756641_ko-KR

liliconcom

제조업에서의 데이터 마이닝 도구 및 응용 프로그램(2021-EU-30MP-770)

Yassir EL HOUSNI, R&D 엔지니어/데이터 과학자, Saint Gobain Research Provence
Mickael Boinet, Saint-Gobain Research Provence의 스마트 제조 그룹 리더

R&D, 생산, 품질 및 유지 보수와 같은 여러 부서에서 데이터 프로젝트를 진행하려면 진행을 위해 단계별 접근 방식을 취해야 합니다. 이러한 이유로 데이터베이스 지식 발견(KDD) 방법론과 Six Sigma 철학을 기반으로 하는 프로토콜이 구현되었습니다. JMP를 지원 도구로 사용하는 이 프로토콜의 실제 사례 연구가 이 논문에 제시됩니다. 다음 단계가 사용되었습니다: 데이터 전처리, 데이터 변환 및 데이터 마이닝. 이 사례 연구의 목표는 통계 분석을 통해 특정 제품의 기술적 수율을 발전시키는 것이었습니다. 프로세스의 복잡성(화학, 전기, 열 및 시간과 같은 다중 물리 현상)으로 인해 이 접근 방식은 물리적 해석과 결합되었습니다. 이 논문에서는 데이터 집계(100개 이상의 센서에서 발생)에 대해 설명합니다. 수율을 설명하기 위해 예측 모델링 접근 방식으로 의사 결정 트리 학습을 사용했습니다. 의사 결정 트리 학습은 데이터 마이닝에서 일반적으로 사용되는 방법입니다. 목표는 여러 입력 변수를 기반으로 대상 변수의 값을 예측하는 모델을 만드는 것입니다. 우리의 경우, 세 가지 입력 변수를 기반으로 한 모델을 사용하여 수확량을 예측했습니다.

자동 생성된 대본...

