섬유 염색 공정의 색차 품질 예측과 조기 불량 탐지를 위한 설명가능 딥러닝 프레임워크 = Explainable Deep Learning Framework for Color Difference Quality Prediction and Early Defect Detection in Textile Dyeing Processes

국문 초록 (Abstract)

본 연구는 섬유 염색 공정의 시계열 설비 데이터를 활용하여 최종 색차(ΔE) 품질을 사전에 예측하는 딥러닝 기반 설명가능 AI 프레임워크를 연구하였다. 염색 공정은 공정 완료 후에만 품질 측정이 가능하다는 구조적 한계로 인해 사후 대응만 가능한 상황이며, 본 연구는 이를 극복하기 위한 예방적 품질 관리 시스템을 제안한다.
한국스마트제조혁신추진단(KAMP)의 125개 LOT, 34,156개 레코드 데이터로 5개 실험을 수행하였다. 실험 1은 기본 LSTM 모델 검증, 실험 2는 임계값 최적화, 실험 3은 고급 아키텍처 비교, 실험 4는 조기 탐지 성능 평가, 실험 5는 설명가능 AI 분석을 수행하였다.
주요 결과는 다음과 같다. CNN-LSTM Hybrid와 ADASYN 조합이 균형 정확도 97.1%, F1-macro 96.8%로 최고 성능을 달성하였으며, 3등급 분류 체계가 이진 분류 대비 6.9%p 우수하였다. 조기 탐지 실험에서 누적 60% 시점에서 균형 정확도 97.6%, 공정 초기 40% 시점에서 95.5%를 기록하여 조기 예측의 실용성을 입증하였다. 특히 슬라이딩 윈도우 기법을 통한 데이터 증강이 평균 25.1%p의 성능 향상을 가져왔으며, 이는 소량 데이터 환경에서의 핵심 역할을 하였다. SHAP 분석으로 목표온도가 가장 중요한 품질 결정 요인임을 확인하였다. Temporal Importance 분석 결과 공정 0~20%와 80~100% 구간이 최종 품질 결정에 가장 중요한 것으로 나타났다.
본 연구는 제조업 특화 시계열 분류 프레임워크 제시, 슬라이딩 윈도우 기반 데이터 증강 전략, 시점별 예측 가능성 정량화 등의 학술적 기여와 함께, 예방적 품질 관리 패러다임 전환 및 단계별 도입 로드맵 제공 등의 실무적 가치를 제시하였다.

다국어 초록 (Multilingual Abstract)

This study developed a deep learning-based explainable AI framework to predict the final color difference (ΔE) quality in textile dyeing processes using time-series equipment data. In dyeing operations, quality can only be measured after the process is completed, resulting in a reactive quality control structure. This research proposes a preventive quality management system to overcome this limitation.
Experiments were conducted using 125 LOTs and 34,156 records from the Korea Smart Manufacturing Innovation Initiative (KAMP) dataset, organized into five ㅚ experimental series. Experiment 1 validated the baseline LSTM model; Experiment 2 optimized classification thresholds; Experiment 3 compared advanced architectures; Experiment 4 evaluated early detection performance; and Experiment 5 performed explainable AI analysis.
The key findings are as follows. The CNN-LSTM Hybrid model combined with ADASYN achieved the best performance, with a balanced accuracy of 97.1% and an F1-macro score of 96.8%. The three-class classification scheme outperformed binary classification by 6.9 percentage points. In early detection experiments, the model achieved a balanced accuracy of 97.6% at the cumulative 60% process stage and 95.5% at the early 40% stage, demonstrating the feasibility of early prediction. Notably, data augmentation through the sliding window technique yielded an average performance improvement of 25.1 percentage points compared to the partial sequence approach, playing a critical role in small-scale data environments.
SHAP analysis identified the target temperature as the most important factor in determining quality. Temporal Importance analysis revealed that the 0–20% and 80 –100% process stages are the most critical for final quality determination.
This study presents academic contributions including a manufacturing-specific time-series classification framework, a sliding window-based data augmentation strategy, and quantification of predictability at different process stages. It also provides practical value through enabling a paradigm shift toward preventive quality management and offering a phased implementation roadmap.

목차 (Table of Contents)

• 1. 서론 1
• 1.1. 연구 배경 및 목적 1
• 1.2. 기존 연구와 차별성 2
• 1.3. 논문 구성 4
• 2. 이론적 배경 5
• 2.1. 염색 공정 개요 5
• 2.2. 품질 평가 기준 및 주요 도메인 개념 6
• 2.3. 기계학습 이론 및 예측 모델 구조 9
• 2.4. 클래스 불균형 해소 기법 11
• 2.5. 설명 가능한 AI 13
• 2.6. 이론적 시사점 13
• 3. 연구 방법 16
• 3.1. 연구 대상 16
• 3.2. 연구 프레임워크 19
• 3.3. 성능 평가 지표 23
• 4. 실험 결과 및 분석 25
• 4.1. 데이터 및 실험환경 소개 25
• 4.2. 실험 결과 및 분석 35
• 5. 결론 및 향후 연구 61
• 5.1. 연구 결과 61
• 5.2. 학술적 기여 63
• 5.3. 연구 한계점 및 향후 연구 방향 65