ABSTRACT
The automotive painting process is complex, featuring hybrid serial-parallel lines and unplanned repair operations, which makes production forecasting challenging. This study introduces an AI-driven predictive framework designed to estimate future work-in-process (WIP) in paint shops, with the goal of improving production management efficiency. We collected and preprocessed historical operational data through noise reduction and process filtering. Several machine learning and deep learning models were trained and validated. To ensure transparency, we utilized explainable AI (XAI) techniques. The proposed system proved feasible for deployment on a web-based monitoring platform, facilitating real-time decision-making in manufacturing environments.
-
KEYWORDS: Automotive painting process, Work-in-process, Predictive framework, Deep learning, Explainable AI
-
KEYWORDS: 자동차 도장 공정, 재공, 예측 프레임워크, 딥러닝, 설명가능한 인공지능
1. 서론
자동차를 제조하기 위한 전체 생산공정은 프레스, 차체, 도장, 의장 총 4단계로 구성되어 있으며, 각 단계를 거치며 복합적인 공학적 프로세스와 다양한 공장운영 최적화 기법이 적용된다. 자동차 생산공장에서 차량 한 대가 완성되기까지 총 소요시간은 공정 간 상호작용과 생산라인의 수준에 따라 상이하지만 통상적으로 약 20시간 이상이 소요되는 것으로 알려져 있다[
1].
그 중 도장 공정은 전체 생산 시간의 40-45%를 차지하는 주요 병목 공정으로 약 10시간이 소요되며 특히 직렬, 병렬의 혼합라인 구성, 돌발적인 리페어 작업 공정 등으로 인해 복잡도가 커서 도장 라인에서의 생산 정보를 사전에 예측하는 것은 쉽지 않다[
2,
3].
프레스공정을 거쳐서 차체공정에서 완성된 차체가 WBS(White Body Storage)로 이동된 이후 수 십 가지의 도장라인 세부 공정을 통해 도장이 완료된 차량들은 PBS (Painted Body Storage)에 적재되며, 의장라인의 제약 조건에 따라 조립 순서대로 차량을 배치하여 투입시키기 위한 CTS (Connected to Trim Shop)로 이동한다[
4].
도장라인의 목표는 의장라인으로 차량을 중단 없이 투입시키기 위해 PBS에서의 재공(Work-in-Process)을 공장에서 관리하는 적정 재공 기준 이상으로 상시 유지시키는 것이며 여기서 재공은 생산중인 차량의 대수를 의미한다.
최근 도장공장의 미래 시점 재공을 사전에 예측함으로써 의장 투입에 중단이나 지연이 없도록 관리할 수 있도록 하는 생산 운영 가이드 기술에 대한 필요성이 증대되고 있다[
5].
그러나 현재 국내외 공장의 현황을 파악한 결과 대부분 공장이 도장 현황판 만을 확인 후 관리자의 경험에 의존한 생산대비 조치를 진행하고 있고 과거의 재공 데이터 이력 또한 수집되고 있지 않아 데이터에 기반한 체계적인 재공 예측 기준을 수립하기 어려운 실정이다. 다만 일부 공장에서는 해당 공장의 노하우를 기반으로 한 룰베이스 로직을 자체적으로 구현하여 재공 모니터링을 하고 있으나 공장의 다양한 이벤트 상황에 유연하게 대처하는 것에는 룰베이스 로직의 한계점이 있다.
따라서 본 연구에서는 도장라인의 복잡한 공정 흐름에 따라 실시간으로 변화하는 시계열 재공 데이터를 바탕으로 미래시점의 재공대수를 사전에 예측하기 위해 다양한 머신러닝(Machine Learning), 딥러닝(Deep Learning) 알고리즘을 학습하고 성능 평가를 수행하였다. 최종적으로 선정된 AI (Artificial Intelligence) 알고리즘을 활용한 다중 예측 로직을 구축하여 예측 목표시간에 따라 최대 8시간까지의 미래시점 재공 예측 가능성을 평가하였다.
또한, 예측된 AI 모델의 심도있는 결과 분석을 위해 설명가능한 AI (XAI, Explainable AI) 방법론을 적용하였다. SHAP(Shapley Additive exPlanations) 기법을 바탕으로 AI 모델의 예측 과정에서 예측 값에 기여한 주요 공정의 기여도(Shapley Values)를 도출하였고 Target 공정에 대한 입력 공정의 영향성을 시각화하고 이에 대한 분석을 수행하였다.
최종적으로 도장 재공 예측 프레임워크에 기반하여 유효성이 검증된 AI 예측 모델은 실제 대상 공장에서의 양산 적용을 위해 현재 개발되고 있는 준실시간성 웹기반 모니터링 시스템에 적용 예정이다.
