도전 과제: Bayesian 최적화 기반 공정 조건 자동 추천 시스템
Day 3: 공정 최적화
도전 과제: Bayesian 최적화 기반 공정 조건 자동 추천 시스템
스마트 팩토리 최적화 > Day 3: 공정 최적화
시나리오
사출성형 공장의 공정기술 엔지니어로서, 신제품 양산 전 최적 공정 조건을 결정합니다.
시작 재료
실제 실험 대신 아래 응답면을 씁니다. 참 최적점을 미리 알고 있는 것이 이 과제의 핵심입니다. 탐색 결과가 참값에서 얼마나 떨어졌는지 잴 수 있어야 탐색이 잘 되었는지 판단할 수 있습니다.
import numpy as np
TRUE_OPTIMUM = {'temp': 205.0, 'pressure': 80.0, 'speed': 18.0, 'cooling': 25.0}
BOUNDS = {'temp': (180, 230), 'pressure': (50, 100), 'speed': (5, 35), 'cooling': (10, 40)}
def run_experiment(temp, pressure, speed, cooling, rng):
"""가상 공정 실험 한 번. 실제 라인에서는 이 자리에 시료 채취와 측정이 들어간다."""
quality = (96.0
- 0.010 * (temp - 205) ** 2
- 0.004 * (pressure - 80) ** 2
- 0.020 * (speed - 18) ** 2
- 0.030 * (cooling - 25) ** 2)
cost = 10 * temp + 5 * speed + 2 * pressure + 3 * cooling
return quality + rng.normal(0, 0.3), cost
rng = np.random.default_rng(0)
print(run_experiment(**TRUE_OPTIMUM, rng=rng)) # 품질 96 부근, 비용 2375품질 함수는 각 인자에 대해 위로 볼록합니다. 두 값(상한과 하한)만 보는 2수준 설계로는 이 곡률을 볼 수 없어 최적점이 항상 경계로 밀립니다. 3수준 이상 설계나 Bayesian 탐색이 필요한 까닭이 여기 있습니다.
잡음 표준편차가 0.3 이므로, 실험 한 번의 값 차이가 0.3 안쪽이면 우열을 가릴 수 없습니다.
시간 배분과 중간 확인 지점
| 구간 | 할 일 | 이 시점에 손에 있어야 하는 것 |
|---|---|---|
| 0~10분 | 응답면 확인, 탐색 범위 설정 | 인자 4개의 범위표 |
| 10~30분 | Optuna 단일 목적 50 시행 | 최적 조건 네 값과 최고 품질 |
| 30~40분 | 참값과의 거리 계산 | 인자별 오차와 품질 차이 |
| 40~65분 | 다목적 최적화와 Pareto Front | 산점도와 프론트 위의 해 목록 |
| 65~80분 | 지배당하는 해 걸러내기 | 프론트에 든 해와 든 이유 |
| 80~90분 | 의사결정 매트릭스 정리 | 후보 3안 비교표 |
30분 지점에서 온도가 180 이나 230 처럼 경계값으로 나왔다면 탐색이 곡률을 못 본 것입니다. 시행 수를 늘리거나 탐색 범위를 좁혀 다시 돌립니다.
막혔을 때 볼 곳
- Optuna 설정은
p8w12-d3-bayesian - 지배 관계와 프론트 해석은
p8w12-d3-multi-objective - 2수준 설계의 한계는
p8w12-d3-doe의 표 아래 설명
제출물
- 최적화 코드 (.py)
- Pareto Front 산점도 (PNG)
- 참값과의 거리 기록 (인자별 오차, 품질 차이)
- 의사결정 매트릭스 (후보 3안 비교)
(필수) 아래 응답면 코드를 실험 대신 쓰는 가상 공정으로 삼고, 최적 조건을 탐색한다
(필수) Optuna 로 50회 시행해 얻은 최적 조건이 참값과 얼마나 떨어졌는지 거리로 적는다
(필수) 품질과 비용 두 목적으로 다목적 최적화를 돌려 Pareto Front 를 산점도로 그린다
(필수) 프론트 위의 해 셋을 골라 비용·품질·현장 제약으로 비교한 의사결정 매트릭스를 만든다
(확장) 2수준 설계만 썼을 때와 3수준 이상 설계를 썼을 때 찾아낸 최적점을 비교한다
(확장) 과거 이력 검색(RAG)을 붙여 추천 근거를 문장으로 만든다
- • 탐색이 참 최적점에 얼마나 가까이 갔고 그 차이를 설명했는가 (30점)
- • Pareto Front 산출과 지배 관계 해석의 정확성 (30점)
- • 의사결정 매트릭스의 정량적 근거 (20점)
- • 탐색 설정(범위, 시행 수, 잡음)의 타당성과 기록 (20점)
- • 에너지 비용을 3번째 목적함수로 추가해 3D Pareto 시각화
- • 최적 조건 적용 시 연간 절감 효과 ROI 산출
Bayesian 최적화 기반 공정 조건 추천 시스템 구현 시 탐색 공간 정의와 획득 함수 선택이 성능을 좌우합니다. 설계 초안을 AI와 함께 검토하세요.
내가 설계한 Bayesian 최적화 기반 공정 조건 자동 추천 시스템 사양:
- 최적화 대상 KPI: {KPI 붙여넣기}
- 제어 가능 인자 및 범위: {인자 목록 붙여넣기}
- 사용 라이브러리/프레임워크: {붙여넣기}
- 획득 함수 선택: {붙여넣기}
다음을 검토해줘: (1) 탐색 공간 정의가 현장 제약(설비 한계·안전 범위)을 반영하는가, (2) 획득 함수 선택이 탐색-활용 균형에 적합한가, (3) 실제 공정에서 베이지안 최적화를 배포할 때의 주요 리스크 3가지와 완화 방안.