본 프로젝트는 타이어 설계데이터를 기반으로 인공지능 기술을 이용한 성능 예측 및 설계 최적화 분석을 진행하였다. 기존에는 타이어 개발을 위해 타이어 설계 후보안을 유한요소해석법(finite element analysis, FEA)으로 성능을 평가한 다음 시제조 및 주행시험을 통과한 타이어 설계에 대해 양산하는 방식으로 이루어졌다. 하지만 이는 평가 시간이 매우 길고 높은 시제조 비용을 요구하는 단점이 있다. 본 프로젝트에서는 타이어 설계 데이터 기반 인공지능 모델을 이용하여 성능 예측 모델을 개발하였다. 엔지니어가 수집한 데이터 내 입력데이터 결측이 존재해도 예측가능한 모델 개발을 위해 결측대체기법 및 예측모델을 통합하였다. 또한, 예측모델을 기반으로 목표 타이어 성능에 대한 최적 설계를 도출하기 위해 베이지안 최적화를 적용하였다. 본 프로젝트에서 구축한 예측 및 최적화 기법은 시제조에 소요되는 시간 및 비용 감소에 효과적으로 기여할 것으로 본다.

원재료가 공정에 투입 되어 제품이 완성될 때까지 걸리는 시간을 예측 하는 것은 매우 중요한 일이다.  제품을 공급하기 전에 계획했던 내용과 실제 생산 과정에서 차이가 발생할 수 있는지 사전에 예측하고 대응하는 일은 중요하기 때문이다. 실제 현장에서 제품을 생성하려면 한개의 공정이 아닌 여러개 공정을 거쳐야 한다. 본 프로젝트에서는 공정 별로 로트(원재료) 투입 예측 모델을 구축하고, 공정 별 투입/미투입 예측을 바탕으로 제품이 실제 완성되는 일자를 예측할 수 있는 공정 연계 프로세스 모델을 연구/개발하였다. 

최근 주행 차량에 다량의 센서가 부착되면서 다채널 타임시리즈 데이터가 확보되고 있다. 또한 이러한 데이터를 분석하여 패턴을 파악하는 것이 다양한 목적을 위해 사용되고 있다. 본 과제에서는 스트레인 센서로 부터 확보된 스트레인 행렬값으로 하중 센서로 부터 확보된 하중 행렬 값을 도출해내는 목적을 띄고 있다. 다음과 같은 작업이 수행되면 하중을 측정하기 위한 센서를 머신러닝을 사용한 센서 값으로 대체가능하게된다. 따라서 하중을 측정하기위해 사용되는 센서 비용, 센서 부착 비용 및 데이터 수집 비용 등을 절감할 수 있는 효과를 지니게 된다. 본 과제에서는 이를 해결하기위해 Time-lag을 고려한 딥러닝 예측모델을 사용하였다. 센서 간의 time-lag을 반영하기위해 입력 데이터를 window 단위로 관측치를 변경하였고 따라서 t시점의 하중예측을 위해 t시점의 x값 뿐만 아니라 그 전 시점의 다시점 x값이 사용된다.  이와 같은 방법은 time-lag을 고려하지 않은 방법론과 비교하여 예측 성능을 크게 향상시킬 수 있었다.