전해탈지 공정 이상탐지는 KAMP 제조 데이터를 이용해 정상 공정만으로 결함 위험을 빨리 잡아내는 품질공학 프로젝트입니다. 저는 lot 단위 특징을 만들고, Isolation Forest와 EWMA 관리도를 연결해 조기 경고 구조로 해석했습니다.
데이터와 문제 정의
데이터는 10일 동안의 전해탈지 공정 기록으로, 220개 lot과 lot당 69개 시점의 pH, 온도, 전류 정보가 있었습니다. 결함 lot은 22개였습니다. 실제 공정에서는 결함 데이터가 충분하지 않은 경우가 많기 때문에, 저는 정상 데이터를 중심으로 이상을 감지하는 접근이 더 자연스럽다고 봤습니다.
그래서 저는 문제를 "결함을 정확히 분류하기"보다 "검토가 필요한 lot을 빨리 올리기"로 잡았습니다. 공정 품질에서는 결함을 놓치는 비용이 클 수 있습니다. 반대로 정상 lot을 몇 개 더 검토하는 비용은 감당 가능할 수 있습니다. 이 trade-off가 모델과 threshold를 정하는 기준이 됐습니다.
특징과 모델
시계열을 그대로 넣기보다 lot 단위 특징 9개로 요약했습니다. 이후 정상 데이터만 사용해 Isolation Forest를 학습시키고, 검증 결함 점수를 기준으로 threshold를 정했습니다. 이 설정에서는 테스트 결함 5개를 모두 잡았고, 정상 39개 중 6개는 이상으로 잘못 올렸습니다. 결과적으로 Type II error를 0으로 낮춘 대신 Type I error가 15.4% 정도 남은 셈입니다.
이 결과를 정확도 하나로 설명하면 중요한 판단이 사라집니다. 전체 accuracy는 괜찮아 보일 수 있지만, 이 프로젝트에서 제게 더 중요했던 것은 결함을 놓치지 않는 것이었습니다. 그래서 저는 precision보다 recall과 Type II error를 중심으로 해석했습니다.
EWMA로 붙인 이유
모델 점수만 있으면 현장에서는 해석하기 어렵습니다. 그래서 저는 EWMA 관리도 관점으로 anomaly score의 흐름을 보려 했습니다. 단일 lot의 판정도 중요하지만, 공정이 조금씩 흔들리는 흐름을 보는 것이 품질 관리에는 더 자연스럽습니다. 저는 이 프로젝트에서 머신러닝 모델과 전통적인 관리도 언어를 연결하는 방식에 관심을 두었습니다.
EWMA를 붙인 이유는 이상탐지 결과를 품질공학 수업의 언어로 다시 번역하기 위해서였습니다. 모델이 "이상"이라고 말하는 순간이 관리도에서는 어떤 경고로 읽히는지, 그 경고가 반복되면 공정 담당자가 무엇을 점검해야 하는지 생각해 볼 수 있었습니다.
한계와 의미
이 결과는 결함을 확정하는 시스템이 아닙니다. 오탐이 있고, 데이터 기간도 짧으며, threshold는 데이터 구성에 민감합니다. 하지만 공정 품질에서는 결함을 놓치는 비용이 더 클 수 있습니다. 그래서 이 프로젝트의 의미는 완벽한 자동 판정이 아니라, 정상 기반 이상탐지를 통해 사람의 검토가 필요한 lot을 먼저 올리는 경고 구조를 만든 데 있습니다.
