• 목록

 

제조 공정에서는 시간에 따라 품질을 구분하는 기준 자체가 변화하기 때문에, 고정된 기준이나 정적 모델로 공정을 해석하는 데에는 한계가 있다. 본 연구는 이를 극복하기 위해, 스트리밍 데이터를 기반으로 변화하는 조건부 구간(규칙)을 동적으로 생성하고 추

적하는 접근을 제안한다. 본 연구는 Adaptive Hoeffding Tree 기반의 온라인 학습기를 활용하여, 스트리밍 형태로 유입되는 공정 데이터로부터 실시간으로 의사결정 규칙을 추출하고, 이를 해석 가능한 형태로 복원한다. 아울러 각 규칙의 생성과 소멸 시점을 식별

하고, 시간 축에 따른 커버리지와 정확도의 변화를 동적으로 추적할 수 있다. 실제 철강 소형봉강 압연 공정 데이터를 대상으로 한 적용 결과, 일부 단순 규칙은 장기간 동안 높은 예측 정확도와 커버리지를 유지하며 공정 전반에 일관된 품질 특성을 반영하는 것

으로 나타났다. 반면, 복합 규칙은 특정 구간에서만 유효하거나 시간이 지남에 따라 정확도가 감소하는 패턴을 보였다. 본 연구는 온라인 학습 기반 규칙 추출과 시계열적 유효성 분석을 통합한 새로운 접근법을 제시한다. 이를 통해 공정 데이터 스트림 상에서

해석 가능한 규칙을 실시간으로 생성하고 평가할 수 있는 구조를 구현하며, 개념 드리프트 감지 및 품질 최적화에 기여할 수 있는 실용적 방법론을 제공한다.