Allen's 데이터 맛집

스마트 팩토리에서 가장 흥미로운 순간은 데이터를 기반으로 실제 문제를 해결하는 단계입니다.이번 글에서는 제가 품질 이상 탐지 및 진단을 위해 어떻게 머신러닝 모델을 활용했는지 소개하려고 합니다.이상 탐지의 핵심: "정상"을 정의머신러닝 모델을 설계하며 가장 먼저 고민했던 것은 "정상 데이터란 무엇인가?" 였습니다.품질 이상을 감지하려면 먼저 정상적인 공정 상태의 패턴을 이해해야 하기 때문입니다.예를 들어, 온도와 pH, 압력 등의 값이 어떤 범위 내에 있을 때 정상으로 간주할 수 있는지를 명확히 정의해야 했습니다.제가 사용한 크로메이트 데이터는 정상 상태와 이상 상태가 명확히 레이블링되어 있어 다행히도 이 작업을 쉽게 시작할 수 있었습니다.하지만 실제 데이터를 분석하다 보니, "정상"과 "이상"의 경계가..

이번 글에서는 제가 진행한 스마트 팩토리 품질 이상 탐지 프로젝트에서 가장 중요한 데이터셋과 분석 환경을 다룹니다.1. 크로메이트 데이터셋: 품질 분석의 핵심1.1 데이터셋의 구성KAMP(Korea AI Manufacturing Platform)에서 제공한 크로메이트 데이터셋은, 제조 공정 중 발생하는 데이터를 기반으로 합니다.이 데이터셋은 품질 관리를 위해 필수적인 정보를 포함하고 있었는데요, 아래가 주요 컬럼들입니다: Temperature공정 과정의 온도 (°C)pH화학 용액의 산도 (0~14)Pressure공정 중 발생한 압력 (kPa)QualityOutput품질 상태(정상/이상)데이터 특징데이터는 공정 과정에서 센서로 수집된 것으로, 매우 다양한 변수 값과 패턴을 포함하고 있었습니다.특히 온도와 ..

이번 프로젝트는 KAMP(Korea AI Manufacturing Platform)에서 제공하는 데이터를 활용하여 스마트 팩토리의 품질 관리 프로세스를 혁신하기 위한 분석 프로젝트입니다.특히, 크로메이트 공정 데이터를 중심으로 품질 이상 탐지 및 진단을 수행하였으며, 이를 통해 공정의 효율성을 높이고 불량률을 줄이는 것을 목표로 했습니다. 1. 프로젝트 개요1.1 스마트 팩토리와 품질 관리의 필요성스마트 팩토리는 제조 공정에 IoT와 AI 기술을 접목하여 데이터 기반의 생산성을 극대화하는 환경을 제공합니다.그중에서도 품질 이상 탐지는 공정 데이터로부터 이상 패턴을 감지해 조기 대응할 수 있는 핵심 영역으로, 생산 비용 절감과 제품 품질 향상을 동시에 추구합니다.1.2 프로젝트의 주요 데이터이번 프로젝트에..

1. 결과 분석1.1 주요 변수의 영향판매 가격에 가장 큰 영향을 미친 변수:OverallQual: 집의 전반적인 품질.GrLivArea: 생활 공간 면적.Neighborhood: 위치 및 지역 환경.그래프 시각화변수별 가격 분포를 그래프로 표현:품질 등급이 높을수록 가격 상승.위치에 따라 큰 가격 차이 존재.1.2 모델 성능 비교Gradient Boosting 모델이 다른 모델에 비해 가장 낮은 RMSE와 높은 R²를 기록.랜덤 포레스트는 비슷한 성능을 보였으나, 실행 시간이 더 길어 실무에 적합한 최적 모델은 Gradient Boosting으로 선정.2. 최적화 및 개선 방안2.1 추가 변수 도입데이터셋에 더 많은 지역 환경 변수(학교, 교통, 상업시설 등)를 추가.외부 데이터를 연계하여 예측의 현실..