2. 데이터 정의
2.1 재공 데이터
공장에서 수집 가능한 제조 데이터들을 사전 검토하였고, 특히 예측을 위해 필수적인 도장 재공 값은 현황판에만 실시간으로 표출된 후 이력은 저장되고 있지 않아 모델 개발을 위한 데이터 확보를 위해서 데이터 수집 인터페이스를 개선하였다. 공장 데이터 모니터링 시스템과 MES (Manufacturing Execution System)에서 별도로 모니터링 되고 있던 세부공정 데이터들을 하나의 통합된 DB (Data Base)에서 수집될 수 있게 하였고 모델 개발을 위해 7개월 간의 재공 데이터 수집을 진행하였다. 수집은 24시간 연속으로 진행되며, 샘플링 주기(Sampling Rate)는 5분으로 설정하여 해당 시간 당 한 번씩 재공 데이터 세트가 업데이트 된다. 재공 데이터는 일반적인 센서 데이터들과 비교하면 초 단위로 변동성이 있는 속성 값이 아니기 때문에 전체 데이터 양을 최소로 하면서도 공정 정보를 충분히 담기 위해 해당 샘플링 주기가 적절한 값으로 판단하였다.
수집된 원시 데이터(Raw Data)는 수집 시각을 포함하여 공정명과 공정그룹, 공정코드 및 그룹핑 코드, 관리 기준(최소/적정/최대 재공) 정보 등이 포함되어 있다. 문자와 숫자가 혼합되어 있는 공정 코드를 기준으로 오름차순 정렬하여 도장 세부 공정의 순서를 정리하였다.
Fig. 1은 정렬된 공정순서를 기반으로 한 공정 별 전체 데이터 수집 포인트 51개이며, 보안을 위해 세부 공정명은 숫자로 명기하였다. 차량은 각 포인트를 통과할 때 RFID (Radio-frequency Identification) 인식을 통해 숫자가 카운팅 되며, 최후에 인식된 공정 포인트를 기준으로 세부 공정에서의 재공 값이 합산된다. 해당 정보를 활용하여 3절의 데이터 정제 과정 시 실제 작업시간 기준 데이터 전처리를 수행하였다.
공장의 운영 상황을 고려한 모델 개발을 위해 대상 공장의 근무 테이블을 참고하였고 테이블은 작업시간, 휴게시간 및 중석식 시간으로 구성되어 있다.
도장 공장은 중도와 상도 공정에서의 메인 설비와 수많은 도료 설비, 비전 센서와 컨베이어를 비롯하여 100대 이상의 로봇들의 연합 작동으로 운영된다. 따라서 공장 가동 시 세부 공정에서 수많은 중단 알람이 발생하고 중단 시간에 따라서 차량이 후속 공정으로 투입되지 않아 최종적으로 도장이 완료된 차량이 적재되는 PBS (
Fig. 1의 공정 47) 에서의 재공 감소에 영향을 미치는 경우도 발생된다.
따라서 재공 데이터의 수집 기간 동안 총 알람 발생이력 320 건을 공장 모니터링 시스템에서 획득하였고, 해당 데이터를 활용하여 중단 시간이 1시간 이상이 되는 상위 이력 23건을 선별하였다. 선별된 이력을 기준으로 해당일의 재공 데이터는 공장 운영시의 불규칙한 이벤트로 판단하여 4절의 모델 개발과정 중 학습 데이터에서 제외시켰다. 이는 재공 데이터를 가시화하여 분석했을 때 중단 시간이 약 1시간을 초과했을 때 재공 트렌드 예측에 있어서 노이즈성 영향이 있을 수 있다고 판단하였기 때문이다.
3. 데이터 정제
3.1 테이블 전처리
예측 모델의 개발을 위해 대상 공장에서 7개월 동안 1개월 단위씩 수집된 원시 데이터를 취합하였고, AI 알고리즘 학습에 필요한 데이터 정제 과정을 수행하였다. 수집된 각 원시 데이터는 시간 Index 정보가 초(Second) 단위, 분(Minute) 단위로 혼재되어 있어 분 단위 값으로 통일하였고, 데이터 테이블에서 Column과 Index를 재구성하였다. Index는 재공이 업데이트 된 시점을 알려주는 시간 정보, Column은 2절에서 언급한 51개 데이터 수집 포인트의 세부 공정명, 테이블 값은 재공대수이다. 이후 도장 공정의 순서를 고려하여 C olumn을 재정렬 하였다. 선행 공정부터 Column의 왼쪽 방향, 후행 공정은 C olumn의 오른쪽 방향으로 정리하여 최종적으로 가장 마지막 C olumn은 PBS OUT (CTS) 공정이 위치한다.
