데이터 불균형과 측정 오차를 고려한 생분해성 섬유 인장 강신도 예측 모델 개발

한영진; 조인휘; Young-Jin Han; In-Whee Joe; 양유진; 장경배; 김현지; 송경주; 임세진; 서화정; Yang Yu Jin; Jang Kyung Bae; Kim Hyun Ji; Song Gyung Ju; Lim Se Jin; Seo Hwa Jeong; 박진효; 김성희; 윤주상; Park Jin Hyo; Kim Sung-Hee; Youn Joosang; 박세찬; 김덕엽; 서강복; 이우진; Se-Chan Park; Deok-Yeop Kim; Kang-Bok Seo; Woo-Jin Lee

연구문헌

국내 논문지

홈 > 연구문헌 > 국내 논문지 > 한국정보처리학회 논문지 > 정보처리학회 논문지 소프트웨어 및 데이터 공학

정보처리학회 논문지 소프트웨어 및 데이터 공학

Current Result Document :

한글제목(Korean Title)	데이터 불균형과 측정 오차를 고려한 생분해성 섬유 인장 강신도 예측 모델 개발
영문제목(English Title)	The Development of Biodegradable Fiber Tensile Tenacity and Elongation Prediction Model Considering Data Imbalance and Measurement Error
저자(Author)	한영진 조인휘 Young-Jin Han In-Whee Joe 양유진 장경배 김현지 송경주 임세진 서화정 Yang Yu Jin Jang Kyung Bae Kim Hyun Ji Song Gyung Ju Lim Se Jin Seo Hwa Jeong 박진효 김성희 윤주상 Park Jin Hyo Kim Sung-Hee Youn Joosang 박세찬 김덕엽 서강복 이우진 Se-Chan Park Deok-Yeop Kim Kang-Bok Seo Woo-Jin Lee
원문수록처(Citation)	VOL 11 NO. 12 PP. 0489 ~ 0498 (2022. 12)
한글내용 (Korean Abstract)	최근 노동 집약적인 성격의 섬유 산업에서는 인공지능을 통해 섬유 방사 공정에 들어가는 비용을 줄이고 품질을 최적화하려고 시도 하고 있다. 그러나 섬유 방사 공정은 데이터 수집에 필요한 비용이 크고 체계적인 데이터 수집 및 처리 시스템이 부족하여 축적된 데이터양이 적다. 또 방사 목적에 따라 특정한 변수에만 변화를 준 데이터만을 우선으로 수집하여 데이터 불균형이 발생하며, 물성 측정 환경의 차이로 인해 동일 방사 조건에서 수집된 샘플 간에도 오차가 존재한다. 이러한 데이터 특성들을 고려하지 않고 인공지능 모델에 활용할 경우 과적합과 성능 저하 등의 문제가 발생할 수 있다. 따라서 본 논문에서는 방사 공정 데이터 특성을 고려한 이상치 처리 기법과 데이터 증강 기법을 제안한다. 그리고 이를 기존 이상치 처리 기법 및 데이터 증강 기법과 비교하여 제안한 기법이 방사 공정 데이터에 더 적합함을 보인다. 또 원본 데이터와 제안한 기법들로 처리된 데이터를 다양한 모델에 적용하여 비교함을 통해 제안한 기법들을 사용한 모델들이 그렇지 않은 모델들에 비해 인장 강신도 예측 모델의 성능이 개선됨을 보인다.
영문내용 (English Abstract)	Recently, the textile industry, which is labor-intensive, is attempting to reduce process costs and optimize quality through artificial intelligence. However, the fiber spinning process has a high cost for data collection and lacks a systematic data collection and processing system, so the amount of accumulated data is small. In addition, data imbalance occurs by preferentially collecting only data with changes in specific variables according to the purpose of fiber spinning, and there is an error even between samples collected under the same fiber spinning conditions due to difference in the measurement environment of physical properties. If these data characteristics are not taken into account and used for AI models, problems such as overfitting and performance degradation may occur. Therefore, in this paper, we propose an outlier handling technique and data augmentation technique considering the characteristics of the spinning process data. And, by comparing it with the existing outlier handling technique and data augmentation technique, it is shown that the proposed technique is more suitable for spinning process data. In addition, by comparing the original data and the data processed with the proposed method to various models, it is shown that the performance of the tensile tenacity and elongation prediction model is improved in the models using the proposed methods compared to the models not using the proposed methods.
키워드(Keyword)	기계학습 스케일링 SMOTE 라이트 GBM 불균형 분류 Machine Learning Scaling SMOTE Light GBM Imbalanced Classification 양자 컴퓨터 경량 블록 암호 SPARKLE Grover Search Algorithm Quantum Computer Lightweight Block Cipher SPARKLE Grover Search Algorithm 메타데이터 FAIR원칙 데이터 관리 Metadata FAIR Principle Data Managements 데이터 불균형 이상치 처리 데이터 증강 인장 강신도 생분해성 섬유(PLA) Data Imbalance Outlier Handling Data Augmentation Tensile Tenacity and Tensile Elongation Biodegradable Fiber(PLA)
파일첨부	PDF 다운로드