제조 시스템은 변동성과 불확실성이 크기 때문에, 시스템에 영향을 주는 요인을 분석하고 시간에 따른 변화 추세를 파악하여 미래 상황을 예측하는 것이 중요하다. 이를 위해 제조 시스템의 의사결정 문제를 다변량 시계열 데이터 예측 문제로 모델링한 연구가 다수 이루어지고 있으며, 그 중 분류 문제는 시스템의 이상을 예측하는 데 주로 사용된다. 그러나 다변량 시계열 데이터 예측 문제는 변수 간의 복잡한 시간적·공간적 패턴을 동시에 파악해야 하는 어려움이 존재한다. 기존 연구에서는 이러한 패턴 학습을 위해 주로 딥러닝을 적용해 왔으나, 모델의 불투명성으로 인해 예측 결과에 대한 설명력 확보와 논리적 해결 방안 제시에는 한계가 있다. 또한, 실제 환경에서 발생하는 클래스 불균형 문제는 예측의 정확도를 낮추는 요인이다.

이에 본 연구에서는 제조 시스템의 이상 여부 예측을 위한 딥러닝과 설명 가능한 인공지능(Explainable Artificial Intelligence, XAI)를 결합한 분류 기반 방법을 제안한다. 먼저, 클래스 불균형 해소를 위해 샘플링 기법인 Edited Nearest Neighbors(ENN)를 적용하여 데이터 분포를 보정한다. 모델 학습 단계에서는 시공간적 패턴을 효과적으로 학습할 수 있도록 CNN-LSTM과 Transformer 기반의 두 가지 모델을 활용한다. 이후 SHapley Additive exPlanations(SHAP)를 통해 예측의 주요 기여 변수를 분석한다.

[그림1] 제안 프레임워크

조선소의 공정 데이터를 이용해 실험을 진행한 결과, 제안한 모델은 높은 Accuracy(정확도)와 Recall(재현율)을 기록하며 뛰어난 이상 예측 성능을 보였다. 특히 샘플링 적용 시의 결과가 미적용 시의 결과보다 뛰어난 것을 통해 ENN이 모델 성능 향상에 효과적임을 확인할 수 있었다. 또한, SHAP를 통해 각 feature의 기여도를 산출함으로써 예측 결과에 영향을 주는 요소를 분석할 수 있었다.