3.2 가시화 분석
전처리 된 데이터 테이블을 활용하여 7개월 동안의 재공 트렌드 분석이 수행되었다. 공장 비가동일을 포함하여 24시간 연속으로 상시 수집된 데이터에서 공정별 재공 정상 수집 여부를 확인하였다. 하기휴가, 명절 등 공장 휴무 시 비가동으로 인한 재공 미수집 기간이 확인되어, 7개월 동안의 실제 공장 가동일을 기준으로 한 데이터 선별 필요성이 재고되었다.
데이터를 일자별로 확인하여 비가동일 데이터는 학습 데이터에서 제외시키고 주말이지만 특근으로 인해 운영된 공장 가동일은 학습 데이터에 포함시켰다. 이러한 과정을 통해 학습에 불필요한 노이성 정보를 제외시켰다.
Fig. 2는 하루 단위의 가동일을 기준으로한 데이터 가시화 그래프를 보여주며, 공정에 따라 시간단위로 변화하는 재공 트렌드를 확인 할 수 있다. 이벤트가 없는 정상 가동일 기준으로 PBS 재공은 약 120대 수준에서 운영되고 있으며, 공정별 차량 수용 용량에 따라 재공 대수가 차이 나는 것을 확인하였다. 특히 전처리 입구(공정4) 및 ED Storage 입구(공정 6) 에서는 특정 시간대에 따른 재공 증감 경향성이 나타나는 것을 발견하였다.
Figs. 3과
4는 이런 경향성을 분석하기 위한 전처리 입구 및 ED Storage 입구 공정에서 가동일 하루 기준 재공 변화값을 보여준다.
공장 근무 시간을 참고하여 주요 시간대에 따라 빨간색으로 점선 표기를 하였고 중식 시간과 석식 시간을 노란색으로 하이라이트 하였다. 해당 시간의 재공을 확인하면 중식과 석식이 시작될 때 공장가동이 중단됨에도 불구하고 재공수에 증감이 있는 것을 확인할 수 있다. 전처리 입구 재공은 감소를 하고 ED Storage 입구 재공은 증가를 하는데, 이는 전처리에서 이미 작업되고 있던 차량들이 전처리 완료되면 후속공정인 ED Storage로 이동하고 공장은 정지 상태이기 때문에 새로운 차량은 전처리 공정으로 투입되지 않기 때문이다.
반대로 ED Storage에서는 전처리 완료된 차량을 받아들이기만 하고 ED Storage의 후속공정인 메탈검사 공정으로 이동시킬 수 없기 때문에 공장이 가동되는 시간대와 비교하여 재공이 급격하게 증가하게 된다. 이와 같은 경향성은 휴게시간에서도 확인할 수 있다.
하지만 휴게시간은 각 10분으로 그 시간이 중석식 시간과 비교하여 길지 않아 증감은 상대적으로 크지 않다. 또한 근무 시작과 종료 시간 직후 시간대를 확인하면, 위와 같은 각 공정별 특성에 따라 운영이 안정화되기 전까지 재공에 변화가 있는 것을 확인할 수 있다.
상기와 같이 도장 세부 공정마다 각 공정의 재공 수용 용량 및 공정 특성이 다르기 때문에 Target 예측에 영향을 주는 유효 공정 탐색이 필요하고 이를 통해 모델 학습에 적합한 공정 변수들을 선정할 필요가 있다.
3.3 노이즈 제거
본 연구에서는 데이터의 신뢰성 확보를 위한 다각적인 노이즈 정제 과정을 수행하였다.
첫째, 공정상 물리적인 생산 능력 지표(UPH, Unit Per Hour)로 이상치들을 제거하였다. 원시 데이터 분석 결과에서 RFID 센서 인식 값의 오류들로 인해 재공이 간헐적으로 0으로 수렴되는 것을 확인하였는데, 물리적으로 불가능한 급격한 재공의 변동 값은 직전 시점의 유효한 데이터 값으로 대치(Imputation)하였다.
둘째, 샘플링 주기 5분을 넘는 주기로 데이터가 수집되는 경우도 확인하였는데 이는 모델 개발 과정에서 Time Step 기반 예측에 왜곡이 생기기 때문에 해당 값들은 삭제를 하여 샘플링 주기를 5분으로 일정하게 유지하였다.
