제조 AI Use Case
프레스 벤딩 공정 데이터 분석 및 AI 적용사례

현대알비 배너.png

프레스 밴딩 공정 데이터 분석 및 AI 적용사례

자율 공정 운영 AI 구축으로 PQCD 향상과 AI 지식 자산화, 그리고 비 가동 및 품질 부적합 손실 최소화를 목적으로 추진한 AI 사례입니다.
[프로젝트 기간: 2020년 9월 1일 ~ 2020년 12월 31일]

✔ Key word : 프레스 벤딩, 강관 제조업, 데이터 수집, 데이터 분석, 공정 조건 예측

수행기관 수요기업 (주) 현대알비
공급기업 (주) 인터엑스
대상 공정 대 구경 강관 JCO 프레스 벤딩 공정
업종 강관 제조업
문제점 정의 JCO 프레스 벤딩 공정의 재질 특성 및 소성 변형의 변동성 등을 고려한 최적 공정 조건 설정이 작업자 의존한 방식으로는 어렵고 한계가 있음
목적 주문 정보 및 원자재 정보, 공정 조건 데이터 등의 수집 및 분석으로 AI 활용한 최적 공정 조건 예측 모델 개발 및 적용
데이터 포맷 및 수집방법 CSV, MES, Ethernet
데이터 형태
Name Type Desc.
TB_Pipe No Float PIPE 번호
TB_Heat Float Heat 번호
TB_Work-date Float 작업일자
TB_work_order Float 작업오더
TB_Req_Out-Round Float 외경
TB_Req_Thick Float 두께
TB_Raw_Material_Yp Float 항복점
TB_Raw_Material_Ts Float 인장점
TB_EL Float 연신률
TB_Property Float 재질
TB_TRD Float 롤러거리
TB_displacement_0 Float 변위영점
TB_displacement_1 Float 변위
TB_X1_X2 Float 피딩1
TB_X3_X4 Float 피딩2
분석 · 데이터 가공 전처리 : 완전성, 유일성, 유효성, 일관성, 정확성 관점에서 데이터 품질 검증
· 데이터 상관 관계 분석 : EDA(탐색적 데이터 분석) 및 JCO 변위 조건 데이터 예측 모델 (ERT, RG, LR)
· 최적 조건 예측 모델 : Random Forest Regressor & ExtraTrees Regressor
결과 · 예측 결과 예시 - 공정별 AI모델을 활용하여 최적 변위값 예측
· 오차 1을 기준으로 잘 예측된 Case와 오류 존재 Case를 구분

데이터 수집 및 저장

  • MES 데이터 - MonGo DB로 수집
  • 주문 데이터, 원자재 재질 및 특성 데이터
  • 설비로부터 공정 조건 데이터 수집
  • 변위 데이터, 하부 롤러 데이터, 피딩 데이터
  • 2D 센서 기반 실시간 내경/외경 데이터
데이터 수집 및 저장.png

데이터 전처리 및 분석

  • 데이터 가공 전처
  • Null Data 및 이상치 데이터 제거
  • 재질 및 소성 변형 변동성과 데이터 기반
    공정조건 데이터와 상관 관계 분석
  • JCO 변위 조건 데이터 예측 모델 개발
데이터 전처리 및 분석.png

기대 효과

  • 비가동 시간 감소로 생산성 증대
  • 품질 부적합 손실 최소화 및 고객 만족 응대
  • AI Asset 자산화 및 공정 운영 역량 향상
기대효과 – 1.png

01

기업소개

[현대알비]

    - 사업 분야: 강관 제조
    - 매출액 : 997억 7,022만(2019.12. GAAP 개별)
    - 대상 공정: 프레스 벤딩 공정

02

문제점 분석

· 프레스 벤딩 공정의 비가동 비중이 35%로 대부분 비가동 원인이 작업 조건의 데이터 생성과 수정 작업이며, 이로 인해 다품종 제품 생산성이 떨어짐
· 현재 공장 노하우를 신축 공장에 빠르게 적용하는 것이 어려움
문제점 분석.png

03

해결 방법

① 분석 프레임 워크
· 생산 비가동 시간을 최소화하고자 원자재 특성 기반 벤딩 조건 예측 모델을 개발하여 적용하고자 함
· 프레스 벤딩 공정의 비가동 원인 개선을 목적으로 공정 운영 현황 분석 및 분석 방향 정의
분석 프레임 워크.png
② 데이터 수집 및 전처리
데이터 수집 및 전처리.png
· PIPE 및 HEAT 정보 기반 공정 작업 정보를 매핑하여 데이터 셋을 확보하고, 분석을 위한 전처리
· 완전성, 유일성, 유효성, 일관성, 정확성 등의 관점에서 데이터 품질 검증
 
