본 프로젝트는 휴대폰 품질을 결정짓는 검사 공정설비로부터 수집된 계측데이터를 기반으로 주요 검사공정을 탐지하고, 검사공정 설비 절차를 간소화함으로써 휴대폰 검사공정 시간 최소화 및 효율성 극대화를 최종 목표로 한다. 따라서, 분석 절차는 중요 검사항목을 선정하는 프로세스를 설계하고, 나머지 검사항목은 가상계측으로 대체하여 중요 검사항목 선정에 대한 타당성을 검증하였다. 본 프로젝트에서 중요 검사항목은 (1) 서로 독립적인 검사항목이 중요, (2) 분산이 큰 검사항목이 중요하다고 정의하였다. 독립적인 검사항목을 판별하기 위해 군집화 방법론을 적용하였으며, 군집 내에서 분산이 큰 검사항목을 선정하기 위해 PCA알고리즘을 기반으로 주요 점수를 정의하였다. 결과적으로, 중요 검사들을 기반으로 비중요검사항목들의 계측값을 예측하는 가상계측 알고리즘을 구축하여 중요검사 선정에 대한 타당성을 검증하였다. 

본 프로젝트는 수출 지역별 다양한 기후 환경에 적합한 환경 시험 규격 도출을 위한 AI 모델을 개발하기 위해 시작되었다. 먼저 지역별 기후 데이터를 수집하고 지역별 시계열 예측 모델을 구축한다. 예측한 미래 기후와 과거~현재까지 기후 데이터를 활용해서 시험 규격 예측 모델을 구축한다. 지역별 시험 규격을 도출하고 그 결과를 기반으로 수출 지역에 따른 실제 시험 규격을 세팅한다. 본 프로젝트에서는 전통적인 시계열 모델을 활용해서 시간단위로 1년간 예측했고  R-squared 값이 온도는 0.87, 습도가 0.95가 될 정도로 좋은 성능을 보이는 미래 기후 예측 모델을 구축했다. 또한 다양한 시험 규격 모델을 구축하고 시각화하여 각 수출 지역별로 다양하게 비교 분석할 수 있는 프레임워크를 제안했다.

본 프로젝트에서는 차량 신규 플랫폼 개발 시 차량의 특성변수를 통해 하중 가이드를 예측하는 모델을 개발하였다. 신규 플랫폼 개발 시 차종, 축중량 등의 특성변수들은 최종적으로 차량의 6분력 하중에 영향을 미친다. 제안모델을 통해 실제 하중 실험 없이 대략적인 하중을 알 수 있도록 하였다. 제안모델은 CAE(Convolutional Autoencoder)를 통해 고차원의 6분력 하중데이터를 저차원의 특징벡터로 요약하고 특징벡터 공간상에서 신규 특성변수와 적합한 벡터를 선택하여 원래 차원의 하중데이터로 복원한다. 신규 특성변수에 적합한 벡터는 특성변수가 가장 유사한 n개 차량의 특징벡터를 가중합 하여 사용하였다. 모델 성능은 하중 데이터로부터 계산되는 Damage를 통해 검증하였으며, 테스트 결과 하중 채널 별 합당한 가이드를 제공할 수 있음을 확인하였다. 

제조 산업에서 특정 제품의 작동으로 인해 발생하는 소리를 관리하는 것은 필수적이다. 현재 엔지니어가 직접 소리를 듣고 소음 발생 여부를 판단하고 있다. 하지만 엔지니어에 따라 달라질 수 있고 엔지니어의 심리 상태에 따라 변화할 수 있는 현재 감성 소음 유형 평가 방식은 한계를 가진다. 최근 합성곱 신경망의 발달로 인해 소리 분야에서도 이를 활용하는 연구가 진행되고 있다. 본 프로젝트에서는 범주 불균형 상황에서 합성곱 신경망 기반 소음 유형을 분류하는 방법과 원인 분석 방법을 제안하였다. 또한 감성 레이블이 없는 소음을 이용해 합성곱 신경망을 사전 학습하여 성능 향상에 성공하였다. 실험을 통해 정확한 예측 성능을 보이며 과 일관적인 분류 기준을 가지는 분류 모형을 학습하였음을 증명하였다. 다음으로 수치형, 범주형 설계 인자를 입력 받아 실질적인 소음 크기인 (dB) 값을 예측하는 모형을 개발하였다.  이 두 가지 모형을 종합하여 엔지니어가 학습한 소음 평가 지식을 일반화 할 수 있을 것으로 기대한다. 

