다변량 베이지안 상태공간 모델 기반 실시간 품질관리 차트

본 논문은 다변량 자동상관 및 시계열 데이터를 위한 새로운 품질관리 차트를 제시한다. 전통적인 다변량 SPC는 주로 Hotelling‑T²와 같은 평균 중심 차트에 의존하거나, 다변량 EWMA·CUSUM을 통해 공분산 변동을 별도로 감시한다. 그러나 이러한 방법들은 데이터가 독립·정규성을 만족한다는 가정에 크게 의존하며, 자동상관이 존재할 경우 오차 구조가 왜곡된다. 이를 극복하기 위해 저자는 베이지안 로컬 레벨(state‑space) 모델, 즉 다변량 랜덤 워크 형태의 평균 µₜ와 고정 공분산 Σ를 갖는 모델을 도입한다. 모델식은 yₜ = µₜ + εₜ, µₜ = µₜ₋₁ + ωₜ이며, εₜ∼N(0,Σ), ωₜ∼N(0,ΩₜΣ)이다. 여기서 Ωₜ는 할인계수 δ에 의해 정의된 스칼라이며, εₜ와 ωₜ는 서로 독립이다. 베이지안 사전 µ₀|Σ∼N(m₀,P₀Σ)를 설정하고, 순차 베이즈 업데이트를 통해 사후 µₜ|Σ, y₁:ₜ∼N(mₜ,PₜΣ)와 공분산 추정 Sₜ를 얻는다. 업데이트 식은 mₜ = δ mₜ₋₁ + Pₜ₋₁ eₜ, Pₜ = (δ⁻¹ + Pₜ₋₁)⁻¹이며, eₜ = yₜ – mₜ₋₁는 1‑step 예측 오차이다. 예측 오차 eₜ₊₁와 목표 오차 εₜ(=yₜ – µ) 모두 정규밀도 f_e와 f_ε를 갖는다. 베이즈 팩터 BF(t)=f_e(t)/f_ε(t)는 모델이 목표분포와 얼마나 일치하는지를 정량화한다. BF(t)=1이면 완벽히 일치한다는 의미이며, BF(t)>1이면 예측 오차가 목표보다 크다는 것을, BF(t)<1이면 그 반대를 나타낸다. BF(t)는 양의 실수이므로 로그 변환 LB​F(t)=log BF(t)를 사용하면 부호가 있는 실수값으로 변환된다. LB​F(t)의 분포는 자동상관에 의해 시계열적으로 종속성을 가지지만, 실험 결과는 정상 상태에서 대체로 대칭이며 정규성에서 크게 벗어나지 않는다. 따라서 수정된 EWMA 차트를 적용한다. EWMA는 Zₜ = λ·LB​F(t) + (1–λ)·Zₜ₋₁ 형태이며, λ는 0.05 정도의 작은 값이 권장된다. 이는 비정규성에 강인하고, 평균 변동에 민감하게 반응한다. 제어 한계는 평균 재발시간(ARL) 분석을 통해 설정한다. 알고리즘은 두 단계로 나뉜다. Phase I에서는 과거 데이터(N*)에 대해 DWR 모델을 적합하고, MSSE, MAPE, MAE 등으로 모델 적합도를 평가한다. 필요 시 평균 보정이나 할인계수 δ 조정을 수행한다. Phase II에서는 추정된 µ̂와 Σ̂를 목표값으로 설정하고, 실시간으로 LB​F(t)를 계산해 EWMA 차트에 투입한다. 두 사례 연구가 제시된다. 첫 번째는 런던 금속거래소(LME)에서 구리, 아연, 알루미늄의 일일 로그수익률을 사용한 3차원 시계열이다. 데이터는 강한 자동상관과 비정규성을 보였으며, 기존 Hotelling‑T² 차트는 평균 변동을 거의 탐지하지 못했다. 제안 차트는 평균·공분산·전체 분포 변동을 동시에 감시하여, 작은 변동에도 조기 경보를 제공했다. 두 번째는 플라스틱 금형 생산 라인에서 4개의 공정 변수를 측정한 시계열이며, 설비 교체와 품질 저하 시점을 정확히 포착했다. 특히 공정 전환 직후 발생한 공분산 구조 변화도 LB​F(t) 기반 EWMA 차트가 신속히 탐지했다. 논문의 주요 기여는 다음과 같다. (1) 다변량 자동상관 시계열에 베이지안 상태공간 모델을 적용해 예측 오차와 목표 오차를 정량화, (2) 베이즈 팩터의 로그 변환을 통해 복합 다변량 정보를 단일 실수값으로 압축, (3) 수정된 EWMA 차트를 이용해 비정규·상관 데이터를 효과적으로 감시함으로써 평균, 공분산, 전체 목표분포를 동시에 제어, (4) Monte‑Carlo 시뮬레이션 없이 비반복적(analytic) 추정식을 제공해 실시간 적용 가능성을 높임. 향후 연구 방향으로는 비정규 목표분포(예: 다변량 t‑분포)로의 확장, 다단계(Phase I/II) 자동화, 온라인 파라미터 적응 메커니즘, 그리고 다변량 CUSUM 차트와의 비교 분석이 제시된다. 이러한 확장은 제조·금융·공정 제어 등 다양한 분야에서 실시간 품질·위험 관리에 활용될 수 있을 것으로 기대된다.