제조/IoT 산업 내 AI혁신과 스마트팩토리

1. 제조분야

1. 스마트팩토리

1. 오작동 모니터링
2. 제품 성능 모의 실험 digital twin
   가상의 공장에서 모의 실험
3. 데이터 기반 의사결정 최적화

2. 공정 자동화

1. 공정 효율 증대
2. 재고관리 및 물류자동화

3. 인공지능 적용 위해 필요한 점

1. 해당 도메인에서의 확실한 목표 확립
2. 데이터 분석 전문가와의 지속적 커뮤니케이션
3. 인공지능에 필요한 데이터를 확보할 수 있는 환경 조성 (데이터 수집의 중요성)

4. 실습. 데이터 확인하고 머신러닝 모델 학습하기

이번 실습에서는 반도체 공정 센서 데이터를 살펴보고 인공지능 모델을 학습하는 과정을 수행해 보겠습니다.

• 개요
  복잡한 현대 반도체 제조 공정은 일반적으로 센서 및 공정 측정 지점에서 수집된 신호 혹은 변수 모니터링을 통해 일관된 감시를 받습니다.

그러나 이러한 모든 신호가 특정 모니터링 시스템에서 똑같이 가치가 있는 것은 아닙니다. 측정된 신호에는 유용한 정보, 관련 없는 정보 및 노이즈의 조합이 포함됩니다.

이번 실습에서는 제조 과정에서 나올 수 있는 공정 이상을 머신러닝을 사용하여 예측해볼 것입니다.

• 실습 데이터 구조
  반도체를 제조하는 공정에서 590개의 센서가 시간 별로 기록한 데이터 샘플 1,567개가 아래와 같이 주어졌습니다.
  

Pass/Fail 칼럼은 타임 스탬프 별로 간단한 통과 실패율을 나타내며 여기서 –1은 통과(정상)에 해당하고 1은 실패(이상)에 해당합니다.

즉, 이 데이터 테이블은 592개의 칼럼(590개의 센서, 1개의 테스트 통과 결과, 1개의 시간 데이터)과 1,567개의 로우(행) 으로 구성되어 있는 것입니다.

위 데이터를 기반으로 머신러닝 학습을 수행하여, 불량 반도체가 제조될 수 있는 공정 이상 유무를 예측하여 봅시다.

지시사항
1. 아래 코드를 사용하여 데이터를 읽고 처리하는 과정을 수행해보세요.

ma.preprocess()
2. 아래 코드를 사용하여 학습을 수행시켜보세요.

ma.train(x_train_us, y_train_us)

3. 실행 버튼을 눌러 출력된 데이터를 확인하고 학습 진행 과정을 확인해보세요.

4. 제출 버튼을 눌러 데이터를 처리하고, 학습을 시키는 코드를 올바르게 작성하였는지 확인해보세요.

import machine as ma

def main():
    
    """
    지시사항 1번. 데이터를 읽고 처리하는 코드를 작성해보세요.
    """
    x_train_us, x_test_us, y_train_us, y_test_us = ma.preprocess()
    
    
    """
    지시사항 2번. 학습을 수행시켜보세요.
    """
    model = ma.train(x_train_us, y_train_us)
    
    
if __name__ == "__main__":
    main()

machine.py

import numpy as np 
import pandas as pd 
import sys
from tqdm import trange

import matplotlib.pyplot as plt
import seaborn as sns
plt.style.use('fivethirtyeight')

# to avoid warnings
import warnings
warnings.filterwarnings("ignore", category=DeprecationWarning)

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

import xgboost as xgb
from xgboost.sklearn import XGBClassifier
from sklearn.model_selection import GridSearchCV

from sklearn.metrics import confusion_matrix, accuracy_score, f1_score, precision_score, recall_score, average_precision_score

from elice_utils import EliceUtils
elice_utils = EliceUtils()

def preprocess():

    print("데이터 읽는 중...")
    data = pd.read_csv('data/uci-secom.csv')
    
    print("읽어 온 데이터를 출력합니다.")
    print(data)
    
    #print(data.isnull().sum())
    #print("결측 데이터 값을 처리합니다.")
    data = data.replace(np.NaN, 0)
    #print(data.isnull().sum())
    
    # 쓸모없는 데이터 지우기
    data = data.drop(columns = ['Time'], axis = 1)
    
    # 타겟 데이터 분리
    x = data.iloc[:,:590]
    y = data.iloc[:, 590]

    print("\n학습용 데이터와 테스트용 데이터로 분리 합니다.")

    # Under sampling 수행
    failed_tests = np.array(data[data['Pass/Fail'] == 1].index)
    no_failed_tests = len(failed_tests)

    normal_indices = data[data['Pass/Fail'] == -1]
    no_normal_indices = len(normal_indices)
    
    np.random.seed(10)
    random_normal_indices = np.random.choice(no_normal_indices, size = no_failed_tests, replace = True)
    random_normal_indices = np.array(random_normal_indices)

    under_sample = np.concatenate([failed_tests, random_normal_indices])
    undersample_data = data.iloc[under_sample, :]

    x = undersample_data.iloc[:, undersample_data.columns != 'Pass/Fail'] 
    y = undersample_data.iloc[:, undersample_data.columns == 'Pass/Fail']
    y = np.ravel(y)

    x_train_us, x_test_us, y_train_us, y_test_us = train_test_split(x, y, test_size = 0.2, random_state = 4)
    
    print("학습용 데이터 크기: {}".format(x_train_us.shape))
    print("테스트용 데이터 크기: {}".format(x_test_us.shape))
    
    return x_train_us, x_test_us, y_train_us, y_test_us

def train(x_train_us, y_train_us):

    print("학습을 수행합니다.")
    
