다중 형태 데이터를 위한 요소선택 방법

양재경(Jaekyung Yang),이태한(Taehan Lee) 한국산업경영시스템학회 2010 한국산업경영시스템학회지 Vol.33 No.1

데이터마이닝의 사전 단계에서 데이터의 차원(Dimensionality)을 줄이기 위한 단계로서 많은 요소선택(Feature Selection)방법들이 개발되었다. 이 방법은 결과를 예측하거나 데이터를 설명하고자 할 때 어떤 요소들이 관련이 있는지를 결정하는 과정을 포함한다. 또한 이 방법은 데이터의 크기에 대한 확장성(Scalability)를 향상시키며 학습 모델을 더욱 이해하기 쉽도록 줄 수 있다. 이 논문에서는 NP(Nested Partition) 방법을 사용한 최적화 기반의 새로운 요소선택 방법을 NP 구조의 기본적인 이론 근거와 함께 제안한다. 또 한편으로 많은 요소선택 방법들이 다중 형태의 데이터를 처리하는데 한계를 가지고 있는데, NP 기반의 요소선택 방법에 다중 형태의 데이터를 처리할 수 있도록 하는 요소 성능 평가도구(Evaluators)를 도입하여 이를 극복하고자 한다. 또한 어떤 평가도구가 특정 데이터 형태에서 더욱 좋은 결과를 보이는지를 실험 결과와 함께 제시하였다.

Feature Selection Applied to Recommender Systems for Reverse Logistics Internet Auction : 역 물류 환경 인터넷 경매를 위한 요소 선택 응용 추천 시스템

양재경(Jaekyung Yang),유우연(Wooyeon Yu) 한국산업경영시스템학회 2006 한국산업경영시스템학회 학술대회 Vol.2006 No.춘계

다양한 데이터 마이닝 기법들의 발전과 더불어, 속성 (Feature 또는 Attribute) 의 범위 (Dimension) 를 줄이기 위해 많은 요소 선택 방법이 개발되었다. 이는 확장성 (Scalability) 을 향상시킬 수 있고 학습 모델 (Learning Model)을 더욱 쉽게 해석할 수 있도록 한다. 이 논문에서는 네스티드 분할 (Nested Partition, 이하 NP) 을 이용한 새로운 최적화 기반 속성 선택 방법을 NP 기본 구조와 다양한 실험 문제의 수치적 결과들과 함께 제시하여 어떻게 NP의 최적화 구조가 속성 선택 과정에 기여를 하고 있는지 보여준다. 그리고 이 새로운 지능적인 분할 방법이 어떻게 매우 효율적인 분할을 수행하는지를 제시한다. 이 새로운 속성 선택 방법은 필터 (Filter) 방법과 래퍼 (Wrapper) 방법 두 가지로 구현될 수 있다. 사례 연구로서, B2B e-비즈니스 시스템에서 효과적으로 사용될 수 있는 추천 시스템(Recommender System) 을 제안하였다. 이 추천 시스템은 분류 기법 (Classification Rule) 과 제시된 NP 기반 요소 선택 방법을 사용하고 있다. 이 추천 시스템은 사용자의 인터넷 경매 참여를 추천하는데 사용되며, 이 때 제안된 요소 선택 앨고리듬은 추천 규칙들이 쉽게 이해될 수 있도록 모델을 간략화 하는데 사용된다.

데이터마이닝과 RSM 혼합모델을 이용한 스마트폰카메라부품 공정 개선

양재경(Jaekyung Yang),천강민(Kang-min Cheon),변용완(Yong-Wan Byun) 한국산학기술학회 2015 한국산학기술학회 학술대회 Vol.2015 No.1

본 논문은 스마트폰 카메라 바디 제조 빅데이터 분석의 정확성을 높이고자 제조 공정 개선에 이용할 수 있는 데이터마이닝과 RSM(Response surface methodology) 혼합 모델을 제안하고 있다. 정밀 사출성형기로부터 수집된 제조 빅데이터는 혼합모델의 입력으로 이용되었으며, 생산된 제품의 품질 결과를 보여주는 제품 치수 데이터는 혼합 모델의 품질 결과로 사용하였다. 데이터 전처리 단계를 거쳐 속성선택을 통해 선정된 품질에 영향을 미치는 변수를 최종적으로 선정한 후 데이터마이닝 학습 알고리즘을 제품 품질에 영향을 평가할 수 있는 학습모델을 최종적으로 도출하였다. 여기서 데이터마이닝 학습모델 결과에서 나타난 품질 특성 변수 및 관계를 적용하여 RSM 인자를 약 1/8로 줄였으며 최종 실험의 횟수를 최초 실험에 비하여 약 1/12로 줄였다. 최종적으로 도출된 RSM 모델을 통해 양품 기준 제품 치수를 만족하는 최적 생산 조건의 공정변수 특성치를 제시하였다.

