심화 프로젝트) 다이캐스팅 공정 불량 탐지 모델 개발 프로젝트

이번 프로젝트는 다이캐스팅 공정 데이터와 불량 이력 데이터를 활용해 불량을 조기에 탐지하는 머신러닝 모델을 개발하는 것을 목표로 진행했다.

제조업에서는 불량이 발생한 뒤 대응하는 것보다, 공정 단계에서 이상 징후를 미리 포착해 선제적으로 대응하는 것이 훨씬 중요하다고 판단했고, 이 문제를 데이터 기반으로 해결해보고자 했다.

 

프로젝트는 먼저 다이캐스팅 공정과 주요 불량 유형을 이해하는 것에서 시작했다. 공정 특성과 불량 발생 메커니즘을 정리한 뒤, 실제 데이터셋의 구조를 파악하고 제품 유형별 분포, 변수 특성, 결측 및 중복 여부 등을 점검했다. 특히 제품 유형이 서로 다른 패턴을 보일 가능성이 있어 Type 1, Type 2를 분리해서 분석했고, 이를 통해 하나의 통합 모델보다 제품 유형별 맞춤형 접근이 더 적절하다는 방향을 세울 수 있었다.

 

전처리 단계에서는 공정 변수, 센서 변수, 불량 유형 변수 등을 정리하고, 불균형 데이터 문제를 해결하기 위해 SMOTE를 적용했다. 다만 SMOTE도 무조건 사용하는 것이 아니라, 제품 유형별로 여러 비율을 비교하며 가장 적절한 전략을 탐색했다. 이 과정에서 데이터 분포와 모델 성능을 함께 보면서, 단순히 수치를 맞추는 것이 아니라 실제로 불량 탐지 성능에 도움이 되는지를 기준으로 실험을 진행했다.

 

모델링은 여러 알고리즘을 비교하는 방식으로 진행됐다.
기본적으로 LightGBM, XGBoost 등 트리 기반 모델을 중심으로 성능을 비교했고, Isolation Forest 같은 이상탐지 방식도 함께 검토했다. 그 결과, Type 1에서는 LightGBM 기반 모델, Type 2에서는 XGBoost 기반 모델이 상대적으로 더 적합한 성능을 보였다. 즉, 제품 유형에 따라 데이터 구조와 불량 패턴이 달라서 최적 모델도 달라진다는 점을 확인할 수 있었다.

이번 프로젝트에서 중요하게 본 부분은 단순한 정확도보다도 제조 현장에서 의미 있는 성능 지표였다. 불량 탐지에서는 양품을 맞히는 것보다 불량을 놓치지 않는 것(재현율) 이 훨씬 더 중요하기 때문에, Precision-Recall trade-off를 함께 고려하며 모델을 평가했다. 발표자료에서도 확인되듯이, 유형별로 성능 차이는 있었지만 두 모델 모두 불량 패턴을 일정 수준 이상 구분할 수 있는 가능성을 보여주었다.

 

또한 SHAP을 활용해 모델 해석도 함께 진행했다.
이를 통해 단순히 “어떤 모델이 잘 맞는다”에서 끝나지 않고, 어떤 공정 변수와 센서 값이 불량 탐지에 큰 영향을 주는지를 확인했다. 분석 결과, 제품 유형별로 중요하게 작용하는 변수가 달랐고, 일부 변수는 반복적으로 상위에 등장하면서 핵심 관리 포인트로 해석할 수 있었다. 이런 결과는 모델 성능 자체보다도, 실제 현장에서 어떤 공정 조건을 우선적으로 모니터링해야 하는지를 제안할 수 있다는 점에서 의미가 있었다.

 

추가로 통계 검정도 함께 수행해 머신러닝 결과와 비교했다.
상관분석, Mann-Whitney U 검정, Kruskal-Wallis 검정, Dunn’s test 등을 통해 변수별 차이를 확인했고, 그 결과 일부 변수는 통계적으로도 유의미한 차이를 보였다. 흥미로웠던 점은, 통계적으로 유의한 변수와 SHAP에서 중요하게 나타난 변수가 일부 겹친다는 것이었다. 이는 모델 해석 결과가 단순한 블랙박스가 아니라, 통계적으로도 어느 정도 뒷받침되는 방향임을 보여주었다.

 

최종적으로 이번 프로젝트를 통해 얻은 인사이트는 크게 세 가지였다.
첫째, 제품 유형을 구분하지 않고 하나의 모델로 접근하는 것보다 유형별로 나누는 것이 더 효과적이었다.
둘째, 불량 탐지에서는 단순 정확도보다 재현율과 실무적 해석 가능성이 더 중요했다.
셋째, 머신러닝 결과와 통계 검정을 함께 활용하면, 모델 성능뿐 아니라 현장 적용 가능성까지 설명할 수 있는 분석이 가능하다는 점을 확인했다.

 

이번 프로젝트는 완성형 시스템이라기보다, 제조 공정 데이터로 불량 탐지가 실제 가능하다는 점을 검증한 실험적 프로젝트에 가깝다. 하지만 여기서 나아가 실시간 SPC 관리, 공정 이상 알림, 주요 변수 모니터링 체계와 연결한다면, 향후에는 현장형 불량 예방 시스템으로 확장할 수 있는 가능성을 확인했다는 점에서 의미가 컸다.