Ahanpishegan사의 결함 탐지를 위한 데이터 마이닝 알고리즘 비교 연구

초록

본 논문은 Ahanpishegan 기업의 생산 데이터에 열·물리적 특성을 결합하여 결함(폐기 부품) 여부를 예측하고, Decision Tree, SVM, Naïve Bayes, Random Forest, 인공신경망 등 다섯 가지 데이터 마이닝 알고리즘의 정확도를 비교한다. 실험 결과는 Random Forest가 가장 높은 정확도와 안정성을 보였으며, 이를 통해 생산 라인의 가용성을 향상시키고 사전 예방 정비 전략을 수립할 수 있음을 제시한다.

상세 분석

본 연구는 산업 현장에서 발생하는 결함 데이터를 활용해 사전 예측 모델을 구축하고, 알고리즘별 성능을 정량적으로 비교함으로써 실용적인 유지보수 의사결정 지원 도구를 제공한다는 점에서 의미가 크다. 먼저 데이터 전처리 단계에서 결측값 보완, 이상치 제거, 그리고 열특성(예: 온도, 열전도도)과 물리특성(예: 재질 강도, 두께)이라는 두 축을 통합한 피처 엔지니어링을 수행하였다. 이는 단일 피처만을 이용했을 때보다 모델의 분별력이 크게 향상된다는 기존 연구와 일치한다.

알고리즘 선택은 전통적인 통계 기반 모델(Naïve Bayes)과 커널 기반 모델(SVM), 트리 기반 모델(Decision Tree, Random Forest), 그리고 비선형 함수 근사에 강점이 있는 인공신경망(MLP)으로 구성하였다. 각 모델은 10‑fold 교차 검증을 통해 과적합을 방지하고, 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1‑Score 등 네 가지 주요 지표를 산출하였다.

실험 결과 Random Forest가 전체 지표에서 평균 93 % 이상의 정확도를 기록하며 가장 우수한 성능을 보였다. 이는 다수의 결정 트리를 앙상블하여 변수 간 상호작용을 효과적으로 포착하고, 과적합 위험을 감소시키는 구조적 장점 때문이다. SVM은 커널 선택에 따라 성능 변동이 크며, 특히 비선형 데이터에 강점을 보였지만 학습 시간과 파라미터 튜닝 비용이 높았다. Naïve Bayes는 빠른 학습 속도와 해석 용이성에도 불구하고, 피처 간 독립성 가정 위반으로 정확도가 78 % 수준에 머물렀다. 인공신경망은 충분한 학습 에포크와 적절한 레이어 구성을 통해 85 % 수준의 정확도를 달성했지만, 하이퍼파라미터 최적화가 복잡하고 재현성이 낮은 편이었다. Decision Tree는 단일 트리 구조의 직관성 때문에 현장 엔지니어가 결과를 이해하기 쉬웠으나, 과적합 경향으로 인해 테스트 데이터에서 성능이 급격히 저하되는 문제가 있었다.

또한, 모델별 오류 유형 분석을 통해 False Negative(실제 결함이지만 정상으로 예측) 비율이 높은 모델은 유지보수 비용 증가와 직접적인 연관이 있음을 확인하였다. Random Forest는 False Negative 비율을 최소화함으로써 사전 예방 정비의 효율성을 극대화할 수 있었다.

결론적으로, 데이터 품질 확보와 피처 엔지니어링이 예측 성능에 미치는 영향이 크며, 다중 트리 앙상블 방식이 산업 현장의 복합적인 변수 관계를 효과적으로 모델링한다는 점을 강조한다. 향후 연구에서는 실시간 스트리밍 데이터와 온라인 학습 기법을 결합해 결함 탐지 시스템을 실시간으로 업데이트하는 방안을 모색할 필요가 있다.