본 프로젝트는 불규칙적인 월별 불량률을 조기에 예측하는(회귀) 태스크와 불량 여부를 조기에 분류하는 태스크의 인공지능 모델을 구축하는 것을 목표로 하였다. 이는 불량률 및 불량을 조기에 탐지하여 제품 품질 및 고객 서비스 품질을 효율적으로 관리하기 위함이다. 월별 불량률을 예측하는 태스크에서는 월별로 불량률 예측 머신러닝 모델을 구축하였으며, 불량을 분류하는 태스크에서는 단일 머신러닝 모델을 구축하였다.1. 월별 불량률 예측월별 불량률 예측은 양산 모델의 특성 데이터와 초기 불량률 데이터를 랜덤포레스트로 학습하여 N개월 후 불량률을 예측하는 태스크이다. 모델 학습을 위해 중요 변수 및 파생 변수를 생성하는 등의 전처리를 수행하였다. 성능 향상을 위해 학습에 사용되는 초기 불량률 기간을 조절하였으며, 도메인 지식을 통한 제품군별 군집화를 진행하였다.2. 제품 계측값을 활용한 불량 분류불량 분류는 제품 계측 값 및 장비 라인 데이터를 학습하여 양품과 불량을 분류하는 이진 분류와 불량의 종류(개월)를 확장한 멀티 클래스 분류 태스크이다. 데이터 수집, 파생변수 생성, 결측치 대체 등 전처리를 수행하였다. 클래스 불균형 문제를 해결 하기 위해 도메인 지식을 통한 여러가지 방법의 다운샘플링 샘플링을 적용하였다. 세가지 앙상블 모델을 통해 성능을 비교했으며, 이진 분류의 경우 변수 중요도를 통해 공정의 주요 인자를 확인할 수 있었다.3. 결론 및 성능 - 결론 : 불량 관련 데이터 전처리 프로세스를 최초로 정의한 것에 의의가 있으며, 회귀 및 분류 두 개 태스크를 수행하는 모델을 각각 구축하여 유의미한 성능을 달성하였다. - 성능   1) 월별 불량률 예측      - MAPE 기준 군집화 전보다 6차 군집화를 통해 성능 개선을 보였으며, MAE 기준 군집화 전보다 제품군별 군집화 및 초기 불량률 기간 조절을 통해 4차, 5차, 6차에서 성능 개선을 보였다.   2) 제품 계측값을 활용한 불량 분류      - 클래스 불균형 문제를 해결하여 이진 분류 기준 Recall 0.69를 달성하였다. 다중 분류의 경우 클래스 개수를 군집화(16개 → 6개)하여 모든 지표 성능을 개선하였다. 

본 프로젝트에서는 차량의 디자인에 따라 주행 시 발생하는 상세 풍절음들을 예측하고, 이를 바탕으로 중요한 디자인적 요소를 찾아주는 것을 최종 목표로 하였다.세부 목표는 ① 3가지 대역의 풍절음 예측, ② 풍절음에 중요하게 작용하는 디자인 요소 탐색으로 총 두 가지이다. 1.  풍절음 예측디자인에 따른 풍절음을 예측하기 위해, 자동차의 특징적인 부분을 반영할 수 있는 여러 이미지들을 입력 값으로 사용하였고, CNN기반의 특징 추출기를 이용하여 특징 벡터를 추출하였다. 또한 추출된 특징 벡터들 중 예측값에 가장 중요하게 반영되는 가중치를 연산하는 Self-Attention 모듈과 이를 이용하여 3가지의 주파수 대역을 예측하는 Linear Layer를 이용하여 3가지 대역의 풍절음을 예측하였다.2. 디자인 요소 탐색디자인 요소 탐색을 위해서는 가장 중요하게 사용된 이미지 종류와, 그 이미지 안에서도 어떤 부분이 중요했는지에 대한 정보가 필요하다. 이를 위해 Attention Score와 Grad-CAM을 사용하였다. 우선 Attention Score를 이용한 중요 이미지 탐색은 아래 표와 같으며, 주로 사이드 미러의 형태가 풍절음에 중요하다는 것을 알 수 있다. 또한 오른쪽 그림은 중요하게 작용했던 7가지 이미지에 대해 Grad-CAM을 이용하여 각 이미지 내에서 중요한 부분을 탐색한 결과이다.