설명 가능한 AI를 적용한 기계 예지 정비 방법

천강민(Kang Min Cheon),양재경(Jaekyung Yang) 한국산업경영시스템학회 2021 한국산업경영시스템학회지 Vol.44 No.4

Predictive maintenance has been one of important applications of data science technology that creates a predictive model by collecting numerous data related to management targeted equipment. It does not predict equipment failure with just one or two signs, but quantifies and models numerous symptoms and historical data of actual failure. Statistical methods were used a lot in the past as this predictive maintenance method, but recently, many machine learning-based methods have been proposed. Such proposed machine learning-based methods are preferable in that they show more accurate prediction performance. However, with the exception of some learning models such as decision tree-based models, it is very difficult to explicitly know the structure of learning models (Black-Box Model) and to explain to what extent certain attributes (features or variables) of the learning model affected the prediction results. To overcome this problem, a recently proposed study is an explainable artificial intelligence (AI). It is a methodology that makes it easy for users to understand and trust the results of machine learning-based learning models. In this paper, we propose an explainable AI method to further enhance the explanatory power of the existing learning model by targeting the previously proposedpredictive model [5] that learned data from a core facility (Hyper Compressor) of a domestic chemical plant that produces polyethylene. The ensemble prediction model, which is a black box model, wasconverted to a white box model using the Explainable AI. The proposed methodology explains the direction of control for the major features in the failure prediction results through the Explainable AI. Through this methodology, it is possible to flexibly replace the timing of maintenance of the machine and supply and demand of parts, and to improve the efficiency of the facility operation through proper pre-control.

교차 평가 모델의 고정 가중치 유형의 확장 연구

최성균(Sung-Kyun Choi),양재경(Jaekyung Yang) 한국산업경영시스템학회 2012 한국산업경영시스템학회지 Vol.35 No.1

DEA 모델중 널리 사용되는 교차평가모델(cross efficiency model)은 가중치에 제한을 두지 않고 어떤 특정분야에 탁월한 성과를 내는 DMU(Decision Making Unit)보다는 보다 전반적인 분야에서 두각을 나타내는 DMU를 선발함으로써 많은 연구자들이 DEA문헌에서 적용하여 왔다. 본 연구에서는 이러한 교차평가모델이 실제에 있어서는 암묵적으로 고정 가중치를 사용한다는 것과 동일한 결과를 나타낸다는 것을 분석적으로 밝혔다(one input, multi output case). 또한 multi-input, multi-output case의 경우에도 overall performer의 cluster에 근접한 대다수 DMU의 경우에는 고정 가중치를 사용한 경우와 거의 차이가 없음을 보였다. 교차평가 모델에 적용된 변수의 가중치를 보다 명확히 함으로써 연구자들이 모델의 평가결과를 이해하는데 도움이 될 수 있을 것이다. 또한 교차 평가의 가중치 도식을 더 명확히 보여주기 위해 biplot을 제안한다.

앙상블 모델 기반의 기계 고장 예측 방법

천강민(Kang Min Cheon),양재경(Jaekyung Yang) 한국산업경영시스템학회 2020 한국산업경영시스템학회지 Vol.43 No.1

There have been a lot of studies in the past for the method of predicting the failure of a machine, and recently, a lot of researches and applications have been generated to diagnose the physical condition of the machine and the parts and to calculate the remaining life through various methods. Survival models are also used to predict plant failures based on past anomaly cycles. In particular, special machine that reflect the fluid flow and process characteristics of chemical plants are connected to hundreds or thousands of sensors, so there are not many factors that need to be considered, such as process and material data as well as application of derivative variables. In this paper, the data were preprocessed through time series anomaly detection based on unsupervised learning to predict the abnormalities of these special machine. Next, clustering results reflecting clustering-based data characteristics were applied to produce additional variables, and a learning data set was created based on the history of past facility abnormalities. Finally, the prediction methodology based on the supervised learning algorithm was applied, and the model update was confirmed to improve the accuracy of the prediction of facility failure. Through this, it is expected to improve the efficiency of facility operation by flexibly replacing the maintenance time and parts supply and demand by predicting abnormalities of machine and extracting key factors.