셋째, 비가동 시간대의 데이터 처리를 수행하였다. 1시간 이상의 장기적인 공정 중단 데이터를 포함하여 하기휴가, 명절 등의 휴무일도 제외시켰다. 그리고 공장 가동 종료 직후에도 컨베이어 상에 장착된 차량이 일정 시간 동안 다음 공정으로 이동하는 시간을 고려하여 새벽 01:30 부터 오전 6:00 까지의 데이터는 제외하였다.
마지막으로, 이동 평균(Moving Average) 필터링을 적용하여 샘플링 과정에서 발생하는 센서의 일시적 통신 불안정, 데이터 튐 현상과 공정 내 단기적 변동 및 미세 지연 현상을 고려하기 위해 윈도우 크기를 3, 4, 6으로 변경하여 데이터 평활화(Smoothing)를 수행 후 4절에서 진행될 모델 개발 과정대로 성능 평가해보았으나, 이동평균 필터링에 따른 유효성은 발견되지 않았다.
3.4 유효 공정 변수 추출 및 선정
유효 공정 변수 선정을 위해 도장라인의 필수 공정과 비필수 공정을 1차적으로 구분하였다. 51개 공정 포인트 중 리페어 및 수리의 경우 정상 차량들은 통과하지 않기 때문에 유효 공정에서 제외시켰고, 실제로는 가동되지만 RFID 기반 카운팅 되지 않고 있는 GBS(공정 46) 등은 마찬가지로 제외시켰다. 이후 도메인 지식을 활용하여 공정에서 필수 포인트 선별을 진행 후 데이터 수집 기간 동안 데이터들의 경향성 또한 가시적으로 확인하였다.
이후 공정 별 정규분포 확인 후 정규성이 없는 공정들은 제외 후보로 선정 후, 주요 Target인 PBS 입구 1과 다른 공정들의 1차 선형 상관관계를 분석하였다. 분석 결과 0.7 이상의 강한 상관성은 도출되지 않았는데, 복잡한 도장라인의 시계열 특성으로 선형관계 설명되지 않는 것으로 분석된다. 여기서 유효 공정 변수는 총 25개로 선정하였다.
마지막으로 정해진 근무 시간에 의해 운영되는 공장에서 예측 시점에 따른 정보성 추가를 위해 시간 Index 속성에 대한 Time 특성 변수(Feature) 1개를 추가하였다. 시간 Column을 60진법을 활용하여 자연수와 소수로 변환하였고 예를들어 “06:30”은 “6.5”, 자정이 지났을때는 0이 아니라 “24.xx”값으로 환산하여 가동일 기준 연속된 시간 정보를 함의하고자 하였다.
따라서 최종적으로 모델 구축을 위한 특성 변수는 총 26개로 선정되었다.
4. 모델 개발 및 성능평가
4.1 학습 데이터 집합 구성
수치형 예측 모델 개발을 위해 앞서 선정한 26개의 다중 변수(Multiple)를 활용하여 예측 Target 5개의 다변량(Multivariate) 변수 재공값을 다단계 예측(Multi-step Forecasting) 하고자 한다.
5분당 한 번의 데이터 수집 주기를 고려하면 1시간에 12 steps의 데이터 세트가 수집이 되며, 예측에 적절한 알고리즘을 평가하기 위해 총 96 steps(8시간) 까지의 결과를 도출하고자 한다. 학습을 위한 시계열 데이터의 집합을 구성하기 위해서 원본 데이터에서 슬라이딩 윈도우 방식을 적용하여 윈도우 크기(Window Size) 기준 1 step씩 슬라이딩을 하면서 집합을 구성을 하였다. 따라서 기존 2차원의 원본 데이터 세트가 슬라이딩 윈도우 적용 방식을 통해 3차원의 시계열 데이터 집합으로 변환되었다. 학습/검증 시 데이터의 Shape 은
Table 1과 같다.
윈도우 크기는 총 5개(12, 24, 48, 72, 96) 로 선정하여 1시간, 2시간, 4시간, 6시간, 8시간을 예측할 수 있는 데이터 집합이 구성되었다. 여기서 입력 윈도우 크기와 출력 윈도우 크기는 동일하도록 설정을 했으며, 이는 48 steps(4시간)을 예측하는 모델을 구축한다고 했을 때 그 시점 보다 48 steps(4시간) 전을 입력한다는 의미이다.
학습/검증 기간은 전체 데이터 셋 기준으로 데이터가 선행적으로 수집된 순서대로 80%를 학습에 활용하고 학습시점 이후 순차적 20%를 검증에 활용하였다. 이는 시계열 예측 특성 상시간 시퀀스(Sequence) 가 모델 성능에 영향을 미치기 때문이다.
