진단 신호 모델링 & QC 자동화

역할: 프로젝트 PM / 데이터 사이언티스트  ·  스택: Python, R, LSTM, 선형/기저함수 모델링, PCA/t-SNE/DBSCAN, R Shiny

통계적 엄밀성이 측정 가능한 안전성·비용 성과로 이어진 두 개의 진단 프로젝트.

PCR 신호 baseline 보정

• 하드코딩된 레거시 baseline 알고리즘을 데이터 기반 혼합 기저함수 모델로 재설계, 위음성률 0.47% → 0.04%(91.49% 개선).
• 5종 경쟁 알고리즘 대비 잔여신호 백색잡음 근사도 1위; Matlab → Python 리팩터링 + 실시간 선형회귀 최적화.

장비 QC 자동화

• 수동 엑셀 QC를 2단계 LSTM + 10개 등급 성능 지표로 대체, QC 시간 ~93% 단축(연간 운영비 약 13배 절감).
• 2,201대 장비 / 2,552회 실험 / 61,248개 신호로 학습: 합/불 분류 94.5%, 등급 분류 82.7%; PCA · t-SNE · DBSCAN · 3시그마 이상탐지 + R Shiny 실시간 대시보드.
• R&D President’s Award 및 제1발명가 특허 2건.

접근

두 프로젝트 모두 수동 또는 하드코딩 baseline을 측정 기반 데이터 주도 모델로 대체했다.

flowchart TB
    subgraph PCR[PCR baseline correction]
      direction TB
      L[Hard-coded legacy algorithm] --> D[Data-driven<br/>mixed-basis-function model]
      D --> FN[False-negative<br/>0.47% to 0.04%]
    end
    subgraph QC[Equipment QC automation]
      direction TB
      M[Manual Excel QC] --> LSTM[Two-stage LSTM<br/>+ 10 graded metrics]
      LSTM --> T[QC time ~93% lower]
    end