본 프로젝트에서는 자동차 개발 공장의 로드시뮬레이터 노면 재현작업을 효율화 하기 위해 스텝 별 최적 Gain값 도출 모델을 개발하였다. 노면 재현작업은 작업자에 의해 20~30회의 스텝을 반복하며 수행되며 이는 평균 8시간 이상의 시간과 작업자의 높은 숙련도가 필요하다. 과거 재현작업을 진행하였던 History 데이터는 스텝 별 사용된 Gain값과 그때 차량의 6분력 하중값 및 목표 하중값을 포함한다. 제안모델은 2개의 단계로 구성하였으며 실험의 순차적 특성을 반영하기 위해 각각은 독립적인 Many-to-One LSTM(Long Short-Term Memory)모델을 이용하였다. 첫 단계는 실험 중지 여부를 판단하는 모델이며, 'Stop'사인을 출력할 경우 실험을 마치고 'Go' 사인을 출력할 경우 두 번째 단계로 넘어가게 된다. 두 번째 단계는 해당 스텝의 26채널 Gain값을 예측하는 모델이며, 인풋데이터와 이전 스텝까지의 상황을 통해 로드시뮬레이터에 입력할 실제 Gain값을 도출한다. 실제 작업자의 다양한 판단기준을 모델에 적용하기 위해 채널 별 Overshoot과 위상차를 반영할 수 있도록 인풋데이터를 정제하였다. 최종 모델은 실험 결과 MAE 0.03으로 현업에 적용 가능한 높은 성능을 보였다.

본 프로젝트는 건설장비로부터 수집되는 센서 데이터를 기반으로 이상치 탐지 모델을 이용한 고장 예측 분석을 수행하였다. 이상치 탐지 모델을 활용한 고장 예측  분석은 차량 운행 중 정상적인 작업이 이루어지고 있는지 모니터링함과 동시에 비정상적인 활동이 탐지되었을 때 이상 신호를 알려줄 수 있다. 이 때 주로 사용되는 이상치 탐지 모델은 단일 클래스 분류 알고리즘으로 비정상 데이터가 적은 경우 정상 장비로부터 수집된 데이터만을 이용하여 정상/비정상을 판정할 수 있는 알고리즘이다. 본 프로젝트에서는 실시간 데이터 수집과정에서 차량 장비 별 편차와 열화 뿐만 아니라 다수의 외생 변수 등으로 인해 새로 수집되는 정상 데이터가 모델 학습 시 사용한 정상데이터와는 다른 경우도 발생하므로 정상데이터가 시간에 따라 달라지는 경우를 반영하기 위해 초기 학습된 이상치 탐지 모델을 장비에 탑재하여 이를 실시간으로 업데이트할 수 있는 적응형 학습(adaptive learning) 프로세스가 필요했다. 그리고 장비에 부착한 모델이 실시간으로 장비의 이상을 모니터링하는 것을 목적으로 했기 때문에 적은 컴퓨팅 파워로도 작동할 수 있는 적응형 학습 프로세스 이상치 탐지 모델인 Incremental PCA 재구축 기법 기반 이상치 탐지 모델을 활용했다. 또한 건설장비의 각 작업 상태별로 정상작동 센서 패턴이 다르기 때문에 (1) 주행 상태(CAN 시그널) 데이터를 활용한 작업 상태 분류 모델을 구축하여 주행 상태를 분류한 뒤, (2) 각 주행 상태별로 구축된 이상치 탐지 모델을 통해 고장을 진단하는 모델의 전체 프로세스를 구축했다.  구축한 이상 탐지 모델의 업데이트가 유의미하게 적용되는지 판단하기 위해 실측 데이터에 대해 임의의 분포 변화를 부여한 시나리오를 설계하여 모델을 평가했다. 이는 장비의 열화와 같이 정상 데이터가 초기 학습한 정상 데이터와 조금씩 달라지는 상황에도 적응형 학습 프로세스가 유연하게 대처할 수 있는지를 확인하기 위한 과정이었다. 실험 결과 휠로더의 경우 평균적으로 90% 이상의 이상 검출 정확도를 보였고 임의의 분포 변화를 부여한 시나리오에서도 적응형 학습 프로세스를 적용하지 않은 모델보다 높은 성능으로 이상을 검출하는 것을 확인했다.                                                  

