딥러닝을 사용한 최적 재고를 위한 부품 소요 예측 = Deep Learning-Based Prediction of Component Demand for Optimal Inventory Management

국문 초록 (Abstract)

유지보수 산업은 고액의 부품 재고로 인한 자본 소모나 낮은 재고로 인한 고객 요구에 대한 부적절한 대응과 같은 과제를 직면하고 있다. 이에 AI가 서비스 공급망에서 활용되어 부품 수요 예측의 정확성을 향상하는 데 활용되고 있다. 이 연구에서는 4개 기종의 100대 기계로부터 1년 동안 1시간 간격으로 수집된 센서 데이터로 이루어진 Microsoft Azure 예측 유지보수 데이터를 분석하였다. 새로운 손실함수와 함께 합성곱 신경망(CNN) 기반의 딥러닝 기법을 사용하여 장비 센서 데이터를 예측하고, 장비의 노화 및 부품 유지보수 기록을 수요 예측에 통합하였다. 본 연구에서 제안된 CNN 기반 모델은 다른 기계 학습(machine learning) 및 순환 신경망(RNN) 기반 모델보다 우수한 성능을 보여주며, 시계열 데이터의 학습 및 예측에 뛰어난 성과를 달성하였다. 이전의 랜덤 포레스트 모델과 비교하여, 본 연구에서 제안된 CNN 기반 모델은 정확도 약 13% 향상, 재현율 약 249% 향상, F1 점수 약 129% 향상을 보였다. 또한, RNN 기반 모델보다 MSE, RMSE, MAPE의 오류율이 크게 감소했다. MSE는 5.93%, RMSE는 21.45%, MAPE는 67.08% 감소했다. 이러한 상당한 개선은 부품 교체와 같이 높은 재현율이 필요한 수요 예측에 특히 중요한 의미가 있다. 또한, 제안된 방법은 99.9%의 높은 정확도(accuracy)와 98.9%의 재현율(recall)을 달성하였으며, 산업용 기계 장비의 고장 및 부품 수요를 정확하게 예측하기에 적합함을 나타냈다.

목차 (Table of Contents)

• I. 서론 1
• II. 이론적 배경 4
• 2.1 순환 신경망 5
• 2.2 장단기 메모리 5
• 2.3 게이트 순환 단위 6
• 2.4 합성곱 신경망 6
• 2.5 DeepAR 7
• 2.6 랜덤 포레스트 7
• III. 연구방법 9
• 3.1 소스 데이터 9
• 3.2 데이터 전처리 10
• 3.3 탐색적 데이터 분석 12
• 3.4 1D 데이터 학습 18
• 3.5 2D 데이터 학습 21
• 3.6 멀티 채널 2D 데이터 학습 25
• 3.7 정비 이력 및 장비 연식 정보 변수 활용 29
• 3.8 최종 시계열 예측 출력 모델 구조 30
• 3.9 고장 예측 모델 학습 31
• IV. 연구 결과 35
• 4.1 예측된 미래 시계열 데이터의 고장 발생 여부 예측 35
• 4.2 모델 성능 비교 37
• 4.3 고장 발생 여부 예측을 통한 재고 수요 예측 39
• V. 고찰 42
• VI. 결론 44