(실습) 사업재편 공정 데이터 분석

실제 제조 데이터셋을 활용해 신규 공정 전환 시 발생할 수 있는 문제점 진단 및 공유

[실습 주제] 제조 AI 활용: 신규 공정 전환 리스크 진단 및 데이터 정제 실습

1. 실습 개요

  • 실습명: 생성형 AI(대화형 데이터 분석기) 및 노코드 AI를 활용한 신규 공정 데이터 이상 진단
  • 실습 목적:
    • 파이썬 코딩 없이 생성형 AI(ChatGPT Advanced Data Analysis / Claude Artifacts / 사내 LLM 분석기)를 “AI 데이터 분석 비서”로 활용하는 실무 역량 배양
    • 사람이 일일이 찾기 힘든 다변량 센서 이상치(센서 엇박자)와 결측치를 AI에게 감지·정제하도록 지시하는 프롬프트 엔지니어링 체득
    • 머신러닝 기반 중요도(Feature Importance) 및 의사결정 규칙 도출을 AI에게 지시하여, 공정 불량을 유발하는 핵심 제어 임계치를 도출하고 최종 보고서 자동 작성


2. 실습 환경 및 도구

  • 기본 도구 (택 1 또는 병행):
    • 옵션 A (추천: 생성형 AI 기반): ChatGPT Plus/Team (Data Analysis 기능) 또는 Claude (Projects/Artifacts)
    • 옵션 B (설치형 노코드 AI 도구): Orange Data Mining (마우스 드래그 앤 드롭으로 AI 모델을 조립하는 GUI 무료 도구)
  • 제공 데이터셋: smart_factory_transformation_data.csv (1,000건, 결측치 및 계측 노이즈 포함)


3. 실습 시나리오

  • AI 분석 비서와 함께하는 공정 문제 진단

  • 현장 상황
    • 내연기관 실린더 블록(주철) 라인을 친환경 배터리 팩 케이스(알루미늄) 성형 라인으로 사업재편한 뒤, 3주 만에 수율이 76%로 급락
    • 현장 담당자는 엑셀로 원인을 찾지 못해, 1,000건의 센서 데이터가 담긴 CSV 파일을 제조 전문 AI 분석 에이전트에 업로드하고
    • 결측치 정제부터 불량 원인 분석, 경영진 보고서 초안까지 단 30분 만에 완성하고자 함


4. 단계별 실습 진행 과정 (자연어 프롬프트 기반 AI 분석)

  • 아래의 [공정 도메인 기반 AI 지시 프롬프트]를 순차적으로 입력

  • AI가 수행한 분석 결과와 시각화 차트를 검증

      [1단계: AI 데이터 품질 감사 및 결측치/노이즈 자동 정제]
                      🡫
  [2단계: AI 기반 공정 능력(Cpk) 및 지표 산포 비교 진단]
                      🡫
  [3단계: 머신러닝 이상 탐지(Isolation Forest)로 엇박자 센서 색출]
                      🡫
  [4단계: AI 불량 기여도 분석(SHAP/트리)으로 설비 제어 임계치 도출]

  • 1단계: AI 데이터 품질 감사 (결측치 및 계측 노이즈 자동 정제)

    • AI에 CSV 파일을 드래그 앤 드롭한 뒤 아래 프롬프트 입력

    • 입력 프롬프트:

      이 파일은 제조 공정 센서 데이터야. 본격적인 분석에 앞서 데이터 품질 감사(Data Quality Audit)를 수행해 줘.

      1. 결측치(빈칸)가 있는 센서와 행 번호를 찾고,
      2. 물리적으로 불가능한 센서 노이즈(예: 비정상 고온 900도 이상, 음수 압력 등)를 자동 감지해 줘.
      3. 발견된 결측치는 직전/직후 센서 추세를 반영해 선형 보간하고, 계측 노이즈는 정상 센서 범위(도메인 기준)로 클렌징한 정제 데이터셋을 메모리에 생성해 줘.
    • AI의 수행 및 출력:
      • 결측치 15건(온도 8건, 압력 7건) 위치 표기 및 보간 완료 안내
      • 센서 튐(999.0°C, -50.0 Bar 등 5건)을 탐지하고 이상치로 플래그 처리한 내역 시각화


  • 2단계: AI 기반 공정 능력(Cpk) 및 지표 산포 비교 진단

    • 입력 프롬프트:

      정제된 데이터를 바탕으로 Process_Type별(Legacy_Process vs New_Transformation) 비교 분석을 수행해 줘.

