품질 예측은 품질에 영향을 주는 요소와 불량품 수량을 파악할 수 있게 해서 품질 향상과 불량품 처리에 도움을 줍니다.
여기서는 다양한 머신러닝과 딥러닝 알고리즘으로 양품과 불량품을 예상하고,
정답(정답은 아니지만 대회 1등 결과)와 비교하여 각 알고리즘의 특징을 파악할 수 있게 하였습니다.
공장이나 현장에서 일하시는 분들이 컴퓨터 없이도 스마트폰으로 원하는 결과만 신속하게 보실 수 있게 interactive한 웹으로 예측 결과를 볼 수 있게 만들었습니다.
설치해야 하는 프로그램 : 파이썬, R & RStudio
회원가입이 필요한 웹사이트 : Shinyapps.io(https://www.shinyapps.io/)
catboost 폴더는 Python으로 CatboostClassifier 모델을 이용하여 품질 예측을 한 결과를 R의 프로젝트 폴더로 출력해줍니다.
기존의 Random Forest 모델과 DNN 모델 결과 파일도 들어가 있어서 이들의 예측 결과도 CatboostClassifier 모델과 비교하게 만들었습니다.
먼저 main.py 코드에서 R 프로젝트 폴더를 알맞게 변경합니다.
예) <C:/Users/ssw/Documents/test2/>를 <C:/Users/hong/Documents/RShiny/>로 변경.
변경이 끝나면 main.py 파일을 실행하시면 됩니다.
RShiny 폴더는 R 프로젝트 폴더로 품질예측 결과 파일을 입력받아 웹에서 interactive하게 보여주는 역할을 합니다.
작업하실 R 프로젝트 폴더에 파일들을 복사해서 붙여넣기 해주시거나,
아니면 해당 폴더를 R 프로젝트 폴더로 지정하세요.
실행하실 때는 RStudio에서 아래의 명령어를 실행하시면 됩니다.
> #install.packages("shiny")
> #install.packages('rsconnect')
> #Shinyapps.io에 회원가입하시고 Account > Token에서 Show 버튼을 누르면 나타나는 문자를 아래에 양식에 맞게 입력합니다.
> rsconnect::setAccountInfo(name='xxxxxxxxxxxxxxxxxx', token='xxxxxxxxxxxxxxxxxxx', secret='xxxxxxxxxxxxxxxxxxxxxxxxx')
> #자신의 컴퓨터에서 먼저 보기
> library(shiny)
> runApp()
> #웹에 퍼블리쉬하기
> library(rsconnect)
> deployApp()
대회용으로 잘 정리된 정형데이터이므로 특별한 데이터 전처리는 필요 없었습니다.
아래의 그림과 같이 변수별로 분포가 크게 차이가 나므로 회귀분석을 통해서 계수를 확인하여 중요한 변수가 무엇인지 확인하였습니다.
후진제거법을 사용하여 최적화된 회귀식을 구하려 했으나,
아마도 메모리부족으로 제대로된 분석이 이루어지지 않아 회귀분석 결과는 참고만 하였습니다.
사전조사 개념으로 회귀분석을 수행하였고,
Random Forest, DNN, CatboostClassifier를 confusion matrix로 비교한 결과
accuracy와 specificity 측면에서 CatboostClassifier가 각각 0.94, 0.83으로 가장 우수하여 품질 예측에 사용되었습니다.
이와 같은 결과가 나온 것에는 양품의 개수가 많고 불량품의 개수가 적은 자료의 특성도 기여를 한 것으로 사료됩니다.
그래디언트 부스팅은 머신러닝 앙상블 기법 중 하나로 약한 학습기(weak learner)들을
순차적으로 여러개 결합하여 예측 혹은 분류 성능을 높이는 알고리즘입니다.
현재 카테고리 별로 분류하는 데에는 CatBoost, XGBoost, LightGBM이 많이 쓰이고 있습니다.
아래의 그림처럼 틀린 결과에 가중치를 줘서 불량품의 개수가 적어도 가중치로 인하여 예측 성능이 뛰어난 것으로 사료됩니다.
결과 페이지 : 제가 만들 최종 결과물의 주소는 아래와 같습니다.
https://u7s2pv-sunguk-shin.shinyapps.io/test2/
앞에서 설명하였듯이 실제 공장에서는 공간이 부족하고 현장에서 컴퓨터를 가지고 분석할만한 환경이 아닙니다.
따라서 스마트폰으로도 확인이 가능하도록 웹 사이트 형태로 품질 관리 시스템을 구현하였습니다.
실제 공장에서 보통 다양한 분야의 여러 사람들이 자신의 담당분야만 전문적으로 파고들며
서로 용어도 통일되지 않은 상태로 일하는 경우가 많습니다.
하지만 품질 관리에 이상이 생기면 빠르게 현장에서 상황을 파악할 수 있게
어떤 종류인지 몰라도 이름만 알면 검색이 가능하도록 테이블을 interactive하게 구현하였습니다.
또한 공장에서 작업에 기준이 되는 것이 라인이기 때문에 라인별로 양품(1)과 불량품(0)의 비율을
시각적으로 편리하게 확인할 수 있도록 드랍박스와 파이 그래프를 구현하였습니다.
마지막으로 상품별로 공정이 달라지기 때문에 양품과 불량품이 되는데 영향을 미치는 요소가 달라지게 됩니다.
아래의 그림에서는 드랍박스와 산포도를 이용하여 제품 종류와 영향을 미치는 요소에 따른 제품의 품질을 색깔로
손쉽게 확인할 수 있도록 구현한 부분입니다.
