분류와 예측에 기반한 자기상관 공정 모니터링 절차의 성능 비교

Abstract

자기상관이 존재하는 공정을 모니터링하는 절차에 대해서는 많은 연구가 진행되어 왔다. 그 중에서 가장 많이 사용하는 방법은 적합된 모형에 기초하여 다음 관측값을 예측하고 잔차를 계산하며, 그 잔차 데이터에 관리도 절차를 적용하여 공정을 모니터링하는 것이다. 이 논문에서는 RNN (recurrent neural network)을 사용하여 공정이 관리상태인지 이상상태인지를 분류하는 공정 모니터링 절차를 제안하고, RNN을 사용하여 예측한 후 잔차 관리도를 수행하는 절차 및 전통적인 자기상관 모니터링 절차와 모의실험을 통하여 그 성능을 비교하였다. 모의실험 결과를 전반적으로 살펴보면, RNN에 기초한 분류 절차는 공정의 수준 변화를 빠르게 탐지하였고, RNN에 기초한 예측 절차는 공정의 분산 변화를 빠르게 탐지하는 것으로 나타났다. 이와 더불어, 전통적인 자기상관 모니터링 절차와 달리, RNN에 기초한 절차는 공정 데이터에 대해 정확한 모형 적합이 필요 없다는 점에서 큰 장점이 있는 절차라고 판단된다.

There has been extensive research on the procedures for monitoring autocorrelated processes. Among them, the most commonly used approach is to forecast the next observation based on a fitted model, calculate residuals, and apply control charting procedures to the residual data. In this paper, we propose a process monitoring procedure based on a recurrent neural network (RNN) to classify whether the process is in control or out of control. The performance of this procedure is compared with the forecasting procedure based on a RNN and the traditional residual control charting procedure through simulation study. The results show that the RNN-based classification procedure quickly detects changes in the process level, and the RNN-based forecasting procedure quickly detects changes in the process variance. Additionally, unlike the traditional monitoring procedure, the RNN-based procedures have the advantage that they do not require accurate model fitting for process data.