4.2 AI 알고리즘 성능 평가
AI 알고리즘의 성능 평가를 위해 윈도우 크기를 48로 고정시킨 데이터 집합을 활용하여 총 4종류의 머신러닝 및 딥러닝 알고리즘을 활용하여 4시간 뒤 시점의 예측 성능을 평가하였고 모델 구성은
Table 2와 같다.
Regression 모델을 통해 변수들의 선형 결합성에 근거한 예측 성능을 평가하고자 하였고[
6], 순환 신경망(Recurrent Neural Network, RNN)의 대표적인 두 알고리즘도 적용하였다. SimpleRNN의 한계점 극복을 위한 LSTM (Long Short-term Memory)과 이 LSTM을 간단한 구조로 개선한 GRU (Gated Recurrent Unit) 알고리즘으로 순차 데이터 기반 예측 성능을 강화하고자 하였다[
7,
8]. 마지막으로 DNN (Deep Neural Network) 모델을 구축하여 복잡한 도장라인의 데이터 패턴을 학습하고자 하였다[
9].
각 모델의 효율적인 하이퍼 파라미터 탐색을 위해 Random Search 방식으로 파라미터의 범위를 도출하였고 아키텍처의 레이어, 노드 수, 손실함수, batch_size, epochs 등을 수많은 시행 착오를 거쳐서 선정 후 모델에 Fitting 하였다.
모델의 성능 평가 결과는
Table 3에서 볼 수 있으며, 5개의 Target 변수 공정을 기준으로 검증 데이터에서 각 시점 마다 4시간 뒤의 재공 예측에 대한 결과가 나와있다.
도장공정의 가장 주요 관리 공정인 PBS를 기준으로 예측 값을 비교하였을 때 예측값과 Ground Truth의 절대값 평균을 비교할 수 있는 직관적인 지표인 MAE (Mean Absolute Error)가 가장 낮은 모델은 DNN으로 평가되었다.
CTS를 기준으로 LSTM 모델이 가장 좋은 예측 성능을 보인 경우도 있었으나 해당 공정은 재공 값이 상시 약 50대 정도로 유지되어 변동 폭이 크지 않기 때문에 모델의 선정 기준에 있어서는 PBS를 기준으로 하는 것이 적절한 것으로 판단하였다. 결과적으로 DNN 모델이 재공 예측에 가장 높은 성능을 보이는 것으로 확인되었다.
시계열 예측의 대표 알고리즘인 LSTM 및 GRU보다 DNN이 높은 성능을 보인 이유는 도장 재공 데이터의 트렌드는 일반적인 시계열 데이터와 다르게 명확한 계절성, 주기성, 추세성을 갖지 않고 다변수의 복잡성이 높은 데이터 패턴이기 때문으로 사료된다.
Figs. 5와
6은 PBS 기준 검증 데이터의 전체 시퀀스에서 실제 값과 모델의 4시간 후 예측 값을 가시적으로 보여주는 그래프이다.
Fig. 5는 Regression,
Fig. 6은 DNN 모델이며 파란색이 실제 값, 주황색이 예측 값이다. 따라서 주황색이 파란색의 트렌드를 따라가면 예측 성능이 우수하다는 것을 의미하고, 정성적으로 확인했을 때 DNN 모델이 Regression 모델과 비교하여 예측 오차가 더 적은 것을 볼 수 있다.
4.3 다중 예측 로직 구성
4.1절의 데이터 집합 구성 시 총 96 steps(8시간)까지 예측할 수 있는 데이터 세트를 구성하였었고, 예측 성능이 우수했던 DNN을 대표 알고리즘으로 선정하여, 도장 재공 예측을 위한 시간대별 다중 예측 로직을 구성하고자 한다.
선행 연구에서 DNN 모델은 최대 예측 목표에 특화되어 높은 성능을 유지함을 확인하였다. 예를들어 A 모델이 96 steps까지 예측할 수 있을때 그보다 작은 12 steps도 예측 가능하지만, 최대 12 steps까지 예측 가능한 B 모델 보다는 12 steps 시점 예측 성능이 더 낮다. 따라서 특화 예측 시간대에 맞추어 샘플링된 데이터 집합으로 다중 병렬 예측 모델을 구축하고 개별 모델의 병렬 작동을 통한 Time Steps 예측 결과를 병합한다면 최종 예측 성능이 향상될 것으로 판단하였다.
Fig. 7은 해당 로직을 도식적으로 표현한 것이며, 예측 시간대 1시간, 2시간, 4시간, 6시간, 8시간의 5개 모델을 각각 구축하여 각 모델을 통해 나온 결과들을 병합하는 그림이다.
