본 프로젝트는 제조 공정에서 사용되는 환경 인자 및 설정 인자를 활용하여 공정 결과를 예측하는 예측 AI 모델 개발을 목표로 한다. 세부 목표는 ① 공정 인자 정보 기반 공정 결과 예측 알고리즘 개발, ② 공정 장비 예열 판정 분류 알고리즘 개발 두 가지로 나눌 수 있다.1. 공정 인자 정보 기반 공정 결과 예측 알고리즘 개발본 프로젝트의 첫 번째 목표는 노광 공정 배경에서 계측되는 환경 인자와 설비 담당자가 직접 설정하는 설정 인자에 의해 글래스 규격 좌표를 나타내는 공정 결과 값(Overlay_X, Overlay_Y)을 정확히 예측하는 예측 알고리즘 개발하는 것이다. 인자들이 변화함에 따라 노광 공정 결과 글래스의 규격 좌표가 정확한 규격 좌표와 일치하지 않는 문제가 존재하는데, 예측 알고리즘을 통해 다양한 인자들과 공정 결과 값의 인과 관계 규명을 목표로 한다. 사용된 데이터의 경우 차수별(4~10차)로 수집되고, 차수의 특성 상 차수별 입력 및 출력 데이터에 약간의 차이가 존재한다. 실험의 경우 특정 한 차수의 데이터를 테스트 할 때, 해당 차수를 제외한 나머지 차수 데이터로 학습된 모델을 사용한다. 그리고 방대한 데이터 수집이 어려운 환경을 반영하여 회귀 문제에 적합한 데이터 증강 방식으로 학습 데이터를 충분히 확보하고, 머신러닝 방법론을 적용하여 공정 결과 값을 예측하였다.2. 공정 장비 예열 판정 분류 알고리즘 개발본 프로젝트의 두 번째 목표는 실제 공정 시작 이전 공정 장비의 예열 완료 상태 여부를 정확히 분류하는 분류 알고리즘을 개발하는 것이다. 본 공정에 들어가기 이전, 시험 글래스(Dummy Glass)를 도메인 전문가의 경험을 기반으로 약 10장 정도 투입하여 공정 장비를 예열시킨다. 하지만 10장이라는 시험 글래스의 수는 어디까지나 전문가의 경험에 의존하고, 실제로 10장 이전에 예열이 완료된다면 불필요한 시험 글래스의 사용을 줄일 수 있다. 따라서 본 프로젝트는 예열 완료 판정을 정확하게 분류하는 모델을 개발하고, 실제 레이블링이 되어있지 않은 시험 글래스에 Inference 실험을 통해 실제로 10장의 시험 글래스가 필요한지 여부에 대한 해석을 진행하였다. 제공받은 데이터로 실험을 진행한 결과, 약 7장의 시험 글래스에 대한 작업을 마치면 예열이 완료되고, 3장의 시험 글래스는 불필요한 것으로 나타났다.

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 프로젝트에서는 전기자동차를 사용하는 상황에서 사용자, 충전소에 대한 충전 패턴 분석을 진행하여, 충전 상황의 패턴을 파악할 수 있는 프로토콜을 제시하고, 이를 바탕으로 최적의 의사결정을 내리거나 이에 도움을 주는 것을 최종 목표로 하였다. 세부 목표는 ① 전기자동차 사용자의 충전 패턴 예측, ② 충전소의 시간대별 정보 예측, ③ 충전소 군집화로 총 세 가지이다.충전소에서 전기자동차들이 충전을 진행한 내역이 기록된 데이터인 충전 세션 데이터를 이용하여 분석을 진행하였으며, 해당 데이터는 사용자 ID, 충전소 ID, 충전 시작 시간, 충전 종료 시간, 순충전량 등이 포함된다.1. 전기자동차 사용자의 충전 패턴 예측본 프로젝트의 첫 번째 목표는 충전 세션 데이터를 이용하여 사용자의 충전 패턴을 예측하는 것이다. 전기차 배터리는 사용자의 패턴에 따라 수명이 달라지기 때문에 해당 프로젝트에서는 사용자의 패턴을 파악하기 위해 확률분포, 머신러닝 방법론을 사용하여 패턴 예측을 진행하였다. 사용자가 얼마나 오랫동안 충전할 것인지, 얼만큼 충전할 것인지, 언제 다시 충전을 시작할 것인지, 배터리가 얼마 남았을 때 충전을 진행할 것인지에 대해 예측을 진행하였다. 확률분포는 실제 데이터를 바탕으로 추정된 분포를 통해 진행하였으며, 머신러닝 방법론으로는 부스팅계열의 모델을 사용하여 사용자의 패턴 예측을 진행하였다.2. 충전소의 시간대별 정보 예측본 프로젝트의 두 번째 목표는 기존에 충전소에서 획득할 수 있는 정보를 바탕으로 미래 시점에서 충전소의 전력 소모량과 방문 차량 수를 예측하는 것이다. 