본 프로젝트의 목적은 전기차 모터에 발생하는 소음을 예측하는 일련의 과정을 머신러닝/딥러닝 모델 구축을 통해 해석 사이클 타임을 효율화 하는데에 있다. 왜냐하면 한 개의 사이클을 해석하려고 하면 24시간 이상 소요되기 때문이다. 해당 과업은 현대모비스 내  NVH(Noise, Vibration, Harshness) 부서와 함께 협업하였으며, 그 중에서 DMQA 연구실의 역할은 아래와 같다.- 프로젝트 목표 : 해석 사이클 타임 효율화를 위한 AI 소음 예측 모형 개발     Step 1 : Tooth 별 rotor, stator의 airgap 및 형상 이미지를 활용한 전자기력 생성 프로세스 효율화    Step 2 : 전자기력 데이터를 이용하여 모터 별 소음/진동 예측모델 구축전체 프로세스는 step1, 2로 나눠져 있으며 최종적으로 모터 설계 인자를 활용하여 소음 예측을 진행하는 task라고 할 수 있다. 각 step에서 전자기력 예측 및 소음 예측의 성능은 매우 우수한 성능을 확보했으며, 해석 사이클 타임 효율화도 충분히 달성(24시간 이상 -> 15분 이내)하여 성공적으로 프로젝트를 마무리하였다.

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.

본 프로젝트에서는 차량주행시 빗물을 닦는 와이퍼 설계 품질을 진단하고자 와이퍼 부상속도 예측 및 원인 분석 방법론을 제안하였다. 와이퍼는 차량이 주행하는 속도가 높을수록 뜨는 현상(부상)이 발생하는데 이 부상할 때 속도가 낮으면 좋은 품질을 의미한다. 이 부상속도는 결국 와이퍼가 바람의 세기에 따라 좌우되는데 바람의 세기를 결정짓는 것이 후드 형상(본네트)이다. 따라서 본 프로젝트에서는 와이퍼를 어떻게 설계했는지 기록한 수치형 설계 데이터와 후드형상 설계도면을 다양한 각도에서 바라본 Multi-view 이미지 데이터를 동시에 고려한 예측모델을 구축하기 위해 Interpretable multimodal deep learning 기법을 제안하였다. 수치데이터는 Deep neural network, 이미지 데이터는 Convolutional neural network을 사용하여 데이터로부터  유의미한 특성을 추출하고, Attention기반 modal 선택 및 class activation map 기반 이미지 내 중요구역을 강조할 수 있는 메커니즘을 추가하였다. 그 결과, 단일 Modal 만 사용했을 때보다 더 좋은 예측성능을 보였으며 유의미한 해석력을 도축하였다.

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. 

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. 

호텔, 리조트 등 숙박 관련된 산업분야에서 고객의 예약 취소를 정확하게 예측하는 것은 매우 중요한 일이다. 고객의 예약 취소를 예측한다면 해당 취소 건수만큰 초과 예약(Overbooking)을 받아 회사의 손실을 줄일 수 있기 때문이다. 본 프로젝트에서는 회귀 모델, 트리 모델, 딥러닝 모델 등 다양한 머신러닝 모델을 활용하여 분석을 진행한 이후 정확도가 가장 높은 모델을 제안하였다. 세부적인 분석을 위해 5일 전, 10일 전, 14일 전을 기준으로 총 3가지 경우에 대해 분석을 진행하였고, Room_Type도 Family Type, Royal Type 2가지 경우에 대한 분석을 진행하였다. 실제 모델 사용 시 이해도를 높이기 위해  예측 모델의 중요한 변수까지 도출해  협력사에 전달해 주었다.

최근 통신사인 SKT, LG U+, KT는 매우 다양한 요금제를 제공한다. 따라서, 요금제 중 현재 고객에게 알맞는 요금제를 추천해주는 서비스는 필수적이다. 본 프로젝트에서는 고객의 개인정보를 바탕으로 현재 고객과 비슷한 유형의 고객들이 많이 사용하는 요금제를 추천해주는 분석을 진행하였다. 여기서 비슷한 유형의 고객들이 많이 사용하는 요금제를 추천해줄때 요금제에서 제공되는 데이터 양, 통화량 등을 초과하지 않고 알맞게 사용한 고객들만을 추출하여 군집화를 진행하였다. 따라서, 현재 요금제에서 제공하는 서비스 량을 초과하여 사용하는 고객들에게도 알맞은 요금제를 추천해주는 알고리즘을 개발하였다. 또한, 3개월 또는 6개월간 고객이 지불한 요금을 학습하여 추후 얼마만큼 요금이 발생할 것인지에 대한 예측 알고리즘도 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.