특화 예측 시간에 따른 5개의 DNN 모델 성능 평가 결과는
Table 4와 같다. 각 모델의 최종 예측 step에 따라 윈도우 크기가 다르게 샘플링된 데이터 집합을 활용하였고, DNN의 학습 아키텍처와 파라미터는 이전 모델 구축시와 동일하다.
결과 분석 시 최대 예측 시간이 긴 모델일수록 오차 값이 더 큰 것으로 확인할 수 있고, Target 공정에 따른 오차의 크기는 해당 공정의 재공 수용량에 종속되는 것도 확인되었다. 또한 6시간과 8시간 예측 모델에서 성능 평가 값이 없는 경우는 예측 목표 시간이 차체가 처음 도장으로 투입된 이후 해당 Target 공정까지 도달하는 시간 보다 길기 때문에 물리적으로 예측이 불가하여 성능 평가에서 제외시켰다. 따라서 각 모델을 구성할 때 Target 변수 수가 상이하다. 1-4시간 예측 모델까지는 이전과 동일하게 5개 Target을 학습했고 6시간 예측 모델은 3개의 Target, 8시간 예측 모델은 2개의 Target을 학습하였다.
5. 분석 및 향후 계획
5.1 설명가능한 AI 기반 예측 근거 분석
AI 모델의 예측에 대한 근거 해석을 위해 XAI 방법론 중 SHAP (Shapley Additive exPlanations) 기법을 활용하였다. 유사 기법인 LIME (Local Interpretable Model-agnostic Explanation) 도 검토하였으나 대리 모델(Surrogate Model) 기반의 LIME은 특정 데이터 근처에서 선형 모델을 학습시켜 국소적인 설명에 강점이 있지만 샘플링에 따른 변동성이 크기 때문에 복잡한 도장 라인의 다변량 데이터를 정량적으로 설명하기에 적합 하지 않다고 판단하였다. SHAP은 공정 변수의 기여도(Shapley Values) 영향력이 일관되게 유지되는 기법으로 알려져 있기 때문에 공정 흐름에서 각 변수가 미치는 영향을 정량적으로 설명하기 위해 적절할 것으로 판단하였다.
본 연구에서는 학습된 DNN 모델에 적용할 수 있는 DeepSHAP 알고리즘을 적용하였다[
10]. 해당 알고리즘은 계산의 복잡도가 높아 모든 데이터를 활용하여 계산 시 시간이 과도하게 소요되기 때문에 연속된 데이터 샘플 100개를 선정하여, Target 5개에 대한 각 공정의 기여도를 계산하였다. 도출된 기여도 값의 Summary Plot과 Bar Graph를 도출하여 Target 공정의 예측(Y)에 대한 입력 공정(X)의 영향성을 분석하였다.
PBS(공정 47) 예측에 대한 상위 5개 기여공정은 [47, time index, 14, 42, 4]이었고 CTS(공정 51) 예측에 대한 상위 5개 기여공정은 [4, 6, time index, 51, 47]이었다. 또한, 모든 Target 공정에서 Autocorrelation 특성이 공통적으로 확인되었다. 공정흐름을 바탕으로 고찰해 보았을 때 전반적으로 Target 공정과 근접한 공정이 예측 기여도에 다소 영향이 있는 것을 확인했고, Target과 거리가 있는 공정이지만 재공 수용능력이 큰 전처리나 ED Storage 공정도 영향도가 높은 것으로 분석되었다.
따라서 도장 생산 관리 시 주요 Target의 전후 공정의 재공을 관리하는 것이 중요하고, 수용량이 큰 공정들에서 병목현상이 생기지 않도록 운영 능력을 일관성 있게 유지해야 한다.
6. 결론
본 논문에서는 자동차 도장 공정에서 의장 공정으로의 안정적인 차량 공급을 지원하기 위해 AI 기반의 재공 예측 프레임워크를 개발하였다. 기존에 수집되지 않던 현장의 재공 데이터를 통합 DB로 구축하고, 실시간성 노이즈 제거와 유효 변수 선정을 통해 모델의 학습 효율을 극대화하였다. 성능 평가 결과, 일반적인 시계열 모델보다 복잡한 패턴 학습에 유리한 DNN 알고리즘이 PBS 공정의 미래 재공을 예측하는 데 가장 우수한 성능을 보였으며, 이를 병렬로 구성한 다중 예측 로직을 통해 최대 8시간 후의 장기 예측 가능성을 확인하였다.
