반도체 제조
많은 이들이 예산을 초과할 뿐더러 예상보다 훨씬 많은 전기 요금 고지서에 충격을 받았습니다. 집에서는 사용하지 않는 불을 끄고, 에너지 효율적인 전구로 바꾸는 등 에너지 소비를 줄이는 다른 일반적인 방법으로 이에 대응할 수 있습니다.
하지만 이러한 방법을 사용하지 못하고 일상 활동을 계속해야 한다면 어떨까요? 에너지 비용을 예측하고 현실적인 예산을 책정하는 것이 최우선 과제가 될 것입니다. 이것이 바로 많은 제조업체가 직면한 어려움입니다. 생산 목표를 달성하면서 전기 사용량까지 줄일 수 있는 방법이 없는 상황에서 제조업체들은 정확한 사용량 예측을 목표로 하여 정보에 입각한 재정적 의사결정을 내릴 수 있습니다.
태국의 한 반도체 공장은 이러한 접근 방식으로 Minitab Statistical Software를 사용하여 변동이 심한 전기 부하를 조사했습니다. 많은 전자제품의 기초가 되는 반도체 재료의 생산은 수요가 많기 때문에 공장 장비를 끊임 없이 가동해야 합니다. 데이터 분석을 사용한 공장의 프로젝트 팀은 가장 정확한 전력 소비 예측 방법을 확인하여 수익을 극대화했습니다.
과제
예측 모델은 데이터에서 패턴을 식별한 다음 이러한 패턴을 사용하여 특정 변수(이 경우 공장의 전력 소비량)가 미래에 어떤 영향을 미칠지 예측합니다. 팀은 6개의 확립된 예측 모델과 이 프로젝트를 위해 생성된 하나의 새로운 방법을 사용하여 Metropolitan Electricity Authority(MEA)의 3년간 과거 데이터를 분석해야 했습니다. 새로운 방법은 공장의 반도체 제조 공정에 특화된 여러 요소들을 통합합니다.
각 예측 방법은 향후 6개월 간 공장의 전기 부하에 대한 예측을 생성합니다. 그런 다음 이러한 결과를 과거 데이터와 비교할 수 있습니다. 팀은 특정 예측 방법의 정확도를 오차율로 표시하는 평균 절대비 오차(MAPE)를 계산하여 가장 정확한 예측을 제공하는 모델을 확인할 수 있었습니다.
프로젝트 팀은 전력 비용을 평가하고 합리적인 예산을 책정하며 올바른 재정적 의사결정을 내리기 위해 각 방법을 평가하고 MAPE 값이 가장 낮은 모델을 사용했습니다.
Minitab을 활용한 사례
팀은 간단한 예측 및 평활 방법을 사용하는 6개의 시계열 분석을 조사했습니다. 각 모델은 추세, 계절성, 주기 및 불규칙한 이동을 포함하여 일정 기간 동안 수집된 데이터의 다양한 구성 요소를 보여주고 구성 요소의 추정치를 미래로 확장하여 예측을 제공합니다. 팀은 각 모델을 사용하여 향후 6개월 간의 전기 사용량을 예측했습니다.
우선 프로젝트 팀은 일반적인 추세선을 전기 소비량 데이터에 맞추는 추세 분석 방법을 사용했습니다. 이 분석은 일정 기간 동안 계열의 상승 또는 하강을 나타내는 장기적인 경향을 표시합니다.
그런 다음 문제를 하위 문제로 '분해'할 수 있는 기능 때문에 이름이 붙은 분해 방법을 사용하여 팀은 추세 분석 방법에 포함되지 않은 데이터의 구성 요소를 조사할 수 있었습니다. 팀은 전기 소비에 대한 시계열 데이터를 계절성, 주기 및 무작위 변동과 같은 추가적인 부분으로 분할하여 각 구성 요소의 영향을 모델의 예측에 반영할 수 있었습니다.
데이터의 단기 변동을 평활화하고 장기 추세와 주기를 강조하기 위해 팀은 계열에서 연속 관측치의 평균을 내고 이동 평균을 계산했습니다. 계절성, 주기 및 무작위 변동에 따라 생성된 개별 데이터 포인트는 이 모델에서 근사치로 계산되기 때문에 평활화된 데이터 집합은 알아차리기 어려운 중요한 패턴을 보일 수 있습니다.
팀은 시간이 지남에 따라 기하급수적으로 감소하는 가중치를 데이터 포인트에 할당하는 단일 지수 평활 방법을 통해 데이터를 표시하는 방식으로 또 다른 관점을 얻었습니다. 이 기법은 최신 데이터에 보다 많은 중점을 둔 방식으로 공장의 전력 소비량을 예측했습니다.
데이터에 추세가 있으면 단일 지수 평활이 이상적이지 않기 때문에 프로젝트 팀은 시계열의 추세 가능성을 고려한 이중 지수 평활 방법을 사용하여 두 번째 구성 요소를 시작했습니다. 이 접근 방식은 시계열의 이전 관측치에 대한 가중치를 줄이지만 각각에 대해 서로 다른 상수를 사용하여 추세 및 기울기를 평활화할 수 있습니다.
팀은 추세 및 계절성 변동을 포함하도록 이중 지수 평활 방법을 확장하기 위해 Winters의 방법으로 알려진 기법을 사용하여 수준, 추세 및 계절성이라는 세 가지 구성 요소에 대한 동적 추정치를 계산했습니다.
Minitab에서 제공하는 다양한 예측 및 평활 방법을 통해 프로젝트 팀은 이러한 다양한 접근 방식과 해당 공장만의 요인을 통합한 방법을 사용하여 데이터를 쉽게 분석, 표시 및 평가할 수 있었습니다. 각 방법의 정확성은 각 모델의 결과를 실제 데이터와 비교하여 평가했습니다.
팀이 고안한 예측 방법은 기계 요구 사항, 기계 유휴 시간, 각 상태에 사용되는 킬로와트 등 반도체 공장의 공정과 관련된 특정 요소를 통합하고 전력 회사가 제공하는 원시 전기 사용량 데이터를 조정했습니다. 그런 다음 팀은 각각의 기존 모델의 결과를 각 방법의 결과와 비교했습니다.
결과
시계열도를 만들고 각각의 기존 방법에 대한 MAPE 값을 계산한 후 각 방법을 실제 에너지 사용량 데이터와 비교한 결과, 예측 정확도가 모두 유사한 것으로 나타났습니다. 하지만 팀의 새로운 방법과 관련된 MAPE 값은 2.48로 기존 모델보다 훨씬 낮았기 때문에 새로운 방법은 공장의 미래 전력 소비량을 예측하기 위한 가장 적절한 선택이었습니다.
Minitab에서 다양한 시계열 분석을 구축하고 적용할 수 있는 기능을 사용하여 팀은 검증되지 않은 새로운 방법을 기존 방법과 쉽게 비교할 수 있었습니다. 결과적으로 데이터 분석을 통해 자신들이 개발한 모델이 다른 방법보다 우수하다는 것을 확인하여 자신감을 갖고 사용할 수 있게 되었습니다.
이 사례는 International Journal of Advanced Research(컴퓨터 및 커뮤니케이션 엔지니어링 분야)의 2013년 10월호 제2권에 출판된 기사를 각색한 것입니다.