2025년 1학기 생산시스템 구축실무 과목의 팀 프로젝트에 대한 레포지토리입니다.
이 레포지토리는 개발용 레포지토리이며, Deploy용 레포지토리는 여기를 클릭해주세요.
이 프로젝트는 열풍건조 공정 데이터를 기반으로 한 딥러닝 품질 예측 모델을 구현하며, 다음과 같은 소프트웨어 및 하드웨어 환경에서 수행되었습니다.
| 항목 | 내용 |
|---|---|
| 데이터셋 명 | 장비이상 조기탐지 AI 데이터셋 |
| 적용 공정 | 열풍건조(Baking·Heat‐Dry) |
| 제공 기관 | KAIST (수행: ㈜에이비에이치, ㈜임픽스) |
| 목적 | 설비 예지보전 및 이상 탐지 |
| 등록·수정일 | 2021-12-27 등록, 2025-04-02 최종 수정 |
| 데이터 크기 | 307 083 레코드, 총 1.8 GB |
- 공정 제어용 PLC와 센서로부터 온도, pH, 전압, 시간 등 실시간 데이터를 수신하여 CSV 파일로 저장한다.
- 열풍건조 공정 팬에 부착된 사운드 센서로 음성 신호를 수집해 WAV 파일로 저장한다.
- 최종 데이터셋은 데이터 CSV 33종, Error Lot List, WAV 183종으로 구성된다.
- 센서·사운드 데이터의 이중 입력 구조로 설비 상태를 다각도로 파악한다.
- 48개 이상의 공정 변수를 포함해 모델 학습에 충분한 피처를 제공한다.
- 가이드북에 LSTM-AE, Decision Tree 적용 절차가 명시돼 있어 재현이 용이하다.
- Python 버전:
3.7.16 - 가상환경 추천:
venv또는conda환경 사용 권장 - Tensorflow GPU 환경 구축 가이드
| 라이브러리 | 버전 | 용도 |
|---|---|---|
tensorflow |
2.6.0 | DNN 모델 구축 및 학습 |
keras-preprocessing |
1.1.2 | 딥러닝 전처리 유틸 |
numpy |
1.21.5 | 수치 연산 |
pandas |
1.3.5 | 데이터프레임 처리 |
scikit-learn |
1.0.2 | 전처리, 모델 평가 등 |
scipy |
1.7.3 | 수학/통계 기반 함수 |
matplotlib, seaborn |
3.5.3 / 0.12.2 | 시각화 |
imbalanced-learn |
0.8.1 | 클래스 불균형 처리 (SMOTE 등) |
xgboost |
1.6.2 | 비교용 머신러닝 모델 |
추가적으로 tensorboard, protobuf, h5py, joblib, graphviz 등도 함께 사용되었습니다.
pip install -r requirements.txt
python main.py- 분석 대상 데이터는
.csv형식이며 약 48개의 공정 변수(X, Y, Z, 스핀들 속도, 전압 등)를 포함합니다. - 모델 학습 및 테스트는 Python 환경에서 전적으로 이루어지며, Jupyter Notebook이나 Python script 모두 지원 가능합니다.