해당 연구의 기여도는 다음과 같다. 첫째, 기존의 관리자 경험이나 단순 룰베이스 시스템의 한계를 극복하고, 데이터에 기반한 정교한 미래 시점 인지를 가능하게 함으로써 생산 운영의 지능화를 도모하였다. 둘째, XAI 기법을 통해 주요 도장 공정의 영향도를 분석함으로써 공정 이상 발생 시 관리자가 즉각적인 의사결정을 내릴 수 있는 객관적 근거를 제시하였다. 최종적으로 본 시스템은 준실시간 웹 모니터링 플랫폼에 탑재되어 자동차 전체 생산시간 중 약 40-45%를 차지하는 도장 라인의 운영 효율을 개선하고, 의장 라인의 투입 중단 리스크를 최소화하는 데 실질적으로 기여할 것으로 기대된다.
Fig. 1Data acquisition points for each painting process step
Fig. 2Daily changes in WIP by each process
Fig. 3Daily WIP changes at pretreatment entrance
Fig. 4Daily WIP changes at ED storage entrance
Fig. 5
Fig. 6
Fig. 7Logic for multiple predictions
Table 1Comparison of data shapes
Table 1
|
Raw data (2-dimension) |
(Samples, Input variables(26)) |
|
Input (3-dimension) |
(Samples, Input window, Input variables (26)) |
|
Output (3-dimension) |
(Samples, Output window, Input variables (5)) |
Table 2Configuration of machine learning and deep learning models
Table 2
|
Model |
Regression |
LSTM |
GRU |
DNN |
|
Summary |
fit_intercept: |
True Input (48, 26)
Hidden 1: LSTM (64, activation = Relu)
Hidden 2: LSTM (32, activation = Relu)
Output (48, 5) |
Input (48, 26)
Hidden 1: GRU (64, activation = Relu)
Hidden 2: GRU (32, activation = Relu)
Output (48, 5) |
Input (48*26 = 1248)
Hidden 1 (128, activation = Relu)
Hidden 2 (64, activation = Relu)
Output (48*5 = 240) |
|
normalize: False |
|
Copy_X: True |
|
n_jobs: None |
|
* Estimator: OLS |
* Optimizer = Adam |
* Optimizer = Adam |
* Optimizer = Adam |
|
Learning rate |
- |
0.0001 |
0.0001 |
0.0001 |
|
Loss function |
MSEMAE |
MAE |
MAE |
|
|
Epochs |
- |
50 |
50 |
20 |
|
Batch size |
- |
32 |
32 |
32 |
|
Training time [s] |
- |
550 |
600 |
20 |
Table 3Results of model performance evaluation
Table 3
|
Grouping |
Target |
Evaluation metric |
Regression |
LSTM |
GRU |
DNN |
|
Sealer/UBS |
Process 17 |
MSE (WIP Units) |
38.897 |
61.126 |
65.772 |
35.308 |
|
RMSE (WIP Units) |
6.237 |
7.818 |
8.11 |
5.942 |
|
MAE (WIP Units) |
4.94 |
6.34 |
6.759 |
4.781 |
|
Deadener/Intermedi-ate coat |
Process 28 |
MSE |
69.919 |
88.208 |
89.884 |
74.915 |
|
RMSE |
8.362 |
9.392 |
9.481 |
8.655 |
|
MAE |
6.552 |
7.645 |
7.503 |
6.825 |
|
Topcoat/OK |
Process 36 |
MSE |
20.386 |
35.651 |
34.544 |
21.338 |
|
RMSE |
4.515 |
5.971 |
5.877 |
4.619 |
|
MAE |
3.44 |
4.691 |
4.547 |
3.563 |
|
PBS |
Process 47 (PBS) |
MSE |
273.717 |
349.549 |
287.374 |
218.575 |
|
RMSE |
16.544 |
18.696 |
16.952 |
14.784 |
|
MAE |
11.832 |
14.111 |
12.465 |
10.876 |
|
CTS |
Process 51 (CTS) |
MSE |
36.611 |
31.017 |
36.419 |
35.589 |
|
RMSE |
6.051 |
5.569 |
6.035 |
5.966 |
|
MAE |
6.218 |
3.856 |
4.414 |
4.409 |
|
Average |
MSE |
87.906 |
113.11 |
102.799 |
77.144 |
|
RMSE |
8.342 |
9.489 |
9.291 |
7.993 |
|
MAE |
6.218 |
7.328 |
7.138 |
6.091 |
Table 4Performance evaluation results of time-specific prediction models
Table 4
|
|
|
DNN_1hr |
DNN_2hr |
DNN_4hr |
DNN_6hr |
DNN_8hr |
|
Grouping |
Target |
Evaluation Metric |
i_w = 12
o_w = 12 |
i_w = 24
o_w = 24 |
i_w = 48
o_w = 48 |
i_w = 72
o_w = 72 |
i_w = 96
o_w = 96 |
|
Sealer/UBS |
Process 17 |
MSE (WIP Units) |
16.10 |
37.049 |
35.308 |
- |
- |
|
RMSE (WIP Units) |
4.012 |
6.087 |
5.942 |
- |
- |
|
MAE (WIP Units) |
3.020 |
4.752 |
4.781 |
- |
- |
|
Deadener/Intermedi-ate coat |
