미리보기

캠퍼스의 전기 수요와 발전량을 예측한 후 에너지 저장 장치(ESS)의 충전 및 방전 시점과 양을 결정하는 문제.

태양광 발전량 및 전력 부하 예측 섹션

• NA 값을 제거하기 위해 LSTM을 활용하여 값을 예측 후 대체

• 일몰, 일출등의 추가 데이터를 수집해 발전량 값이 낮은 시간대를 예측해 분리

• 시계열 데이터를 TimeSeriesKMeans로 분류 후 유사한 군집 별로 Xgboost 모델을 학습

• 테스트 상 초기 모델 대비 예측오차 30% 감소

ESS 스케줄링 섹션

• pulp 기반의 Linear Progamming 모델을 작성

• 초기 LP 모델이 예측 섹션의 결과에 의존한다는 문제 발견

• Robust Optimization의 재고이론 기반 불확실성 모델링 기법 적용

• 약 7%의 운영 비용 감소

지형적 특성이란 지표면의 고도차이를 의미하며, 고도차이를 고려해 드론이 약제를 살포할 수 있도록 경로를 최적화하는 문제.

농약 살포 지점 식별

• 타 플랫폼의 모델과 그레이 스케일을 활용해 픽셀을 추출

• 지형 모델로부터 픽셀을 (x, y, z) 좌표화

Set Covering Problem

• 농약이 필요한 모든 좌표를 커버할 수 있는 최적의 살포 노드 결정

• Linear Programming model 작성

• 2분내 살포 노드의 좌표 도출

Capacity Vehicle Routing Problem

• 드론이 보유할 수 있는 농약 및 배터리용량이 한정되어 있는 상황에서 모든 노드를 방문하는 최적 경로 결정

• 거리 매트릭스를 활용해 3차원 문제를 2차원으로 바꾼 후 ortools의 local search를 활용해 경로를 도출

• 1분 미만의 시간내에 최적 경로를 찾았으며 기존 모델 대비 이동거리 2,273m 단축

온도, 압력, 시간, 속도 등 26개의 공정 상태 값으로 구성된 26,796,510개 csv 데이터로부터 비지도 학습을 통해 상태이상을 예측해야하는 문제.

라벨링 프로세스

1. 조사를 통해 crack, jetting, burr 등 불량과 직접적인 연관이 되는 독립변수를 추출

2. 23개의 독립변수들을 pca를 거쳐 한개의 변수로 표현할 수 있는 선형식 도출

3. 각 독립변수의 이동범위 관리도를 계산해 이산 데이터로 만들고 이산 데이터를 선형식에 대입해 최종 라벨 생성

기계학습 모형을 통한 불량예측

• automl을 통해 2종 오류가 적은 알고리즘 4개를 선택

• Grid search 통해 파라미터 튜닝

• 각 알고리즘 결과를 soft voting해 예측

• 불량으로 판별하는 로트가 74개 증가했으며 공정 불량률은 2.1%로 산업의 요구수준(2.5%)과 유사

• 결과적으로 모니터링이 불가능한 공정에서 데이터를 활용해 불량 로트를 예측하는 솔루션 제시