도금이란?

image

  • 물건의 표면 상태를 개선 또는 내구성을 강화할 목적으로 다른 물질의 얇은 층으로 피복하는 작업

전기도금

image

  • 도금욕 설비에서는 도금 중에서도 전기도금을 이용
  • 전기도금이란 전착의 원리를 이용하여 제품의 표면에 금속의 피막을 부여
  • 도금욕이란 도금액이 도금조 내에 들어 있는 상태를 의미하며 실제 도금이 진행되는 작업

도금의 문제

  • 도금공정의 용액의 농도와 온도가 높을수록 화재•폭발 위험이 있음
  • 도금공정에서 대량의 물이 사용되어 온도 조절이 어려움
  • 전압•전류에 관련된 설비 조작이 체계적이지 않고 경험에 의존하여 진행되고 있음
  • 공정설비와 관련된 다양한 데이터를 수집하고 있으나 활용하지 못하여 품질 관리에 어려움을 겪음
  • 해결 방안 : 도금 공정에서 발생하는 데이터를 기반으로 공정에서 발생하는 문제를 파악하고 공정 운영 최적화, 품질 예측 등에 품질 예측 모델을 적용

EDA(1/6) - dataset preview

image

  • 도금욕 데이터셋은 결측치를 자동으로 채우고 있어 에러 데이터 셋이 따로 존재함
  • 데이터 전처리 후 에러데이터와 병합이 필요함

EDA(2/6) - data describe(1/2)

image

  • pH : 평균에 비해 매우 큰 값이 있음
  • Temp : 평균에 비해 매우 낮은 값이 있음
  • Current : 평균에 비해 매우 낮은 값이 있음
  • Voltage : 평균에 비해 매우 낮은 값이 있음

EDA(3/6) - data describe(2/2)

image

EDA(4/6) - Xdata preview

image

  • 앞의 데이터를 전처리 후 에러데이터와 병합
  • Xdata를 이용하여 Train data와 Test data를 분리(test : train - 8:2)

EDA(5/6) - Xdata describe(1/2)

image

  • Xdata 이전 데이터와 에러 데이터를 병합하여 모델 학습에 적합하도록 데이터를 생성
  • Current : 평균에 비해 큰 값이 있음
  • pH : 평균에 비해 매우 큰 값이 있음
  • Temp : 평균에 비해 매우 큰 값, 작은 값이 있음
  • Voltage : 평균에 비해 매우 낮은 값이 있음

EDA(6/6) - Xdata describe(2/2)

image

  • Correlation
  • pH - Current
  • pH – Voltage
  • 선형적인 상관관계는 보이지 않음

Modeling(1/3)

image

Modeling(2/3)

image

Modeling(3/3)

image

Conclusion

  • 본 프로젝트에서는 중소기업의 스마트팩토리 수준을 높이고 도금욕 공정의 효율적인 품질 예측을 위해 다음과 같은 분석 목표를 가짐
  • 도금욕 공정에서 발생하는 공정데이터와 품질데이터 간의 상관관계를 분석하고 주요 원인 인자를 분석
  • 공정 요소들의 적정 범위를 정하여 품질 예측 모델을 생성 후 성능 검증
  • Modeling : 머신러닝 (DecisionTree, RandomForest, XGBoost)과 Autokeras 모델을 구현하고 ConfusionMatrix, ROC curve 로 성능을 평가한 결과, 분류 성능이 모두 우수함
  • Tree 기반의 머신러닝 모델의 VI를 통해 총 2개의 변수가 양/불량품 예측에 있어 중요한 변수로 도출되었음
    • pH (전해액의 pH농도)
    • Voltage (전압 측정값)
  • 도금공정은 다양한 분야에서 사용되기 때문에 해당 데이터셋의 모델을 조금만 변형하면 다양한 공정에서도 품질 관리를 쉽게 할 수 있음

About

2022년 2학기 팀 프로젝트 : 도금공정 데이터 셋 분석(k-인공지능 제조데이터 분석 경진대회)

Topics

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published