지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 발행연도
- 2016
- 저작권
- 한국해양대학교 논문은 저작권에 의해 보호받습니다.
이용수2
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
선박 및 해양플랜트 건조에는 방대한 물량의 의장품이 사용되며 공급되는 경로 또한 공급망 프로세스와 협력업체에 따라 다양한 경로가 존재한다. 최근 해양플랜트 건조의 경우 다양한 의장품의 사양과 경로에 따른 조달지연이 충분히 고려되지 못하고 있어 조기에 공급되어 불필요한 적치가 증가하거나 공급이 지연되어 설치가 연기되는 등 손실이 발생하고 있다. 이를 해결하기 위해서는 우선적으로 의장품의 사양과 공급경로를 고려한 공급 리드타임에 대한 예측이 필요하다.
이러한 예측모델 구축을 위해 최근 이슈가 되고 있는 빅데이터 기술을 살펴보고 이를 조선해양 생산 분야에 적용하여 효용성을 살펴보고자 한다. 빅데이터의 기술은 데이터의 생성, 수집, 저장, 분석, 표현의 전 과정에 걸쳐 사용되며 이 중 분석, 표현의 기술은 여러 데이터마이닝 기법 및 시각화 기법을 사용하여 데이터를 통해 유의미한 정보를 찾아내는 것이다. 본 논문에서는 선박 및 해양플랜트의 배관재 공급망 데이터를 여러 데이터마이닝 기법을 사용하여 예측 모델을 개발하였다. 예측 모델은 다중선형, Ridge, PLS, Poisson, 의사결정나무, 인공신경망을 SPSS와 R 그리고 Microsoft Azure의 기계학습을 사용하여 구축하였고 각각의 예측 성능을 MAE(Mean Absolute Error)와 MAPE(Mean Absolute Percentage Error)를 통해 비교하였다.
또한 변수 민감도분석을 통해 예측모델에 대한 각각의 변수들의 영향력 분석하였고 현업의 공정개선 시 이를 참고할 수 있도록 하였다. 본 연구의 예측모델과 민감도분석 결과를 통해 기존 배관재 생산계획 단계에서 보다 합리적인 의사결정을 할 수 있을 것으로 예상한다.
이러한 예측모델 구축을 위해 최근 이슈가 되고 있는 빅데이터 기술을 살펴보고 이를 조선해양 생산 분야에 적용하여 효용성을 살펴보고자 한다. 빅데이터의 기술은 데이터의 생성, 수집, 저장, 분석, 표현의 전 과정에 걸쳐 사용되며 이 중 분석, 표현의 기술은 여러 데이터마이닝 기법 및 시각화 기법을 사용하여 데이터를 통해 유의미한 정보를 찾아내는 것이다. 본 논문에서는 선박 및 해양플랜트의 배관재 공급망 데이터를 여러 데이터마이닝 기법을 사용하여 예측 모델을 개발하였다. 예측 모델은 다중선형, Ridge, PLS, Poisson, 의사결정나무, 인공신경망을 SPSS와 R 그리고 Microsoft Azure의 기계학습을 사용하여 구축하였고 각각의 예측 성능을 MAE(Mean Absolute Error)와 MAPE(Mean Absolute Percentage Error)를 통해 비교하였다.
또한 변수 민감도분석을 통해 예측모델에 대한 각각의 변수들의 영향력 분석하였고 현업의 공정개선 시 이를 참고할 수 있도록 하였다. 본 연구의 예측모델과 민감도분석 결과를 통해 기존 배관재 생산계획 단계에서 보다 합리적인 의사결정을 할 수 있을 것으로 예상한다.
목차
1. 서 론1.1 연구 배경 11.1.1 생산적 관점에서의 조선해양 11.1.2 빅데이터 개요 21.2 관련 연구 동향 31.2.1 제조업 빅데이터 이용 사례 31.2.2 조선업 빅데이터 이용 사례 51.3 연구 목적 62. 조선해양산업의 배관의장 조달관리2.1 조선해양산업의 배관의장 조달관리 72.2 조선해양산업의 배관제작 및 설치공정의 이해 82.3 수집 데이터 정의 103. 빅데이터 분석 방법론3.1 KDD 분석 방법론 133.2 CRIPS-DM 분석 방법론 133.3 SEMMA 분석 방법론 163.4 분석 방법론 제안 184. 예측모델의 이론적 고찰4.1 일반적 통계기법의 회귀모형 224.1.1 다중 선형회귀모형 224.1.2 Ridge 회귀모형 234.1.3 PLS 회귀모형 234.1.4 Poisson 회귀모형 254.2 빅데이터의 기계학습 알고리즘 274.2.1 의사결정나무 회귀모형 274.2.2 인공신경망 회귀모형 295. 배관재 공정 리드타임 예측 모델5.1 IBM Modeler 17을 활용한 데이터전처리 335.2 IBM SPSS 21을 활용한 분석 375.2.1 다중 선형회귀모델 375.2.2 PLS 회귀모델 385.3 R을 활용한 분석 405.3.1 다중 선형회귀모델 405.3.2 Ridge 회귀모델 435.3.3 PLS 회귀모델 475.3.4 Poisson 회귀모델 505.3.5 인공신경망 회귀모델 525.3.6 의사결정나무 회귀모델 545.3.7 R을 활용한 회귀분석 결과 비교 575.4 Microsoft Azure를 활용한 분석 585.4.1 인공신경망 회귀모델 585.4.2 의사결정나무 회귀모델 616. 변수 민감도 분석6.1 민감도 분석 모델 656.2 민감도 분석 결과 667. 결론 70참고문헌 72부록 A 74부록 B 86부록 C 109
최근 본 자료
댓글(0)
0