의사결정나무를 이용한 다변량 공정관리 절차 = Multivariate process control procedure using a decision tree learning technique

다국어 초록 (Multilingual Abstract)

In today’s manufacturing environment, the process data can be easily measured and transferred to a computer for analysis in a real-time mode. As a result, it is possible to monitor several correlated quality variables simultaneously. Various multivariate statistical process control (MSPC) procedures have been presented to detect an out-of control event. Although the classical MSPC procedures give the out-of-control signal, it is difficult to determine which variable has caused the signal. In order to solve this problem, data mining and machine learning techniques can be considered. In this paper, we applied the technique of decision tree learning to the MSPC, and we did simulation for MSPC procedures to monitor the bivariate normal process means. The results of simulation show that the overall performance of the MSPC procedure using decision tree learning technique is similar for several values of correlation coefficient, and the accurate classification rates for out-of-control are different depending on the values of correlation coefficient and the shift magnitude. The introduced procedure has the advantage that it provides the information about assignable causes, which can be required by practitioners.

국문 초록 (Abstract)

현대의 제조공정은 컴퓨터의 발전과 통신 및 네트워크의 발달로 컴퓨터통합제조가 가능해졌다. 이로 인해 고품질 제품의 고속 생산공정이 확대되고, 공정에서 실시간으로 전송되는 다양한 품질변수들의 데이터 축적 또한 가능하게 되었다. 이를 관리하기 위해서는 다변량 통계적 공정관리 절차가 필요하다. 전통적으로 사용하는 다변량 관리도는 이상상태 발생시 이상신호를 주지만, 이상원인이 어떠한 변수에 어떠한 영향을 주는지에 대한 정보를 제공하지 않는다는 단점이 있다. 이를 보완하기 위해데이터마이닝과 기계학습 기법을 이용할 수 있다. 이 논문에서는 의사결정나무 학습 기법을 이용한다변량 공정관리 절차를 소개하고, 이변량인 경우 모의실험을 통하여 그 효율을 살펴보았다. 모의실험 결과를 살펴볼 때, 상관계수에 따라 이상상태 탐지 능력은 비슷한 것으로 나타났고, 이상상태에 대한 분류 정확도는 상관계수와 이상원인의 형태에 따라 차이가 있지만 기존의 다변량 관리도에서는 제공하지 않는 이상원인의 정보를 제공하는 장점이 있음을 알 수 있다.

참고문헌 (Reference)

1 조교영, "다변량 통합공정관리의 재수정 절차에서 모수추정" 한국데이터정보과학회 24 (24): 1275-1283, 2013

2 조교영, "가변추출간격을 갖는 다변량 슈하르트 관리도" 한국데이터정보과학회 21 (21): 999-1008, 2010

3 Hwarng, H. B., "Simultaneous identification of mean shift and correlation change in AR(1)processes" 43 : 1761-1783, 2005

4 Guh, R. S., "Recognition of control chart concurrent pattern using a neural network approach" 37 : 1743-1765, 1999

5 Guh, R. S., "On-line identification of control chart pattern using self-organizing approaches" 43 : 1225-1254, 2005

6 Guh, R. S., "On-line identification and quantification of mean shifts in bivariate processes using a neural network-based approach" 23 : 367-385, 2007

7 Quinlan, J. R., "C5.0: An informal tutorial" RuleQuest 1998

8 Chen, L. H., "Artificial neural networks to classify mean shifts from multivariate chi2 chart signals" 47 : 195-205, 2004

9 Ho, E. S., "An integrated neural network approach for simultaneous monitoring of process mean and variance shifts-a comparative study" 37 : 1743-1765, 1999

10 Guh, R. S., "An effective application of decision tree learning for on-line detection of mean shifts in multivariate control charts" 55 : 475-493, 2008

11 Guh, R. S., "A hybrid learning-based model for on-line detection and analysis of control chart patterns" 49 : 35-62, 2005