충전 세션 데이터로부터, 각 충전소의 시간대(1시간, 6시간, 24시간)별 전력 소모량, 방문 차량 수에 대한 시계열 데이터를 획득하고, 획득한 데이터에 대하여 순환 신경망 구조인 LSTM을 학습시켰다. 학습시킨 LSTM 모델을 활용하여 미래 시점들에 대해 시간대별로 전력 소모량과 방문 차량 수를 예측하고, 그 성능을 평가하였다.3. 충전소 군집화 분석본 프로젝트의 세번째 목표는 군집화를 통해 유사한 충전소를 하나의 군집으로 묶고 군집별 특성에 대한 다양한 인사이트를 도출하는 것이다. 이때 충전소ID를 기준으로 각 충전소의 충전기 모델 종류 그리고 시간대(24시간,1시간)별 특징 ( 충전량, 충전 연결 시간, 그리고 방문자 등)을 추출하고 K-Means Clustering을 진행하였다. 최종적으로 충전소의 군집화 결과를 시각화하여 각 군집들이 어떤 특징을 보이는지 분석을 진행하였다.

본 프로젝트의 목표는 반도체 공정 이력 기반 데이터를 통해서 제품 특성값 예측 및 효율적인 공정관리를 하기 위한 불확실성 인과 관계 모델을 구축하는 것이다. 예측에 영향을 미치는 주요 공정에 대한 해석 및 불확실성을 정량화하는 것이 핵심이며, 반도체 공정 이력 데이터에 존재하는 시계열성 및 공정 간 순차 정보를 반영하여 반도체 제품 특성값 예측을 수행하였다. 입력데이터의 분포가 시간에 따라 변할 수 있는 covariate shift 및 출력데이터인 제품 특성값이 다양하게 존재할 수 있는 multi-output 문제를 모델 학습에 반영하여 불확실성 인과 관계 모델을 고도화하였다.1. 반도체 공정 이력 기반 데이터 탐색 및 전처리반도체 공정 이력 기반의 시계열 데이터에는 범주형으로 구성된 공정 step 정보와 수치형 계측 데이터가 혼재되어 있으므로 각 데이터 타입별 적절한 전처리가 요구되며, 예측 알고리즘에 적용하기 위해 데이터 특성을 반영한 정제 과정이 필요하다. 이에 따라 주어진 데이터에 대한 데이터 탐색 및 전처리를 진행하였다.              2. 순차적 공정 데이터 특징을 반영한 해석 가능한 알고리즘 개발 및 불확실성 정량화공정 이력 데이터에는 각 공정 별 순차성이 존재한다. 본 프로젝트에서는 순차성을 반영하면서 동시에 결과에 대한 주요 공정 해석이 가능한 알고리즘을 제안하였다. 예측값과 입력값 사이의 관계 파악을 위해 모델에 내부적인 파라미터로 모델을 구성(model specific)하는 방식인 Attention mechanism을 활용하여 변수별 주요 해석이 가능하도록 모델을 구축하였다. 모델 구조에 stochastic feedforward attention layer를 사용하여 해석에 대한 불확실성 정량화가 가능하도록 하였다.  3. 시점에 따라 데이터 분포가 변경되는 상황 반영공정 데이터는 시점에 따라 데이터 분포가 변화하는 특성을 지니기 때문에, 이를 고려하여 cluster를 사전에 정의하고 각 cluster별로 모델 학습 및 검증을하는 2단계 모델링을 수행하였다. 본 프로젝트에서는 각 cluster별로 결과를 도출한 2단계 모델링 기법을 시점을 반영하지 않은 결과와 비교하여 성능 평가를 하였다.                                                                        4. 예측 알고리즘 주요 변수 해석 및 불확실성 정량화 시각화 결과아래 그래프는 공정 이력 데이터에 대한 주요 변수 해석 및 불확실성 정량화를 시각화한 것이다. 첫 번째 그래프는 주요 변수 해석에 대한 그래프이다. X축이 각 공정 변수들이며 Y축 값이 attention score이다. 제품 특성값 예측에 있어서 주요하게 영향을 준 변수를 확인할 수 있다. 두 번째 그래프는 주요하게 영향을 준 변수 상위 10개에 대한 불확실성 정량화 값이다. 제품 특성값 예측 결과에 대한 주요 변수 해석 및 불확실성을 확인할 수 있다.