    model = XGBClassifier(random_state=2)
    
    # 파라미터 튜닝
    parameters = [{'max_depth' : [1, 2, 3, 4, 5, 6]}]
    
    grid_search = GridSearchCV(estimator = model, param_grid = parameters, scoring = 'recall', cv = 4, n_jobs = -1)
    
    
    import pickle
    
    for j in trange(5000,file=sys.stdout, leave=False, unit_scale=True, desc='학습 진행률'):
    
        with open('model.pkl', 'rb') as f:
             model = pickle.load(f)
    print("학습 완료")
    
    return model

5. 실습. 학습 모델 평가하기

재현율 확인하기
인공지능과 머신러닝을 활용하여 모델을 만들고 나면, 해당 모델이 얼마나 정확히 값을 예측하는지를 평가할 수 있습니다.

이번 실습에서의 모델 퍼포먼스는 재현율(recall score)이라는 값을 통하여 평가해보도록 하겠습니다.

재현율은 모델이 실제 예측할 값을 얼마나 정확히 예측(재현)했는지를 설명하는 지표인데, 실습 환경의 실행 버튼을 눌러 확인해보면 94.7% 라는 유의미한 재현율을 확인해볼 수 있습니다.

높은 재현율을 가진 머신러닝 모델을 만들면 산업 현장에서, 기계가 이상 작동을 하는지에 대해 높은 신뢰도로 미리 확인해볼 수 있기 때문에 경영 환경에 큰 효과를 가져올 수 있습니다.

특성 중요도 확인하기
공장의 센서 데이터로 인공지능 모델을 학습시키면, 단순한 예측 정확도 이상의 지표를 추가로 확인할 수 있습니다.

특성 중요도(feature importance)가 대표적입니다. 이 사례에서 특성 중요도는 인공지능 모델이 기계의 이상 작동을 감지하는 데에 어떤 센서가 가장 중요했는지를 나타냅니다.

우리가 학습시킨 인공지능 모델은 이 사례에서 103번 센서와 163번 센서가 공정 이상을 탐지하는 데에 가장 중요하다고 알려주고 있습니다. 따라서 데이터 과학을 활용하면 해당 센서들을 우선으로 하여 공정 개선 작업을 진행해볼 수 있겠습니다.

지시사항
1. 아래 코드를 사용하여 예측 정확도 결과를 출력해보세요.
ma.evaluation()
2. 실행 버튼을 눌러 결과를 확인해 봅시다.
3. 제출 버튼을 눌러 결과를 출력하는 코드를 올바르게 작성하였는지 확인해보세요.

• Tips
  해당 실습에서 해석하기 쉽게 정의한 재현율(recall score) 은 다음의 의미를 가지고 있습니다.
  defectp=정확히예측한불량품수량
  defectr=실제불량품수량

recall=defectp/defectr

import machine as ma

def main():
    
    """
    지시사항 1번. 예측 정확도 결과를 출력해보세요.
    """
    ma.evaluation()

if __name__ == "__main__":
    main()

def evaluation():

    x_train_us, x_test_us, y_train_us, y_test_us = preprocess()
    model = train(x_train_us, y_train_us)
    # 테스트 데이터 예측
    y_pred = model.predict(x_test_us)
    print('평가 지표인 recall score를 출력합니다.: ', recall_score(y_test_us, y_pred), '\n')
    
    print("센서들의 중요도를 출력합니다.")
    xgb.plot_importance(model, height = 1, grid = True, importance_type = 'gain', show_values = False, max_num_features = 20)

    plt.rcParams['figure.figsize'] = (10, 15)
    plt.xlabel('The importance score for each features')
    plt.ylabel('Features')
    
    plt.savefig("result1.png")
    elice_utils.send_image("result1.png")

6. 실습. 공정 이상 예측하기

이전 실습의 학습 결과를 통하여 103번 센서의 관측 값이 중요하다는 것을 알아보았습니다.

이번 실습에서는 103번 센서의 값을 조절 했을 때 공정 이상이 발생할 지를 학습된 인공지능 모델을 사용하여 예측하여 봅시다.

아래는 103번 센서의 관측치 값들의 분포를 나타낸 그래프입니다.

지시사항
1. None을 지우고 103 번 센서의 관측치 값을 직접 입력하고자 합니다. value_103_sensor에 정상 범위의 값-0.02이상 0이하를 입력하세요.

2. 실행 버튼을 눌러 결과를 확인해보세요.

3. 제출 버튼을 눌러 정상 범위의 값을 올바르게 입력했는지 확인해보세요.

Tips
정상 범위 밖의 값을 입력한 후 실행 버튼을 눌러 결과를 확인해보세요.

import machine as ma

def main():
	
    """
    지시사항 1번. 103번 센서값인 아래의 value_103_sensor 값을 바꾸어보세요.
    """
    value_103_sensor = -0.01
    
    # 예측을 진행하는 코드입니다.
    ma.predict(value_103_sensor)
    
if __name__ == "__main__":
    main()