Earticle

초록

영어

This study proposes a multimodal AI-based real-time quality prediction system for a three-stage wire drawing process producing steel wire for precast concrete structures. Qualityinfluencing factors including die wear, raw-material variation, RPM fluctuation, and lubrication conditions were analyzed, and computer vision, laser diameter gauges, process parameters, and raw-material properties were integrated using a CNN-LSTM architecture. The model was evaluated on 1,247 production lots through rolling-window validation and lot-level bootstrap confidence intervals, achieving F1 0.855±0.012, AUROC 0.971±0.008, and Recall 0.917±0.015 with 28.3 ms inference latency, meeting real-time requirements. Ablation analysis confirmed that multimodal fusion improved F1 by up to 25.4% over single-modality baselines, and SHAP analysis identified the second-stage die as the most critical control point. Limitations include a single-company dataset, limited defective samples, and absence of same-input Transformer comparisons. Nevertheless, this study demonstrates the practical feasibility of designing and operating a multimodal quality prediction system in a resource-constrained SME manufacturing environment.

한국어

본 연구는 PC 구조물용 철선을 생산하는 3단 신선 공정을 대상으로, 품질 불량을 조기에 예측 하기 위한 멀티모달 AI 기반 실시간 품질 예측 시스템을 제안한다. 다이스 마모, 원재료 물성 편차, RPM 변동, 윤활·발열 조건 등 품질 영향 요인을 체계적으로 분석하고, 이를 반영하도록 컴퓨터 비전, 레 이저 직경 측정기, 공정 파라미터, 원재료 물성 데이터를 통합한 CNN-LSTM 하이브리드 딥러닝 모 델을 설계하였다. 총 1,247개 로트에 대해 시간 기반 rolling-window validation과 lot-level bootstrap 신뢰구간 평가를 수행한 결과, F1-Score 0.855±0.012, AUROC 0.971±0.008, Recall 0.917±0.015 를 보였으며, 추론 지연시간 28.3ms로 현장 실시간 운영 요건을 충족하였다. Ablation study를 통해 멀티모달 융합이 단일 모달리티 대비 F1-Score를 최대 25.4% 향상시킴을 확인하였고, SHAP 분석을 통해 2차 다이스 구간이 품질에 가장 결정적인 영향을 미치는 관리 포인트임을 도출하였다. 다만 단 일 기업·단일 라인 데이터 및 제한된 불량 표본 등의 한계가 있으나, 데이터 인프라가 취약한 중소 철 선 제조기업 환경에서 멀티모달 품질 예측 체계를 설계·구축·운영한 실증 사례로서 의의를 갖는다.

목차

요약
Abstract
1. 서론
1.1. 연구 배경 및 필요성
1.2. 선행연구의 한계와 본 연구의 차별성
1.3. 연구의 목적 및 범위
2. 연구 대상 공정과 데이터 구성
2.1. 공정 특성과 순차적 오차 전파
2.2 품질 영향 요인과 멀티모달 데이터 매핑
2.3. 이종 센서 동기화와 측정 시스템
2.4. 학습 데이터 구성 및 입출력 명세
2.5. 불량 라벨 정의 및 신뢰도
2.6. 비전 데이터 전처리
3. 모델 설계와 실험 방법
3.1. CNN-LSTM 구조의 채택 논리
3.2. 학습 설정과 비교실험 해석 원칙
4. 결과 및 해석
4.1. 주요 성능 결과
4.2. 모델 성능 비교
4.3. 모달리티별 기여도
4.4. XAI 기반 공정 해석
4.5. 현장 파일럿과 전이 학습 결과
5. 결론 및 향후 연구
REFERENCES

키워드

저자

• 이선표 [ Sun-Pyo Lee | 퍼스널에이아이(주) CSO ]
• 조용식 [ Yong-Shik Cho | 영성산업(주) 부장 ]
• 김도준 [ Do-Joon Kim | 퍼스널에이아이(주) 이사 ]
• 김지윤 [ Ji-Yun Kim | 영남이공대학교 사이버보안과 교수 ] Corresponding Author

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  정보화연구 [정보화연구(구 정보기술아키텍처연구)]

• 간기

  계간

• pISSN

  1738-382X

• 수록기간

  2004~2026

• 등재여부

  KCI 등재

• 십진분류

  KDC 325 DDC 658