프로세스 인식형 파이프 스풀 조달 리드타임 예측 모델

초록

본 논문은 선박 건조 현장에서 파이프 스풀의 조달 리드타임(PLT)을 예측하기 위해 정적 스펙과 조달 과정의 이벤트 로그를 결합한 하이브리드 딥러닝 프레임워크를 제안한다. 이벤트 로그에서 추출한 시간‑관련 특성을 Bi‑LSTM으로 처리하고, 정적 특성은 다층 퍼셉트론으로 변환한 뒤 최종 전결합층에서 통합한다. 실제 국내 대형 조선소 데이터를 활용한 실험에서 기존 정적 기반 모델 대비 MAE가 22.6%~50.4% 개선되는 효과를 확인하였다.

상세 분석

이 연구는 기존 조달 리드타임 예측이 파이프 스풀의 물리적·기술적 정적 속성(직경, 중량, 재질 등)만을 활용한다는 한계를 지적하고, 조달 프로세스 자체가 다수 이해관계자와 연속적인 업무 흐름으로 구성된 복합 시스템임을 강조한다. 이를 해결하기 위해 저자들은 두 종류의 데이터 소스를 정의한다. 첫 번째는 전통적인 정적 데이터셋으로, 파이프 스풀의 설계·제조 사양을 포함한다. 두 번째는 조달 과정 전반에 걸쳐 자동화된 정보 시스템에 기록되는 이벤트 로그이며, 각 이벤트는 케이스 ID, 활동명, 타임스탬프 및 부가 속성을 가진다. 이벤트 로그에서 추출한 세 가지 시간‑관련 특성(경과시간, 지연시간, 요일)은 프로세스의 연속성과 주기성을 포착한다.

모델 아키텍처는 정적 특성과 동적 특성을 각각 별도의 서브네트워크로 처리한다. 동적 특성은 Bi‑LSTM 셀을 통해 순방향·역방향 컨텍스트를 동시에 학습함으로써, 이전 단계와 이후 단계의 영향을 모두 반영한다. 정적 특성은 다층 퍼셉트론(MLP)으로 비선형 변환하여 고차원 표현으로 매핑한다. 두 서브네트워크의 출력은 최종 전결합층(Fully Connected)에서 결합되어 PLT를 회귀 예측한다. 손실 함수는 평균 절대 오차(MAE)를 최소화하도록 설계되었으며, 학습 과정에서 과적합 방지를 위해 검증 데이터셋을 활용한다.

실험은 한국의 대표적인 조선소에서 수집한 106,403건의 파이프 스풀 데이터(정적 속성 12개, 이벤트 로그 5개, 전체 이벤트 2,919,961건)를 기반으로 수행되었다. 데이터는 70% 학습, 10% 검증, 20% 테스트 비율로 분할되었다. 비교 대상은 기존 연구에서 사용된 결정트리(DT), 랜덤포레스트(RF), 회귀선형(LR), 그리고 순환 신경망(RNN, LSTM, GRU, Transformer 등)이다. 평가 지표는 MAE, RMSE, MAPE이며, 또한 모델 추론 시간(Computational Cost)도 보고하였다.

결과는 제안 모델이 모든 리드타임(생산, 후처리, 조달)에서 기존 정적 기반 모델을 크게 앞선다는 것을 보여준다. 특히 조달 리드타임 예측에서 MAE 4.66일을 기록했으며, 이는 최우수 정적 베이스라인인 DT 대비 50.4% 감소한 수치이다. RMSE와 MAPE에서도 유사한 수준의 개선이 관찰되었다. 순차 모델 중에서는 Bi‑LSTM이 가장 높은 정확도를 보였지만, Transformer와 같은 최신 모델은 비용 대비 성능이 다소 낮았다.

또한, Ablation Study를 통해 시간‑관련 특성(TRF)과 이벤트 로그 특성(EL) 각각을 제거했을 때 성능이 크게 저하되는 것을 확인하였다. TRF를 제외하면 MAE가 30% 이상 상승하고, EL을 제외하면 MAE가 두 배 이상 증가한다. 이는 프로세스의 시간적 흐름과 이벤트 맥락이 PLT 예측에 필수적임을 실증한다.

마지막으로 계산 비용 측면에서 제안 모델은 다차원 이벤트 로그와 복합 네트워크 구조 때문에 학습·추론 시간이 기존 정적 모델보다 높지만, 458초(생산)~1025초(후처리) 수준으로 실무 적용에 충분히 허용 가능한 범위이며, 정확도 향상이 비용을 정당화한다는 결론을 제시한다. 전체적으로 이 연구는 조선소와 같은 엔지니어링‑투‑오더(ETO) 산업에서 프로세스 인식형 데이터 활용이 전통적인 정적 모델을 뛰어넘는 예측력을 제공한다는 중요한 교훈을 제공한다.