본 프로젝트의 목표는 비침습적인 방식으로 혈중 중성 지방 농도를 측정하기 위한 인공지능 예측 모델을 구축하는 것이다. 광학 센서 데이터와 pulse wave signal 데이터에서 중성 지방과 관련된 의미 있는 특징을 추출하는 것이 핵심이며, 이를 기반으로 피험자 간 변동성에 강건한 중성 지방 측정 알고리즘 개발을 수행하였다.Table 및 signal의 두 가지 형식의 데이터에 기초하여 예측에 중요한 여러 특징들을 다양하게 추출하고 활용하고자 하였으며, 두 가지 형식의 데이터를 함께 사용하여 설명력을 상호 보완할 수 있는 방식으로 예측 모델을 고도화하였다.본 프로젝트의 연구 결과는 비침습 방식의 혈중 중성 지방 측정 기기에 적용 가능하며, 비침습 센서 기술 발달과 함께 스마트 의료 진단 기술 발전에 기여할 수 있을 것으로 기대된다.1. 광학 센서 Table 데이터 기반 중성 지방 예측 모델 구축손목에 부착된 광학 센서로 수집된 데이터는 노이즈와 많은 변수로 인해 과적합 발생 가능성과 피험자 간 변동성이 존재한다. 따라서 raw 데이터를 기반으로 산란 방적식 기반 가공 변수 생성, 차원 축소 기법 적용 및 이동 평균을 통한 노이즈 제거, 중요 변수 선택 등의 기법을 적용하여 중성 지방 예측에 유의미한 특징을 추출하였다. 이후, 다양한 머신러닝 알고리즘을 사용하여 혈중 중성 지방 농도를 예측하였으며, subject-wise cross-validation을 사용하여 모델 별 성능을 객관적으로 평가하였다. 구축된 모델의 경우 correlation 지표 관점에서 매우 좋은 성능을 보였으며, 실제 중성 지방의 증감 패턴을 우수하게 예측한다는 것을 확인하였다.2. Pulse Wave Signal 데이터 기반 중성 지방 예측 모델 구축Pulse wave signal 데이터는 주파수 영역에서 다양한 정보를 담고 있으며 시간에 따라 변하는 파형 및 동적인 특성을 포착하는 것이 중요하다. 따라서 1차원의 pulse wave signal 데이터를 2차원의 이미지 형태인 scalogram으로 변환하여 시계열성과 주파수에 대한 특징을 보다 풍부하게 추출하였다. 이후, 이미지 기반 딥러닝 알고리즘을 사용하여 혈중 중성 지방 농도를 예측하였으며, subject-wise cross-validation을 사용하여 모델의 성능을 객관적으로 평가하였다. 구축된 모델의 경우 IoU 지표 관점에서 좋은 성능을 보였으며, 실제 중성 지방의 절대적인 수치를 우수하게 예측한다는 것을 확인하였다. 3. 광학 센서 Table 데이터 및 Pulse Wave Signal 데이터 기반 멀티 모달 중성 지방 예측 모델 구축서로 다른 형식의 광학 센서 데이터와 pulse wave signal 데이터를 함께 활용할 수 있는 멀티 모달 프레임워크를 적용하여 기존의 예측 모델을 고도화하였다. 각 데이터 별로 적합한 모델을 사용해 특징을 추출하였고, 이를 결합하여 하나의 특징 벡터로 매핑하는 feature vector concatenation 기반의 방법을 사용하였다. 이때, 각각 학습된 특징 간의 분포 차이를 줄여 멀티 모달 데이터가 포괄적으로 사용되도록 하기 위해 스케일링 기법과 가중치에 따른 결합 기법을 적용하였다. 구축된 모델은 광학 센서 및 pulse wave signal를 단독으로 사용했을 때보다 향상된 성능을 보였으며, correlation과 IoU 지표 관점에서 우수한 성능을 보였다. 멀티 모달 모델링을 통해 각 데이터의 특징과 장점을 효과적으로 활용하여 실제 중성 지방의 증감 패턴 및 절대적인 수치를 우수하게 예측한다는 것을 확인하였다. 4. 피험자 별 중성 지방 농도 예측 결과 시각화아래 그래프는 피험자 별 혈중 중성 지방 농도 예측 결과를 시각화한 것이다. 한 피험자에 대해 시간에 따른 혈중 중성 지방 농도의 실제값과 예측값을 함께 보여준다. 각 피험자 내에서 시간에 따른 혈중 중성 지방 농도 값과 변화 추이를 우수하게 예측하고 있음을 확인할 수 있다.

