능동학습 기반 세탁기 소음 실험 조건의 적응형 샘플링

키워드

확장요약문

세탁기 소음시험은 조건 변경과 반복 측정에 많은 시간과 비용이 든다. 5 개 설계인자의 Full Factorial 은 324 조건이며, 기존 라틴 하이퍼큐브 샘플링(LHS) 계획은 102 조건이다. 그러나 LHS 는 측정 전에 조건을 배치하므로 측정결과를 다음 조건 선정에 반영하지 못한다. 또한 Sound Power Level(PWL)만으로 조건을 고르면 대역별 스펙트럼이 다른 조건을 놓칠 수 있다. 본 연구에서는 제한된 시험으로 데이터 품질을 높이기 위해 앞선 측정결과에 따라 정보가 필요한 조건을 선정하는 능동학습(AL)을 적용하였다. 세 시험에 공통인 52 개 측정조건으로 순차 선정을 모사하였고, 시험 1 은 LHS 로 고른 12 개 조건에서 시작하였다. 랜덤 포레스트(RF)로 PWL 과, 주성분분석(PCA)으로 축소한 스펙트럼의 주성분 점수를 예측하였다. 측정값이 추가될 때마다 PCA 와 RF 를 다시 학습하고 SHapley Additive exPlanations(SHAP)으로 분석한 뒤, 두 예측의 불확실성과 측정한 조건과의 거리로 다음 조건을 선정하였다. 시험 2 와 3 에서는 이전 학습 결과와 각 시험의 초기 측정값을 함께 사용하였다. 10 회 반복의 세 시험 합계 조건 수는 PWL 만 사용한 AL 이 평균 63.2±6.4 개, 스펙트럼을 함께 사용한 AL 이 87.7±10.4 개였다. 스펙트럼을 반영하면 시험 수는 늘지만 주파수대역별 평균제곱근오차(RMSE)는 3.531 dB 에서 2.927 dB 로 감소하여 후보조건 전체를 사용한 2.672 dB 에 근접하였다. 후보조건 전체 결과 대비 SHAP 및 PCA 유사도는 0.999 이상으로 주요 설계인자의 영향과 스펙트럼 특성이 유지되었다. 제안한 방법은 세 시험의 156 회 중 평균 87.7 회로 시험 횟수를 43.8% 줄이면서 데이터 품질을 유지함을 확인하였다. 실제 순차 시험은 다음 단계로 한다.