스피커	성적 증명서
야시르 엘 후스니	안녕하세요.
	저는 Saint-Gobain Research Provence의 스마트 제조 팀에서 R&D 엔지니어이자 데이터 과학자로 일하는 야시르 엘 하우스니입니다.
	프랑스, 카바이용에서.
	저희는 세라믹 소재 사업부를 담당하고 있습니다. 이 글에서는 두 가지 사항을 다룹니다. 첫째, 제조업체 데이터 프로젝트에 대해 저희가 제안하는 데이터 프로젝트 수명 주기를 소개합니다.
	그리고 두 번째로는 계속하겠습니다.
	생고뱅 소재의 두 가지 사용 사례를 소개합니다...세라믹 소재 산업.
	R&D, 생산, 품질, 유지보수 등 다양한 부서에서 데이터 프로젝트를 진행하려면 진행 상황을 파악하기 위해 단계별 접근 방식이 필요합니다.
	데이터베이스 방법론의 지식 발견과 6시그마 철학(DMAIC라고도 함)은 정의, 측정, 분석, 개선, 제어를 의미합니다.
	이 무한 루프에서는 데이터 분석 프로젝트를 올바르게 관리하기 위해 따라야 할 7가지 단계를 정의합니다. 모든 단계에서 프로세스를 정확히 이해하도록 노력합니다. 산업계에서 성공적인 데이터 프로젝트를 위해서는 프로세스의 관련성이 매우 중요하다고 믿기 때문입니다.
	예를 들어, 프로세스의 변화를 감지하기 위해 SIPOC 또는 흐름도 맵을 사용하고, 변화의 원인을 감지하기 위해 ??? 또는 이시카와 다이어그램이 포함된 문제 해결 도구 상자를 사용합니다.
	무한 루프는 지속적인 개선을 달성하기 위한 또 다른 경로를 제시합니다. 다음에서는 이 접근 방식을 단계별로 자세히 설명하겠습니다.
	먼저 프로젝트를 정의해 보겠습니다. 데이터 프로젝트를 시작하기 전에 세 가지 요소를 명확하게 정의하는 것이 필요합니다.
	여기서는 무역의 요소들을 명확하게 정의하는 데 매우 유용하다고 판단되는 몇 가지 질문을 제시합니다. 우선, 사업적 필요성을 정의하는 것입니다.
	제조업에서 데이터 프로젝트의 목표는 종종 공정 최적화, 수율 극대화, 특정 제품의 품질 개선 또는 에너지 소비 감소입니다.
	사업 기회의 정의에 따라, 우리는 무엇이 사용될 것인지 알아야 하며, 타겟 고객에게는 시각화나 분석만 필요한지 알아야 합니다.
	그리고 그 후에는 그 영향이 사업에 정량적 이익을 가져다 줄 것입니다.
	둘째, 데이터 가용성과 사용성입니다. 여기서 데이터 품질에 대한 대각선 분석을 시작합니다. 이 단계에서는 데이터 프로젝트의 실현 가능성을 판단하는 것이 매우 중요합니다. 따라서 팀 구성은 다음과 같습니다.
	데이터팀의 한 명, 사업부팀의 한 명, 공장팀의 한 명, Six Sigma 그린벨트나 블랙벨트를 취득한 프로세스 엔지니어.
	두 번째 단계로 넘어가 보겠습니다.
	데이터 준비.
	변환, 통합, 정제는 데이터 프로젝트에서 많은 시간을 소모하는 중요한 단계입니다. 예를 들어, 여기에는 다양한 데이터 소스가 있으며 이를 중앙 집중화해야 합니다.
	하나의 테이블에 있습니다. 주로 X를 입력으로, Y를 출력으로 사용합니다. 이 설정에서는 JMP의 결측값 처리, 상수 변수의 ???, 그리고 JMP 데이터 테이블 도구 등 다양한 도구를 사용하여 테이블을 올바르게 변환하기 위한 올바른 SQL 요청을 보장합니다.
	세 번째 단계는 동적 시각화를 통해 데이터를 탐색하는 것입니다. JMP를 사용하면 시각화에 대한 선택 폭이 매우 넓습니다. 예를 들어, 변수의 분포를 플롯하고 그에 따른 부하(load)를 추정할 수 있습니다.
	상자 그림 다이어그램을 사용하여 이상치를 감지합니다.
	두 변수 간의 비선형 회귀
	각 인구의 집중도에 대한 주요 배치를 결정하기 위해 등고선이나 밀도 매핑을 사용하며, 이를 표시하는 데에는 선택의 폭이 넓습니다.
	???, 우리는 보통 업무에 이를 사용하는데, 매우 유용하다는 것을 알았습니다.
	네 번째 단계는 모델을 개발하는 것입니다. 이는 필요한 분석의 종류에 따라 달라집니다.
	그것은...
	목표는 설명 또는 예측입니다. 첫 번째는 변수 간의 연결에 관한 것이며, 데이터의 패턴을 설명하는 데 사용됩니다. 두 번째는 공식에 관한 것이며, 데이터의 패턴을 예측하는 데 사용됩니다.
	일반적으로 데이터 세트를 세 블록으로 나눕니다. 70%는 학습, 20%는 테스트, 10%는 검증에 사용합니다. 데이터 크기가 작을 때는 70%를 학습, 30%를 검증에 사용합니다. 모델이 양호하면 의사 결정을 위해 새로운 데이터 세트를 요청합니다.
	지도 학습과 비지도 학습에 접근해야 합니다. 오늘 생고뱅에서는 JMP의 일반 버전을 사용할 것입니다.
	선형 회귀, 의사결정 트리, 신경망과 같은 지도 학습 도구를 활용할 수 있습니다. 오늘날 의사결정 트리는 세라믹 소재 산업의 과제 해결에 도움이 되는 관련성 있는 결과를 제공하기 때문에 많은 연구를 진행하고 있습니다.
