수작업 공정에서 머신 러닝 기반의 생산 계획 개선

Abstract

오늘날과 같이 경쟁이 치열하고 변화가 많은 경영 환경에서는 신뢰성 있는 수요 예측이 중요하게 여겨지고 있다. 하지만 신뢰성이 있는 수요 예측 데이터가 도출되어 이를 기반으로 생산 계획을 수립한다고 해도 이것을 실제 수립이 가능한 계획인지는 불분명 하다. 특히 수작업 공정에서는 작업자 숙련도, 라인 구성, 제품 군 더 나아가서는 시간 별로 까지 동일한 제품의 생산 시간에 차이가 발생하게 된다. 이러한 문제는 생산 비용 증가와 생산량 감소 라는 결과를 초래하게 되므로 최소화 할 수 있는 방안이 필요하다. 본 논문에서는 이러한 문제를 최소화 하고자 사용자 경험을 기반으로 생산계획을 수립한 후, 과거 실적을 기반으로 학습한 머신 러닝 모델을 사용하여 이차적인 보정을 하는 방법을 제안한다. 연구 대상 생산 법인이 현재 사용하고 있는 생산 계획 수립 프로세스를 분석하여 머신 러닝 기반의 프로세스를 신규 설계하였으며, 학습에 필요한 입력 데이터는 Oracle PL/SQL 과 Java 를 사용하여 데이터를 추출 및 전 처리하여 csv 형식으로 구성하였고 Python 기반의 머신 러닝 라이브러리를 통해 입력 데이터를 학습하여 머신 러닝 모델을 생성하였다. 개발된 머신 러닝 모델에 대하여 성능 평가를 진행한 결과, 가장 좋은 결과를 보여주는 kNN, 선형 회귀, 신경망 모델을 사용하는 소프트 보팅(Soft Voting) 방식을 적용한 경우 기존 생산 계획에 대비하여 예측 정확도가 58% 향상 되었으며, 유실(Loss) 관리가 필요한 높은 오차 건의 경우 81% 감소하였고 예측이 어려운 신규 추가된 기준 정보의 경우 유클리디안 거리(Euclidean Distance) 를 활용한 유사도 보정을 적용하여 34 % 의 오차 감소 효과를 보였다. 최종적으로 실제 운영 비용과 작업량을 나타내는 운영 효율이 68 % 개선되는 결과를 보였다. |In today's highly competitive and changing business environment, reliable demand forecasting is becoming increasingly important. However, even if a production plan is established based on reliable demand forecasting data, it is unclear whether this plan could be implemented successfully in practice. In particular, where manual processes are concerned, the production time of the same product can vary depending on the worker’s proficiency, the composition of the production line, the product group, and even time. These factors result in an increase in production cost and a decrease in the quantity of products produced; as a result, specific measures are needed to minimize them. To that end, we establish in this paper a production plan based on user experience and propose a method of secondary correction using a machine learning model learned based on past performance. We designed a new process based on machine learning involving : 1) the analysis of the existing production planning process used by the production corporation under consideration; 2) the extraction, preprocessing and composition in CSV format of the input data required for the learning program using Oracle PL/SQL and Java. Finally, we created our machine learning model by training it with the input data through a machine learning library based on Python. As a result of the performance evaluation of the newly developed machine learning model, when we applied the soft voting method using k-NN, linear regression and neural network model, which showed the best results, the prediction accuracy was improved by 58% compared to the existing production plan. In the case of high error process requiring loss management, the errors was reduced by 81% and the newly added standard information which is difficult to predict, showed an error reduction of 34% when similarity correction using Euclidean distance was applied. In conclusion, there was a 68% improvement in operation efficiency in terms of the actual operating cost and workload.