공간분석을 이용한 산업안전 취약지 분석

고경석(Kyeong-Seok Ko),양재경(Jaekyung Yang) 한국산업경영시스템학회 2017 한국산업경영시스템학회 학술대회 Vol.2017 No.춘계

Korea`s industrial death rate is 13 percent in 2015. It’s five times higher than the OECD average. Economic losses due to industrial accidents continue to grow, reaching 19 trillion won in natural disaster losses equivalent to 1.1 trillion won, requiring fundamental changes in industrial safety levels. In this study, We classified the risk of accidents in industrial complex of Ulju-gun using spacial analysis and decision tree methodologies. We draw the main factors that affect the accident and developed the four risk category(alert, hazard, caution, and attention). It is judged to be available in different policy decisions for different types, such as those used by different types of risk ratings, targeted education, and technical support.

앙상블모델을 활용한 기계 고장 예측 및 주요 인자 선별 방법

천강민(Cheon Kang Min),양재경(Jaekyung Yang) 한국산업경영시스템학회 2019 한국산업경영시스템학회 학술대회 Vol.2019 No.추계

설비의 이상(고장)을 예측하는 방법들은 과거에도 많은 연구들이 있었고 최근 역시 유사한 방법들을 통해 설비와 부품의 물리적 상태 진단을 통해 잔존 수명을 산출하는 사례가 많으며, 생존모형을 활용하여 과거 이상 주기 기반의 설비 수명을 예즉하기도 한다. 그러나 단독 설비의 이상을 예측하는 것과 순방향 및 역방향 공정 프로세스가 혼합되어 있는 특수 설비의 수명을 예측하거나 이상 진단을 위해 단순 생존 모형만을 가지고는 설명하기 어려운 점이 많다. 또한 단독 설비가 아닌 연계설비(다수의 연계 공정), 특히 화학공장의 유체 흐름과 공정 특성이 반영하는 특수 설비는 수백 또는 수천 개의 센서와 연결되어 있기 때문에 설비 관련 데이터뿐만 아니라 공정 및 재료 데이터 및 파생 변수 적용 등 고려되어야 할 요소들이 적지 않다. 본 논문에서는 이러한 특수 설비의 이상을 예즉하기 위해 비지도학습 기반의 시계열 이상탐지 방법을 통해 데이터를 필터링하였다. 다음으로 클러스터링 기반의 데이터 특성을 반영한 군집요소를 추가 변수 적용하였으며 과거 설비 이상 히스토리를 기반으로 학습 데이터 셋을 생성하였다. 마지막으로 지도학습 알고리즘 기반의 예측 방법론을 적용하였으며 모델 업데이트를 통해 설비 이상 예측의 정확도가 향상되는 것을 확인하였다. 이를 통해 설비의 이상을 예측하고 주요인자를 추출함으로써 설비의 정비 시점과 부품 수급에 대해 유연하게 대체함으로써 설비 운영의 효율성 향상을 기대한다. Research for predicting abnormalities of equipment has been introduced. Recently, there have been also cases estimating the remaining life from the physical status diagnosis of equipment and parts of a machine by using similar methods to the past. In addition, the method using a duration model based on the history data of an abnormal cycle is one of such methods. However, by using simple duration model, it has more limitation on predicting the remaining life and abnormalities of special equipment in the forward and backward mixing process than doing those of independent equipment. Since the special equipment in the interconnected processes such as fluid flow processes in a chemical plant communicates with hundreds or thousands of sensors, there is no lack of factors to consider process and material data, derived variable application, equipment related data, etc. This paper proposes an ensemble model with multiple algorithms such as training dataset generation, anomaly detection, clustering xgboost, and survival model to predict and identify the major factors equipment anomalies.

DEA에서 전체 효율의 측정을 위한 새로운 접근

최성균(Sung-Kyun Choi),양재경(Jaekyung Yang) 한국산업경영시스템학회 2011 한국산업경영시스템학회지 Vol.34 No.3

DEA 관련 연구에서 전체 효율을 측정하는 것의 중요성은 강조되어져 왔다. 그 연구는 주로 그것이 오직 가격과 비용의 정보를 정확히 알 때 측정될 수 있다는 제한이 있었다. 그러나 실제 사례에서 이 정확한 정보를 얻는 것은 쉽지 않다. 이런 한계를 일부 극복하기 위해 이 논문에서는 Cone-ratio 제약을 이용하여 전체 효율을 측정하기 위한 새로운 모델들을 제안했다. 제안된 모델들을 기반으로 DEA에서 전체 효율 모델들을 적용하기 위해 우리가 알아야 할 필요가 있는 모든 것은 정확한 비용 또는 가격이 아니라, 비용 또는 가격의 비율이라는 사실을 증명하였다.

인공지능 기반 건물화재 예측모델 연구

고경석(Kyeongseok Ko),양재경(Jaekyung Yang),황동현(Donghyun Hwang),고효석(Hyoseok Ko),가칠오(Chillo Ga),조주필(Juphil Cho) 한국통신학회 2020 韓國通信學會論文誌 Vol.45 No.7