251224_BootCamp Day 48_심화 프로젝트 (4)

주제: 제조 공정(다이캐스팅) 최적화를 위한 데이터 분석 및 ML 기초

1. 도메인 이해: 다이캐스팅(Die-casting) 공정 변수

제조 데이터 분석의 핵심은 '도메인 지식'과 '데이터'의 결합. 오늘 우리는 설비에서 발생하는 주요 변수들을 확인.

• 주요 변수: 사출 압력(Injection Pressure), 금형 온도(Mold Temperature), 플런저 속도(Plunger Speed), 냉각 시간 등.
• 분석 목표: 위 변수들이 최종 제품의 불량률(QA/QC)에 미치는 상관관계를 파악하고, 최적의 공정 조건을 도출하는 것.

2. 통계적 기초 및 가설 검정

데이터의 유의성을 판단하기 위해 통계적 접근이 필수적임을 확인.

• Z-분포 vs T-분포: 표본의 크기와 모집단의 표준편차를 알 수 있는지에 따라 선택.
• 가설 검정: "공정 온도의 변화가 불량률 감소에 유의미한 차이를 주는가?"와 같은 질문에 대해 $P-value$를 통해 의사결정을 내리는 과정.

3. 데이터 시각화 및 대시보드 (Python)

분석 결과를 현장 관계자나 의사결정자에게 효과적으로 전달하는 방법.

• Seaborn: 산점도(Scatter Plot)와 히트맵(Heatmap)을 사용하여 공정 변수 간의 다중공선성(Multicollinearity)을 시각적으로 확인.
• Streamlit: 분석 모델을 웹 기반의 인터페이스로 구축하여, 실시간으로 공정 데이터를 모니터링하고 예측 결과를 확인할 수 있는 대시보드 제작 가능성 확인.

4. 머신러닝 모델의 적용

제조 현장에서 주로 사용되는 모델의 특징을 정리.

• 회귀 모델: 수치형 변수(예: 제품의 치수, 강도) 예측.
• 분류 모델: 제품의 합격/불합격(Pass/Fail) 여부 판정.
• 특성 중요도(Feature Importance): 어떤 공정 변수가 품질에 가장 큰 영향을 주는지 모델을 통해 역으로 추적.