	다섯 번째 단계는 최적의 해를 찾는 것입니다. 때로는 단순히 하나의 해일 뿐이지만, 다른 경우에는 여러 모델을 조합하여 최적의 해를 찾기도 합니다. 합리적인 해를 찾기 위해 평균 최댓값과 각 변수의 가치 평가 단계와 같은 몇 가지 제약 조건을 추가했습니다.
	JMP 프로필은 솔루션을 빠르게 최적화할 수 있는 큰 가능성을 제공합니다.
	이제부터 다음 단계는 Six Sigma 그린 벨트 또는 블랙 벨트를 보유한 프로세스 엔지니어의 지원을 받아 공장으로 전달하는 것입니다.
	여섯 번째 단계는 공장에서 최적의 솔루션을 구현하고 단 하나의 대표 모델로 관리하는 것입니다. 예를 들어, 출력 Y1에 대한 관리도를 구현하고 다양한 변동을 분석합니다.
	일곱 번째 단계에서는 모델 효과를 모니터링하고 데이터 프로젝트 작업의 전반적인 성과를 시각화합니다. 예를 들어, 원형 차트를 통해 전체 수익률에 미치는 방사형 영향을 확인할 수 있습니다.
	마지막으로, 새로운 데이터 프로젝트를 위한 1단계 준비는 연속성, 지속적인 개선 및 무한 루프의 연속성을 보장합니다.
	데이터 프로젝트 수명 주기에 대한 내용은 모두 다루었으며 이제 JMP를 사용하여 프로토콜에 대한 두 가지 실제 사례 연구를 제시하겠습니다.
	두 사례에서 우리는 동일한 공정 기술을 연구했습니다. 전기 아크로에 관한 것이지만, 두 사례는 서로 다른 제품과 다른 목표를 가지고 있습니다.
	이 기술에서는 전기, 열, 화학, 시간 및 기타 물리적 효과와 같은 복잡한 다중 물리 현상이 발생합니다.
	예를 들어 여기에는 다양한 종류의 센서에서 나오는 100개 이상의 프로세스 변수가 있습니다.
	사업적 필요성
	특정 제품인 JO7의 글로벌 수율을 설명하는 것이었습니다.
	여기서 우리는 결함 #1, #2부터 #N까지 다양한 종류의 결함을 감지합니다.
	그리고 이를 위해 데이터 세트를 올바르게 준비하기 위해 우리는 파레토를 사용했습니다.
	마할라노비스 거리를 이용한 이상치 처리와 오류 유형을 수정하기 위한 올바른 속성을 다시 코딩하고 누락된 값을 처리합니다.
	3단계 탐색에서는 입력 간의 상관관계를 연구하여 변동 수를 줄이는 예를 제시합니다.
	모델 작업을 한 후.
	우리의 결과로 우리는 단 3개의 변수만으로 구성된 의사결정 트리를 발견했으며 여기서 목표는 수율이 왜 그렇지 않은지 설명하는 것이었습니다.
	최대
	그리고 우리는 가지고 있습니다
	100 미만의 변수가 3개뿐인 의사결정 트리입니다. 따라서 이 모델의 경우 데이터 크기가 크지 않기 때문에 데이터의 70%를 학습에 사용하고 30%를 검증에 사용하며 중요한 제곱근을 갖는 좋은 결과를 얻습니다.
	보시다시피 70%가 넘습니다.
	그래서 우리가 공장에 전달한 메시지는 단지 특정 설정만으로
	X1, X2, X3에 대해 설명할 수 있습니다.
	글로벌 수익률, 그리고 Y를 최대화해야 하는 경우 이 수익률의 백분율을 얻으려면 X1과 X3에 대한 특정 설정이 필요합니다.
	그리고 글로벌 수익률은 빠르게 변화할 것입니다. 바로 이 지점들이 모여 있는 지점이 핵심입니다.
	그리고 각각에 대하여
	프로젝트에서 우리는 또한 각 매개변수에 대한 물리적 이해를 제공합니다.
	식물에.
	동일한 기술을 사용하지만 다른 제품을 대상으로 한 두 번째 예에서는 프로세스 변수가 80개에 불과하며, 목표는 결함이 없는 부품 수인 D1을 늘리는 것입니다.
	필요한 것은 품질을 설명하는 것입니다.
	특정 제품에 대한 분석을 위해 각 단계에 동일한 방법론을 사용합니다. 예를 들어, 모델에 포함할 변수의 수를 줄이기 위해 입력값 간의 동일한 상관관계를 분석했습니다.
	그리고 결과적으로 우리는 또한 의사결정 트리를 사용했지만 여기서 우리는 이 글로벌 수율을 설명하는 12개의 변수를 발견했습니다.
	좋은
	결과입니다. 보시다시피 R 제곱은 84%, RMSE는 3%, 크기 수는 287이었습니다. 이를 위해 교차 검증 방법을 사용했습니다.
	테이블 크기가 매우 작기 때문입니다.
	그래서 첫 번째 매개변수는 매우 중요했습니다. 보시다시피 50%를 차지합니다.
	식물에 12개의 변수가 있다는 점을 설명하기가 어려웠습니다. 첫 번째 변수만 표시해 보면, 변수 X1만으로 임계값을 정의할 수 있고, 이를 통해 전체 수확량이 빠르게 증가해야 한다는 것을 시각적으로 확인할 수 있습니다.
	감사합니다.

고급 통계 모델링기본 데이터 분석 및 모델링소비자 및 시장 조사콘텐츠 구성데이터 액세스데이터 탐색 및 시각화실험 설계예측 모델링 및 머신 러닝품질 및 공정 엔지니어링신뢰성 분석