분석·의사결정 / 통합 대시보드
공정데이터 v2.5 · AI 분석 확장
분석·의사결정 지원
공정조건으로 예측한 코팅두께를 실제 기록과 비교하고, 계산 근거와 점검 우선순위를 확인합니다.
i동일 시점 공정조건 기반 두께 예측입니다. 미래 시점 예측과 구분하며, 권장안은 작업자 검토 후 적용합니다.
분석 범위
오늘은 DB 현재시각까지 조회합니다. 초기 범위는 독립 시험 구간입니다.실제 코팅두께와 AI 예측 비교
실제값AI 예측값안정범위 32~37 μm
같은 시각의 두 선 간격은 예측오차입니다. 학습·검증 데이터와 독립 시험 데이터를 아래 구간 표시로 구분합니다.
예측 오차 추이
실제 두께 − AI 예측 두께 · μm선택 범위 대조 결과
조회 범위 전체 기준 · 독립 시험 성능은 별도 표시기록별 예측·이벤트 근거
최근 120개 공정기록 · 행을 선택하면 해당 기록의 계산 근거를 확인합니다.| 공정기록 시각 | 로트 / 작업 | 실제 두께 | AI 예측 두께 | 실제 / 예측 판정 | 오차 | 데이터 구간 | 이상이벤트 | 알림 출력 | 근거 |
|---|
선택 기록의 계산 근거 및 권장안
공정조건 변경 비교
선택 기록의 다른 조건을 고정하고 유량·이동속도만 변경하여 모델을 다시 계산합니다.기록을 선택한 뒤 조건을 입력하세요.
허용 입력: 학습 공정조건의 1~99백분위. 계산 결과는 실제 정상화 보장값이 아니며 설비에는 자동 적용되지 않습니다.
모델 성능 및 검증 근거
독립 시험 구간 · 모델 튜닝에 사용하지 않은 이후 날짜학습 반복별 RMSE
학습 RMSE검증 RMSE
보조 통계 · 변수 상관분석
피어슨 상관계수 · 코팅두께와의 선형 관계, 원인/모델 중요도와 구분판단 지원 규칙 적용 현황
S01~S07 실제 판정 · S08~S10 비정상 기록의 기준 이탈알고리즘·데이터 사용 기준
계산 과정을 재현하기 위한 정의공정조건 9개 → XGBoost 회귀 → 예측 코팅두께 → 0.01 μm 반올림 → 7단계 품질기준 → 변수별 SHAP 기여도 → 점검 우선순위
XGBoost는 여러 회귀나무의 출력을 합산하고 제곱오차를 줄이도록 학습합니다. 예측값 f(x) = 기준값 + Σ 회귀나무 출력이며, SHAP 화면에서는 f(x) = 기준 예측값 + Σ 변수 기여도로 설명합니다.
MAE = 평균(|실제−예측|), RMSE = √평균((실제−예측)²), R² = 1−Σ(실제−예측)²/Σ(실제−실제평균)². 7단계 일치율 = 실제·예측 판정 일치건수/전체건수, 불량 재현율 = 실제 불량 중 불량으로 예측한 건수/실제 불량건수입니다.
판정결과·두께·점검문구·이상이벤트 정보는 학습 입력에서 제외합니다. 기준범위는 학습구간의 안정 정상 기록 5~95백분위입니다. S08 압력 / S09 온도·습도·점도 중 하나 / S10 속도·체류시간 중 하나가 기준을 벗어나고 실제 판정이 0이 아닌 기록을 집계합니다. 규칙 간 중복이 가능하므로 합계가 전체 기록 수와 같지는 않습니다.
XGBoost는 여러 회귀나무의 출력을 합산하고 제곱오차를 줄이도록 학습합니다. 예측값 f(x) = 기준값 + Σ 회귀나무 출력이며, SHAP 화면에서는 f(x) = 기준 예측값 + Σ 변수 기여도로 설명합니다.
MAE = 평균(|실제−예측|), RMSE = √평균((실제−예측)²), R² = 1−Σ(실제−예측)²/Σ(실제−실제평균)². 7단계 일치율 = 실제·예측 판정 일치건수/전체건수, 불량 재현율 = 실제 불량 중 불량으로 예측한 건수/실제 불량건수입니다.
판정결과·두께·점검문구·이상이벤트 정보는 학습 입력에서 제외합니다. 기준범위는 학습구간의 안정 정상 기록 5~95백분위입니다. S08 압력 / S09 온도·습도·점도 중 하나 / S10 속도·체류시간 중 하나가 기준을 벗어나고 실제 판정이 0이 아닌 기록을 집계합니다. 규칙 간 중복이 가능하므로 합계가 전체 기록 수와 같지는 않습니다.