Process 28 |
MSE |
47.061 |
65.453 |
74.915 |
- |
- |
|
RMSE |
6.860 |
8.09 |
8.655 |
- |
- |
|
MAE |
5.206 |
6.277 |
6.825 |
- |
- |
|
Topcoat/OK |
Process 36 |
MSE |
14.004 |
16.083 |
21.338 |
28.257 |
- |
|
RMSE |
3.742 |
4.01 |
4.619 |
5.316 |
- |
|
MAE |
2.847 |
3.066 |
3.563 |
4.093 |
- |
|
PBS |
Process 47 (PBS) |
MSE |
114.747 |
174.31 |
218.575 |
258.165 |
343.611 |
|
RMSE |
10.712 |
13.203 |
14.784 |
16.068 |
18.537 |
|
MAE |
7.833 |
9.499 |
10.876 |
11.814 |
13.998 |
|
CTS |
Process 51 (CTS) |
MSE |
18.528 |
24.58 |
35.589 |
36.112 |
36.368 |
|
RMSE |
4.304 |
4.958 |
5.966 |
6.009 |
6.031 |
|
MAE |
2.98 |
3.46 |
4.409 |
4.519 |
4.618 |
|
Average |
MSE |
42.088 |
63.494 |
77.144 |
107.511 |
189.990 |
|
RMSE |
5.926 |
7.269 |
7.993 |
9.130 |
12.284 |
|
MAE |
4.376 |
5.410 |
6.091 |
6.809 |
9.307 |
REFERENCES
- 1. Omar, M. A., (2011), The automotive body manufacturing systems and processes. John Wiley & Sons.
- 2. Li, J., (2004), Throughput analysis in automotive paint shops: A case study, IEEE Transactions on Automation Science and Engineering, 1(1), 90-98.
- 3. Schöttl, F., Herrmann, N., Maurer, M., Lindemann, U., (2014), Systematic procedure for handling complexity in the automotive production, Proceedings of the 5th International Conference on Changeable, Agile, Reconfigurable and Virtual Production, 255-260.
- 4. Ainouz, J., (2011), Analysis of a painted body storage system, M.Sc. Thesis, Chalmers University of Technology.
- 5. Yu, F., Peng, Y., Li, J., Zhou, G., Chen, L., (2023), An analysis of optimization for car PBS scheduling based on greedy strategy state transition algorithm, Applied Sciences, 13(10), 6194.
- 6. Ruppert, D., (2004), The elements of statistical learning: Data mining, inference, and prediction, Journal of the American Statistical Association, 99(466), 567.
- 7. Hochreiter, S., Schmidhuber, J., (1997), Long short-term memory, Neural Computation, 9(8), 1735-1780.
- 8. Cho, K., Van Merriënboer, B., Bahdanau, D., Bengio, Y., (2014), On the properties of neural machine translation: Encoder-decoder approaches, arXiv preprint arXiv:1409.1259.
- 9. LeCun, Y., Bengio, Y., Hinton, G., (2015), Deep learning, Nature, 521(7553), 436-444.
- 10. Lundberg, S. M., Lee, S.-I., (2017), A unified approach to interpreting model predictions, Advances in Neural Information Processing Systems, 30, 4765-4774.
Biography
- Jin Woo Kim
Senior Manager, Hyundai Motor Company. He received his Ph.D. in Mechanical Engineering from Sungkyunkwan University. His research interest is smart manufacturing systems.
- Won Woong Lee
Senior Manager, Kia Corporation. His research interest is intelligent manufacturing and production efficiency
- Sang Tak Lee
Senior Manager, Hyundai Motor Company. His research interest is smart manufacturing system.
- Yoon Jang
Head of Group, Kia Corporation. His research interest is SI engineering and AI technology for manufacturing.
- Jae Gon Lee
Senior Manager, Kia Corporation. He received his Master of Business Administration (M.B.A.) from Korea University. His research interest is technology & innovation management.
- Myoung Gyo Lee
Senior Manager, Hyundai Motor Company. His research interest is data-driven solutions for manufacturing.