      1. 두 공정의 수율(Yield)과 불량률을 계산하고,
      2. 온도, 압력, 진동, 사이클 타임의 평균 및 표준편차 차이를 한눈에 볼 수 있는 비교 시각화 차트(Boxplot 또는 바이올린 플롯)를 그려줘.
      3. 신규 공정에서 ‘산포(변동폭)’가 가장 심각하게 벌어진 센서가 무엇인지 요약해 줘.
    • AI의 수행 및 출력:
      • 수율 비교: 기존 97% 🡪 신규 76% (21%p 하락 확인)
      • 상자수염 차트 생성 및 “신규 라인에서 유압 압력의 표준편차가 3.7배, 금형 온도가 2.3배 폭증하여 공정 능력이 급격히 상실됨”을 텍스트로 브리핑


  • 3단계: 머신러닝 기반 이상 탐지 (설비 스트레스·엇박자 구간 도출)

    • 단순히 상하한선(Spec Out)을 넘은 것 외에,

    • “압력과 온도가 정상 범위 내에 있지만 서로 엇박자를 내는 다변량 이상”을 AI에게 찾도록 함

    • 입력 프롬프트:

      신규 공정(New_Transformation) 데이터에 비지도학습 이상치 탐지 알고리즘(Isolation Forest)을 적용해 줘.
      단일 센서로는 정상 범위처럼 보이지만, 여러 센서가 결합했을 때 비정상적인 스트레스를 유발하는 공정 구간을 탐지해서 산점도(Scatter Plot)에 표시해 줘.
      이상으로 분류된 구간들의 공통적인 설비 특징(온도-압력 패턴)이 무엇인지 설명해 줘.

    • AI의 수행 및 출력:
      • Isolation Forest 알고리즘 자동 실행
      • 압력 135 Bar 이상이면서 온도가 198°C를 넘는 설비 과부하 구간을 붉은색 이상 클러스터로 시각화


  • 4단계: 머신러닝 설명 가능 AI(XAI)로 설비 제어 임계치 도출

    • 입력 프롬프트:

      머신러닝 분류 모델(Decision Tree 또는 Random Forest)을 사용해 Defect_Flag(불량)에 가장 큰 영향을 미치는 핵심 센서 3가지를 찾고 특성 중요도(Feature Importance)를 시각화해 줘.
      그리고 현장 작업자가 설비 PLC에 즉시 입력할 수 있도록, ‘불량을 회피하기 위한 최적의 안전 운전 조건(온도 상한, 압력 상한 임계치)’을 의사결정 규칙 형태로 도출해 줘.

    • AI의 수행 및 출력:
      • 특성 중요도 1위: Pressure_Bar (42%), 2위: Temperature_C (35%)
      • 도출된 현장 규칙:
        • [위험] 성형 압력 > 136.2 Bar AND 금형 온도 > 200.5°C 🡪 불량률 88.4%
        • [안전] 성형 압력 $\le$ 135.0 Bar 유지 시 🡪 불량률 4.1% 수준으로 급감


5. 산출물: 공정 진단 보고서 검증 및 보완

  • 다음의 프롬프트를 입력하여 경영진 보고용 표준 양식으로 초안을 작성한 뒤,

  • 현장 엔지니어의 관점에서 타당성을 검증하고 최종 수정본을 완성할 것

  • 보고서 생성 프롬프트:

    지금까지 분석한 모든 결과를 종합하여, 경영진과 생산본부장에게 보고할 ‘사업재편 신규 공정 조기 안정화 AI 진단 보고서’를 작성해 줘.
    현황 요약, 수율 급락의 근본 원인(Root Cause), AI 모델이 도출한 안전 임계치, 그리고 설비/공정 관점의 즉각적인 액션 플랜(Action Plan)을 포함한 마크다운 문서로 출력해 줘.


  • 엑셀 방식 대비 기대 효과

    구분 기존 엑셀 방식 제조 AI(프롬프트/노코드) 활용 방식
    실습생의 역할 마우스 클릭, 수식 작성, 필터링 등 단순 노가다 “AI에게 문제를 정의하고, 결과를 해석해 조치안을 결정하는 관리자”
    다루는 기술 단순 통계(평균, 합계), 2차원 차트 선형 보간, Isolation Forest, Feature Importance, XAI 규칙 도출
    교육 주제 부합도 일반 OA / 사무 실습에 가까움 “제조 산업에서의 AI 활용” 주제에 100% 부합
    난이도 및 소요 시간 코딩이 없어 비전문가도 100% 수행 가능 동일하게 비코딩이지만, 분석 결과물 완성 속도는 3배 이상 빠름


  • 데이터셋 생성 파이썬 코드
import numpy as np
import pandas as pd

def generate_transformation_dataset(n_samples=1000, random_seed=42):
    np.random.seed(random_seed)
    half = n_samples // 2
    
    # 1. 시계열 타임스탬프 (2분 간격)
    timestamps = pd.date_range(start="2026-03-01 08:00:00", periods=n_samples, freq="2min")
    
    # 2. 공정 구분 (전반 500개: 기존 주철 공정 / 후반 500개: 신규 알루미늄 전환 공정)
    process_type = ['Legacy_Process'] * half + ['New_Transformation'] * half
    
