RISS 검색 - 학위논문 상세보기

다국어 초록 (Multilingual Abstract)

This study has developed an effective anomaly detection model that overcomes the limitations of traditional methods and includes various production paths and execution time information, in response to complex production processes within a smart factory environment. For this purpose, it proposes a methodology that utilizes dynamic recurrent neural networks to accurately model changing processes and predict potential anomalies.
Particularly, this methodology contributes to process prediction and optimization by learning patterns from real-time data, and it can identify specific issues such as exceeding the average time required for assembly processes. The effectiveness of this methodology has been validated through experiments conducted under various production processes and conditions in smart factories, and it is expected to contribute to enhancing the competitiveness and product quality in the manufacturing industry.
The potential for enhancing process transparency and efficiency has been identified through the application of process mining techniques and process mining project methodology (PMPM). In the process mining analysis phase, the focus was on analyzing event log data to identify bottlenecks and observe exceptional cases.
The process data extracted in the analysis phase were subsequently applied to three major deep learning algorithms adopted in this study: DNN (deep neural network), LSTM (long short-term memory), and Bi-LSTM (bidirectional long short-term memory). Each algorithm's strengths and weaknesses were considered in the analysis, enabling the prediction of the total duration of the manufacturing process. Deep learning learns complex data patterns through multi-layer artificial neural networks, while LSTM and Bi-LSTM effectively handle long-term dependencies in sequence data using gate mechanisms. Particularly, Bi-LSTM is capable of recognizingmore complex patterns through bidirectional information.
The performance of these models was evaluated using various metrics including accuracy, precision, recall, F1 score, and loss function. DNN and LSTM showed excellent performance, while Bi-LSTM demonstrated somewhat lower performance. It was revealed that the differences in performance could be influenced by various factors, including data complexity, noise, and sequence length.
This research represents performance under limited conditions, therefore, further studies in various environments are necessary. Particularly, Bi-LSTM requires improvements in performance through hyperparameter tuning and structural optimization. Moreover, as optimal performance is not guaranteed in all situations, research on the appropriate model selection and parameter tuning is crucial. Future research directions include applying this study's approach to predicting various process behaviors and performance indicators.
This will include research on solving the overfitting problem, improving prediction performance through the integration of unstructured data, enhancing the stability of predictions with cross-validation and ensemble techniques, and studying early detection and response strategies for anomalies.
The development of a real-time data streaming anomaly detection and early warning system using the model developed in this study will be an important direction for future research. The results of this research have high applicability in various industries, including manufacturing, and can be used for anomaly prediction and root cause analysis, necessitating further in-depth research.

번역하기

국문 초록 (Abstract)

본 연구는 지능형 스마트팩토리 환경에서 복잡한 생산 프로세스에 대 응하기 위해, 전통적인 이상 탐지 방식의 한계를 극복하고 다양한 생산 경로 및 실행 시간 정보를 포함하는 효과적인 이상 상황 탐지 모델을 개 발하였다. 이를 위해, 동적 순환신경망을 활용하여 변화하는 프로세스를 정확하게 모델링하고 잠재적 이상 상황을 예측할 수 있는 방법론을 제안 한다. 특히, 이 방법론은 실시간 데이터의 패턴을 학습하여 프로세스 예측 및 최적화에 기여하며, 조립 공정의 평균 소요 시간 초과와 같은 구체적 인 문제를 식별할 수 있다. 실험을 통한 방법론의 효과성 검증은 스마트 팩토리의 다양한 생산 공정과 조건 하에서 수행되었으며, 이를 통해 제 조 산업의 경쟁력과 제품 품질 개선에 기여할 것으로 기대된다. 프로세스 마이닝 기법과 프로세스 마이닝 프로젝트 방법론(process pining project methodology, PMPM)을 통해 프로세스의 투명성 향상 및 효율성 증대의 잠재력을 확인하였다. 프로세스 마이닝 분석 단계에서는 이벤트 로그 데이터를 분석하여 병목 현상을 식별하고 예외적 사례를 관 찰하는데 주안점을 두었다. 분석 단계에서 도출된 프로세스 데이터는 이후 본 연구에서 채택한 세 가지 주요 딥러닝 알고리즘인 DNN(deep neural network) , LSTM(long short-term memory), 그리고 Bi-LSTM(bidirectional long short-term memory)에 적용되어 각각의 장단점을 고려하여 분석되었고 그 결과로 서 전체 제조 프로세스 소요 시간을 예측할 수 있었다. 딥러닝은 다층 인공 신경망을 통해 복잡한 데이터 패턴을 학습하며, LSTM과 Bi-LSTM은 시퀀스 데이터의 장기 의존성을 게이트 메커니즘 을 통해 효과적으로 처리한다. 특히, Bi-LSTM은 양방향 정보를 통해 더 복잡한 패턴 인식이 가능하다. 상기 모델들의 성능은 정확도, 정밀도, 재현율, F1 스코어 및 손실 함 수를 포함한 다양한 지표를 사용하여 평가되었다. DNN과 LSTM은 우 수한 성능을 보였지만, Bi-LSTM은 다소 낮은 성능을 보였다. 성능 차이 는 데이터의 복잡성, 노이즈, 시퀀스 길이 등 여러 가지 요소에 의해 영 향을 받아 변화할 수 있다는 점을 밝혀내었다. 이 연구는 제한된 조건 하에서의 성능을 나타내므로, 향후 다양한 환 경에서의 추가 연구가 필요하며, 특히 Bi-LSTM은 하이퍼파라미터 튜닝 과 구조 최적화를 통해 성능을 개선할 필요가 있다. 또한, 모든 상황에서 최적의 성능을 보장하지 않으므로, 적합한 모델 선택과 파라미터 튜닝에 대한 연구가 중요하다. 향후 연구 방향은 다양한 프로세스 행동과 성과 지표 예측에 본 연구의 접근법을 적용하는 것을 포함한다. 이는 과적합 문제 해결, 비정형 데이터 통합을 통한 예측 성능 향상, 교차 검증 및 앙상블 기법을 적용한 예측의 안정성 증진, 이상 징후의 조 기 발견 및 대응 전략에 대한 연구를 포함할 것이다. 본 연구에서 개발된 모델을 활용한 실시간 데이터 스트림에서의 이상 징후 감지 및 조기 경보 시스템 구축은 향후 연구의 중요한 방향이 될 것이다. 이 연구의 결과는 제조업을 비롯한 여러 산업 분야에서의 적용 가능성이 높으며, 이상 징후 예측 및 그 원인 파악에 활용될 수 있어, 더 욱 깊이 있는 연구가 진행될 필요가 있다.

번역하기

본 연구는 지능형 스마트팩토리 환경에서 복잡한 생산 프로세스에 대 응하기 위해, 전통적인 이상 탐지 방식의 한계를 극복하고 다양한 생산 경로 및 실행 시간 정보를 포함하는 효과적인 ...

목차 (Table of Contents)