불균형 데이터셋에서의 다이캐스팅 공정의 불량예측 성능 연구

Abstract

본 연구는 고압 다이캐스팅 공정에서 발생하는 불량품을 예측하기 위하 여 랜덤 포레스트와 SMOTE(Synthetic Minority Over-sampling Technique) 를 통해 성능지표를 높이는 샘플링 기법의 가이드를 제공 하는것을 목표로 한다. 다이캐스팅 공정은 공정 변수의 작은 변화로도 결함이 발생할 수 있어, 실시간 데이터 분석과 예측이 필요하다. 본 연구에서는 7개월간 수집된 105,748개의 데이터를 대상으로, 다양한 공정변수들을 분석하였다. 데이터 전 처리 과정에서는 결측치와 이상치를 처리하였으며, 데이터 불균형 문제를 해 결하기 위해 SMOTE와 언더샘플링 기법을 적용하였다. 랜덤 포레스트 모델 을 사용하여 학습과 평가를 진행한 결과, SMOTE 기법을 적용한 모델이 높 은 예측 성능을 보였다. 특히, SMOTE 10%~30%의 샘플링 비율을 적용한 모델에서 높은 F1-score를 유지하는 것이 확인되었다. 본 연구는 다이캐스팅 공정의 불량 예측 정확성을 높이고, 제조 공정의 품질 관리에 기여할 수 있는 데이터 기반 접근 방안을 제시하였다. 앞으로의 연구에서는 다양한 변수와 충 분한 데이터를 추가하여 모델 성능을 더욱 개선하고, 실제 산업 현장에서의 적용 가능성을 높이는 것이 필요하다.