국립부경대학교 미래 인터넷 및 빅데이터 응용 연구실

불량품 예측을 위한 이상치 탐지 기법 연구

A Study on Anomaly Detection Methods for Defective Product Prediction

이태오, 김태국

사물인터넷융복합논문지

약어 : JKIOTS

2025, vol.11, no.4, pp. 233-240 (8 pages)

DOI : 10.20465/KIOTS.2025.11.6.233

발행기관 : 한국사물인터넷학회

Cite This Article

MLA Style

이태오, and 김태국. "불량품 예측을 위한 이상치 탐지 기법 연구." 사물인터넷융복합논문지 11.6 (2025): 233-240.

Lee, Tae-O., and Tae-Kook Kim. "A Study on Anomaly Detection Methods for Defective Product Prediction." Journal of Internet of Things and Convergence 11.6 (2025): 233-240.

APA Style

이태오, & 김태국. (2025). 불량품 예측을 위한 이상치 탐지 기법 연구. 사물인터넷융복합논문지, 11(6), 233-240.

Lee, T. O., & Kim, T. K. (2025). A Study on Anomaly Detection Methods for Defective Product Prediction. Journal of Internet of Things and Convergence, 11(6), 233-240.

ISO 690 Style

이태오; 김태국. 불량품 예측을 위한 이상치 탐지 기법 연구. 사물인터넷융복합논문지, 2025, 11.6: 233-240.

LEE, Tae-O.; KIM, Tae-Kook. A Study on Anomaly Detection Methods for Defective Product Prediction. Journal of Internet of Things and Convergence, 2025, 11.6: 233-240.

초록 (Abstract)

본 연구는 설비 운전 데이터에 정확한 불량 레이블이 존재하지 않는 제조 환경에서 불량을 예측하기 위한 방법으로, 이상치(outlier)를 불량 발생의 잠재적 신호로 간주하여 대체 레이블(pseudo-label)을 생성하는 접근법을 제안한다. 이상치 탐지를 위해 K-Nearest Neighbor(KNN), Isolation Forest, Local Outlier Factor(LOF) 등 서로 다른 특성을 지닌 세 가지 알고리즘을 적용하였으며, 모델 신뢰성을 향상시키기 위해 다음의 두 가지 보강 전략을 비교·분석하였다: (1) 세 모델의 다수결 기반 이상치 판정 방식과 (2) 세 모델의 이상치 점수 평균을 활용한 방식이다. 원 데이터의 레이블 부재로 인한 직접적인 성능 평가의 한계를 보완하기 위해, 유사한 공정 특성을 갖는 타 설비에서 수집된 레이블 데이터에 모델을 적용하여 제안 방법의 타당성을 검증하였다. 실험 결과, 세 가지 접근법 중 이상치 점수 평균 방식이 가장 안정적이며 우수한 예측 성능을 보였다. 본 연구는 불량 레이블이 부족하거나 부재한 공정 데이터 환경에서도 실용적인 불량 예측이 가능함을 보여주며, 특히 압출 공정 기반 예지보전(predictive maintenance) 시스템 구축을 위한 실증적·방법론적 기초를 제공한다.

This study proposes an approach for predicting defects in manufacturing environments where accurate defect labels in equipment operation data do not exist. This approach considers outliers as potential signals of defect occurrence and generates pseudo-labels. For outlier detection, we employ three algorithms with different characteristics: K-Nearest Neighbor (KNN), Isolation Forest, and Local Outlier Factor (LOF). To enhance model reliability, we compare and analyze two reinforcement strategies: (1) a majority-vote-based outlier detection method across the three models and (2) an average of the outlier scores across the three models. To address the limitations of direct performance evaluation due to the lack of labeled raw data, we validated the proposed method by applying the model to labeled data collected from other equipment with similar process characteristics. Experimental results show that, of the three approaches, the average of the outlier scores demonstrated the most stability and superior predictive performance. This study demonstrates that practical defect prediction is possible even in process data environments where defect labels are insufficient or absent, and provides an empirical and methodological foundation for building a predictive maintenance system based on the extrusion process.

키워드 (keyword)

사물인터넷, 인공지능, 압출 공정, 이상치 탐지, 불량 예측, 예지보전, 비지도 학습

Internet of Things(IoT), artificial intelligence(AI), Extrusion process; Anomaly detection; Defect prediction; Predictive maintenance; Unsupervised learning

논문 파일 첨부 (pdf file):

A Study on Anomaly Detection Methods for Defective Product Prediction.pdf