    # 3. 핵심 센서 데이터 기본 생성
    # - 기존 공정: 좁은 산포, 안정적 운영
    # - 신규 공정: 평균 상승, 산포 급증(제어 미숙)
    temp_legacy = np.random.normal(loc=180.0, scale=3.5, size=half)
    temp_new = np.random.normal(loc=198.5, scale=8.2, size=half)
    temp = np.concatenate([temp_legacy, temp_new])
    
    press_legacy = np.random.normal(loc=120.0, scale=2.0, size=half)
    press_new = np.random.normal(loc=135.0, scale=7.5, size=half)
    press = np.concatenate([press_legacy, press_new])
    
    vib_legacy = np.random.normal(loc=15.0, scale=1.2, size=half)
    vib_new = np.random.normal(loc=24.0, scale=4.8, size=half)
    vib = np.concatenate([vib_legacy, vib_new])
    
    cycle_legacy = np.random.normal(loc=45.0, scale=1.0, size=half)
    cycle_new = np.random.normal(loc=58.0, scale=5.0, size=half)
    cycle = np.concatenate([cycle_legacy, cycle_new])
    
    # 두께 편차 (mm)
    thick_err_legacy = np.random.normal(loc=0.02, scale=0.01, size=half)
    thick_err_new = (
        0.05 + 0.003 * (temp_new - 190) + 0.004 * (press_new - 130) 
        + np.random.normal(loc=0, scale=0.03, size=half)
    )
    thickness_error = np.concatenate([thick_err_legacy, thick_err_new])
    
    # 4. 불량 판정 (Defect_Flag: 0=정상, 1=불량)
    # 기존: 불량률 ~3%
    defect_legacy = np.random.choice([0, 1], size=half, p=[0.97, 0.03])
    
    # 신규: 압력 > 136 Bar 및 온도 > 200°C 복합 과부하 시 불량률 85% 이상 치솟음
    new_prob = 1 / (1 + np.exp(-(0.18 * (temp_new - 198) + 0.22 * (press_new - 135) + 0.15 * (vib_new - 24))))
    new_prob = np.clip(new_prob, 0.05, 0.95)
    defect_new = (np.random.rand(half) < new_prob).astype(int)
    defect = np.concatenate([defect_legacy, defect_new])
    
    # 데이터프레임 초기화
    df = pd.DataFrame({
        'Timestamp': timestamps,
        'Process_Type': process_type,
        'Temperature_C': np.round(temp, 2),
        'Pressure_Bar': np.round(press, 2),
        'Vibration_mm_s': np.round(vib, 2),
        'Cycle_Time_s': np.round(cycle, 2),
        'Thickness_Error_mm': np.round(thickness_error, 4),
        'Defect_Flag': defect
    })
    
    # -------------------------------------------------------------
    # [데이터 품질 관리 실습용 주입 요소: 결측치 및 계측 노이즈]
    # -------------------------------------------------------------
    # (1) 통신 끊김으로 인한 결측치(NaN/빈칸) 주입: 15개 행
    missing_indices = np.random.choice(range(50, 950), size=15, replace=False)
    df.loc[missing_indices[:8], 'Temperature_C'] = np.nan
    df.loc[missing_indices[8:], 'Pressure_Bar'] = np.nan
    
    # (2) 센서 노이즈/전압 튐 이상치 (물리적으로 불가능한 극단값): 5개 행
    noise_indices = [120, 310, 680, 750, 890]
    df.loc[noise_indices[0], 'Temperature_C'] = 999.0   # 센서 통신 에러 고정값
    df.loc[noise_indices[1], 'Pressure_Bar'] = -50.0     # 마이너스 압력 에러
    df.loc[noise_indices[2], 'Vibration_mm_s'] = 250.0   # 순간 정전기 노이즈
    df.loc[noise_indices[3], 'Temperature_C'] = 0.0      # 영점 탈락 에러
    df.loc[noise_indices[4], 'Pressure_Bar'] = 999.9     # 전압 스파이크
    
    return df

if __name__ == '__main__':
    df = generate_transformation_dataset()
    df.to_csv('smart_factory_transformation_data.csv', index=False)
    print("실습용 데이터셋 생성 완료: smart_factory_transformation_data.csv")
    print(f"- 전체 데이터: {len(df)}건")
    print(f"- 결측치 개수: {df.isna().sum().sum()}개")
    print(f"- 기존 공정 수율: {((1 - df[df['Process_Type']=='Legacy_Process']['Defect_Flag'].mean())*100):.1f}%")
    print(f"- 신규 공정 수율: {((1 - df[df['Process_Type']=='New_Transformation']['Defect_Flag'].mean())*100):.1f}%")


Related Posts

📌 함께 보면 좋은 글