본 프로젝트는 6분력계를 머신러닝 모델로 교체하는 목적을 가지고 있다. 6분력계 센서는 x, y, z축으로 받는 힘과 모멘트를 측정하는 센서이다. 이를 주행 중에 측정하는 것은 차량의 주행 안전성, 차량의 내구도 측정 등에 유용하게 활용된다. 하지만 6분력계 센서는 전문가의 설치와 교정이 필요하기에 설치 및 데이터 확보에 상당한 비용을 수반한다. 이를 비용이 적게 확보가능한 타 센서들의 값을 이용한 예측 모델로 대체하였다. 따라서  다채널 센서 데이터가 입력되면 4개의 휠에 각각 부착된 총 24개의 값을 예측하는 모델을 구축하였으며 최근 다채널센서 데이터 분석에 많이 활용되는 CNN 모델을 사용하여 예측력을 고도화하였다. 

생산된 제품에 대해 사전 출고량 예측은 물고 비용 절감 및 생산 효율성 강화 측면에서 매우 중요한 요소이다. 본 프로젝트에서는 제품과 관련한 일련의 정보를 활용하여 미래 출고량 예측 모델을 개발을 수행하였다. 고객사에 대한 출고량은 제조사 및 고객사의 특성에 따라 다양하게 변동하는 관계로 주별 예측을 수행하였다. 이 과정에서 미출고/출고 여부를 판정하고 출고 상품으로 예측된 경우에 한하여 출고량을 예측하는 2단계의 예측 프로세스를 연구/개발 하였다. 

변전소를 구성하는 설비의 상태를 효과적으로 모니터링하고 관리하기 위해서 설비 별 운전/점검 이력, 수명 모델, 열화 모델, 현장 진단 결과, 실시간 상태 진단 기술 등을 이용하여 설비의 건전도를 평가한다. 현장에서는 설비 모니터링을 효율적으로 수행하기 위해 설비의 건전도를 하나의 값으로 요약한 Health Index (HI)를 정의하여 사용하고 있다. 본 연구과제에서는 설비 별 운전/점검 이력, 현장 진단 결과 등의 데이터로부터 설비의 상태를 정확하게 반영하는 HI를 도출하는 기계학습 모델을 연구/개발하였다.

건설장비의 품질관리를 위해 건설장비에 부착된 센서로부터 수집된 가동정보 및 상태정보와 실제 고장이력과의 관계를 분석하고, 고장지수를 산출하는 모델링을 진행하였다. 장비의 운영상태 데이터와 실제 고장관의 관계를 분석한 첫 시도이며, 통계적인 접근을 통해 신뢰성 있는 모델을 구축하였다. 뿐만 아니라 현업에 중요한 정보를 제공하는 알람 중 실제 고장과 관련이 높은 중요 알람을 선별하고, 연관규칙 알고리즘을 통해 같이 울린 알람 간의 조합을 확인하여 새로운 지식을 제공하였다. 

브랜드 별로 각각의 특성에 따라 각기 다른 할인을 적용하는 상황에서, 브랜드의 할인 유형별 특성에 맞는 최적할인율을 산출하는 모델링을 진행하였다. 제품별 또는 제품군 단위에서 판매량예측 모델을 구축한 후 이를 기반으로 정수계획법을 이용하여 최종적으로 매출, 재고, 손익의 관점에서 최적할인율을 산출할 수 있는 모델을 개발하였다. 판매량 데이터를 이용한 최적할인율을 제안함으로써 할인율 의사결정의 객관적인 지표를 제공하였다.

의류 유통 최적화를 목적으로 의류 제품의 주 단위 판매 데이터와 제품의 종류, 디자인, 가격 등의 속성 정보를 고루 활용한 수요예측 모델링을 진행하였다. 제품 출시 초반의 라이프사이클(Product life cycle)에 대한 예측과 특정시점 이후 8주동안의 제품 별 주 단위 판매량 예측을 하여 생산, 유통, 재고관리의 효용성을 더하는 지표를 제공하였다. 본 프로젝트는 2013년 대한산업공학회 추계학술대회의 프로젝트 경진대회에서 우수상을 수상하였다.