디지털 트랜스포메이션 기반 스마트 팩토리 프로세스 데이터를 활용한 데이터 품질 관리 신뢰성 측정 방법에 관한 연구

• Published in: 한국컴퓨터정보학회논문지, 30(4) pp. 137 - 142
• Main Author: 심흥섭
• Format: Journal Article
• Language: Korean
• Published: 한국컴퓨터정보학회 01.04.2025
• Subjects: 컴퓨터학
• ISSN: 1598-849X; 2383-9945
• DOI: 10.9708/jksci.2025.30.04.137

디지털 전환(DX)은 제조업에서 스마트팩토리를 구현하여 공정 데이터를 실시간으로 분석하고최적화하는 데 기여하고 있다. 그러나 데이터 신뢰성이 낮으면 품질 저하와 비용 증가 초래한다. 본 연구에서는 AI 기반 데이터 정제 및 품질 관리 프레임워크를 개발하여 제조 공정 데이터에적용하고, 머신러닝을 활용한 이상 탐지를 통해 데이터 신뢰성을 개선하고자 하였다. Oil Gasket 제조 데이터 분석을 통해 불량률 감소, 생산 속도 향상, 자원 최적화를 실증적으로 평가하였다. 데이터품질의 핵심 요소인 정확성, 완전성, 일관성, 신뢰성, 적시성, 유효성을 평가하고, 랜덤 포레스트, 오토인코더, KNN, 다변량 회귀 등의 AI 모델을 활용하여 데이터 정합성을 높였다. 연구 결과, AI 기반 데이터품질 관리가 제조업의 생산성과 품질을 향상하는데 주요 인자로 확인하였으며, 데이터품질 지수(DQI) 또한 6.5% 향상되었다. 특히 랜덤 포레스트 모델이 불량품 분류 성능 확인, 향후 연구에서는 실시간 데이터 처리를 통한 스마트팩토리 운영 모델을 제안, AI 기반 품질 관리 시스템을 구축하여 더욱 효과적인 품질 관리 방안을 제시할 예정이다. Digital transformation (DX) is driving the implementation of smart factories in manufacturing, contributing to real-time analysis and optimization of process data. However, low data reliability can lead to quality degradation and increased costs, and problems such as missing values, outliers, and duplicate data can arise. In this study, we developed an AI-based data cleansing and quality management framework, applied it to manufacturing process data, and aimed to improve data reliability through anomaly detection using machine learning. Through the analysis of Oil Gasket manufacturing data, we empirically evaluated the reduction of defect rates, improvement of production speed, and optimization of resources. We assessed the core elements of data quality, including accuracy, completeness, consistency, reliability, timeliness, and validity, and enhanced data integrity using AI models such as Random Forest, Autoencoder, KNN, and Multivariate Regression. As a result of the research, it was confirmed that AI-based data quality management is effective in improving the productivity and quality of manufacturing, and the Data Quality Index (DQI) also improved by 6.5%. Through the use of various AI models, it was confirmed that the Random Forest model, in particular, has excellent performance in classifying defective products. Future research will propose a smart factory operating model through real-time data processing and automation, and present more effective quality management methods by building an AI-based quality management system. KCI Citation Count: 0