다양한 제조시스템에서 생산률 추정을 위한 지도학습 기반의 DNN 모델 활용

Application of DNN Models with Supervised Learning for Estimating Production Rates in Various Manufacturing Systems

제조시스템 설계문제에서 최적화를 수행하기 위해서는 시스템의 성능을 추정할 수 있는 모델이 필요하다. 이를 위해 수학적 모델, 시뮬레이션, 메타모델 등 다양한 방법론이 활용되고 있는데, 최근에는 인공지능 모델의 활용이 확대되고 있다. 본 논문에서는 지도학습을 이용한 심층신경망(DNN) 모델을 이용하여 직렬라인, 조립라인 등의 생산률 추정 정확성에 대해 분석을 하고자 한다. 각 시스템에 대해 시뮬레이션 모델을 개발하였고, 실험을 통해 얻은 결과를 이용하여 학습을 수행함으로써 최적의 DNN 모델을 개발하였다. 이 과정에서 활성화 함수, 은닉층의 개수, 노드의 개수 등 다양한 모수들의 조합을 고려하였다. 또한 다른 방법론을 사용하였을 때 정확도가 떨어진다고 알려진 극단적 데이터를 학습과정에 추가함으로써 DNN 모델의 정확성을 높이는 방법을 제시하였다.

In order to optimize the manufacturing system design problems, a model that can estimate the performance of the system is required. Various methodologies such as mathematical models, simulations, and meta models have been used for the estimation. Recently, artificial intelligence models have become a new alternative. In this paper, deep neural networks (DNN) models are applied for analyzing the accuracies of the estimating production rates in serial lines and assembly lines. Simulation models are developed for the systems, and the results obtained through experiments are used for learning processes for finding optimal DNN models. In the optimizing processes, combinations of various parameters such as activation function, the number of layers, and the number of nodes were considered. In addition, a method to increase the accuracy of the DNN model was presented by adding extreme data set to the learning process, which is known to be less accurate when using other methodologies.