③ 데이터 분석[기초 통계 분석]
데이터 분석.png
  • 머신러닝 분석
    J공정 RMSE MAE R2
    Extra Trees Regressor 8.900941 3.780855 0.646398
    Random Forest Regressor 9.224957 4.252926 0.584878
    Ridge 12.014041 7.671126 0.372591
    Linear Regression 12.038182 7.684137 0.373003
    Lasso 12.111097 7.720646 0.360025
    ElasticNet 12.154486 7.760699 0.358365
    Decision Tree Regressor 12.72459 4.61995 0.220906
    PLSRegression 12.946745 8.22204 0.296651
    KNeighbors Regressor 13.833628 7.265403 0.208276
    LassoLars 16.477354 10.428892 -0.005393
  •  
    C공정 RMSE MAE R2
    Extra Trees Regressor 10.588851 4.827533 0.577912
    Random Forest Regressor 10.605274 4.391921 0.568823
    Ridge 13.337946 8.694698 0.334143
    Linear Regression 13.407105 8.650257 0.333618
    Lasso 13.436628 8.67536 0.332752
    ElasticNet 13.560144 8.885794 0.309317
    Decision Tree Regressor 13.978296 9.066532 0.285469
    PLSRegression 14.51152 7.551982 0.220556
    KNeighbors Regressor 14.583943 5.1822 0.297544
    LassoLars 17.789411 11.50204 -0.003326
Error가 적은 ERT모델이 적합하며, J-모델 적합도(88%), 예측정확도(82.67%), C-모델적합도(87.68%), 예측정확도(83.93%)로 분석



기초 통계 분석.png
AI분석 모델(ERT) 기반 J-벤딩 225개 데이터로 모델 수행 결과 82.67% 수준으로 예측
 
분석 결과 종합
 
공정 J C O-2 O-4 O-6
사용모델 ERT ERT RF ERT LR
적합도 99.09% 98.85% 99.67% 87.56% 93.93%
Data 개수 3000 3000 1754 810 48
잘 예측된 개수 2745 2723 1584 773 44
잘 예측된 비율 91.5% 90.77% 90.3% 95.43% 91.67%

· 오차 1을 기준으로 잘 예측된 Case와 오류가 존재하는 Case를 구분
· 다른 tree기반 모델들은 잘 예측되거나 오차가 큰 경우가 많으나, O-6 model은 회귀 기반으로 1은 넘지만 비슷한 패턴 및 오차를 보임
 
데이터 분석 및 시각화
데이터 분석 및 시각화.png
 
④ 인프라 구축
인프라 구축.png

04

기대 효과

· 초기 셋팅, 생산조건 최적화 및 생산성 향상
· 조건 데이터 생성 및 변경에 따른 비가동 시간 감소
· 생산성 향상 및 납기 준수율 개선
기대효과.png
· 초기 셋팅, 생산 조건 최적화 및 생산성 향상으로 인해 시간 당 생산량이 2.89본에서 6.0본까지 증가
· 치수 불량율 2.9%에서 2.5%로 감소
· 조건 데이터 생성 및 변경에 따라 비가동 시간이 감소 (월 23.8시간 → 11.8시간)
· 납기 준수율 92.1%에서 95%로 증가

05

향후 계획

· 신 공장 프레스 벤딩 공정 운영 데이터 생성 및 모델 성능 개선
· 공정 조건 데이터 증가로 모델 완성도 업을 통해 JCO 프레스 벤딩 공정 운영 자율화 체계로 혁신
· 용접 조건 최적화
Contact our team

인터엑스에서 제조AI와 빅데이터분석을 통한 새로운 가능성을 경험해 보세요.

      • 개인 정보 수집 정책 (Privacy Policy)*

        개인 정보 보호 정책
        최종 수정 날짜: 2020년 2월 6일
        ① 개인정보 수집이용에 대한 동의
        고객님의 소중한 개인정보는 다음과 같은 정책에 따라 수집 및 이용됩니다.
        인터엑스에서는 해당 목적에 연관되는 개인정보만을 수집하며, 수집된 정보를 투명하고 안전하게 보호 관리할 것을 약속하며 이에 개인정보 수집및 이용에 대한 동의를 구합니다.

        ② 개인정보의 수집·이용 목적
        고객님의 문의에 대한 정보가 보다 정확한 답변을 위해 수집됩니다.

        ③ 수집항목
        필수항목: 성함, 소속, 연락처, 이메일 주소, 문의분야, 문의사항

        ④ 보유이용기간
        원칙적으로, 개인정보 수집 및 이용목적이 달성된 후에는 해당 정보를 지체 없이 파기합니다.


Top