본 프로젝트의 목표는 비침습적인 방식으로 여러 가지의 혈중 성분을 측정하기 위한 인공지능 예측 모델을 구축하는 것이다. 임피던스 데이터와 광학 센서 데이터에서 여러 혈중 성분들과 관련된 의미 있는 특징을 추출하는 것이 핵심이며, 이를 기반으로 피험자 간 변동성에 강건한 멀티 아웃풋 모델과 supervised contrastive learning 방식의 사전학습을 활용하는 방법론을 적용하였다. 수집된 생체 데이터들은 사람별로 다른 특성을 갖기 때문에 피험자별로 학습/평가 데이터를 구성하는 subject-wise cross-validation을 사용하여 보다 객관적인 학습 및 평가를 진행하였다.1. 임피던스 데이터 기반 멀티 아웃풋 예측모델 구축임피던스 데이터는 인체에 미세한 전류를 통과시킬 때 발생하는 저항값을 계측하여 수집되었으며, 여러 주파수, 측정 범위, 측정 위치에 따라 총 117개의 변수로 구성된다. 또한 피험자의 메타 정보(키, BMI, 성별 등)을 같이 활용하여 입력 데이터로 구성하였다. 이후 여러 혈중성분 중 서로 상관성 있는 성분들을 파악하고, 이들을 동시에 예측할 수 있는 멀티 아웃풋 심층 신경망을 적용하였다. 구축된 모델은 correlation, MSE, MAPE 지표 관점에서 단일 예측 모델보다 좋은 성능을 보였다.2. 광학 센서 데이터 기반 중성지방 예측모델 구축 광학 센서 데이터는 빛을 내는 광원과 이를 흡수하는 PD센서로 이루어져 있다. 8종류의 광원에서 나오는 빛을 18개의 PD센서에서 흡수하여 144개의 변수로 구성되어있으며 산란방정식 기반의 가공변수를 생성하였고, 이동평균 및 변수선택을 통해 노이즈를 제거하였다. 이후, 중성지방 농도별 유사한 데이터끼리 모아 10개의 class를 구성하였으며 이를 예측하는 사전학습 task를 학습하였고, 학습된 모델을 지식전이를 통해 예측모델에 활용하였다. 구축된 모델은 다른 예측모델들에 비해 정확하고 강건한 성능을 보여주었다.

본 프로젝트는 차량 조향 장치인 R-MDPS에서 발생하는 주파수 대역별 소음 수준을 인식하기 위한 연구를 진행하는 프로젝트이다. 우선 주파수 대역별 소음 수준을 예측해야하는 이유는 차량 소음 관련 제품 개발 시 어떤 주파수 대역이 사람이 듣기 싫은 소음을 수준을 파악해야할 필요가 있기 때문이다. 이를 위해 주파수 대역은 150Hz부터 1150Hz까지를 10개 구간으로 나누었다. 즉, 10개 주파수 대역에서 발생하는 소음과 전반적인 소음(0~2000Hz, Overall Level) 수준을 예측하고자 하였다. 주파수 대역별 소음 수준을 예측하기 위해 R-MDPS 에서 발생하는 가속도를 수집하여 입력 데이터로 사용했다. 다음으로 가속도를 Spectrogram 특징 벡터로 변환한 뒤 고주파 대역을 제거하여 최종 입력 특징 벡터를 산출하였다. 다음으로 차량과 유사한 대상 설비에서 나오는 가속도를 수집하였다. 대상 설비에서 수집되는 가속도에 대한 소음 수준은 수집하기 어렵다. 즉 Unlabeled 데이터와 동일하게 사용할 수 있는 데이터이다. 이를 사용해 자가지도학습(Self-supervised Learning)을 진행했다. 자가지도학습 방식으로 JigSaw 방식과 도메인 지식에 기반한 자가지도학습을 사용해 합성곱 신경망 모델을 사전학습하였다. 도메인 지식 기반 자가지도 학습은 차량 가속도 특징 벡터를 구분할 수 있는 합성곱 신경망 모델 학습 시 해당 방식으로 학습된 모델 가중치는 주파수 대역별 소음 수준 예측 모델에도 좋은 초기 가중치 일것이라는 가설을 가지고 개발하였다. 마지막으로 주파수 대역별 소음 수준 예측 모델을 학습하였다. 해당 모델은 단일 모델로 11개 주파수 대역을 동시에 예측할 수 있도록 합성곱 신경망 모델을 디자인하였다. 프로젝트 연구 개발 내용을 바탕으로 이음(이상한 소리)에 대한 원인을 파악할 수 있을 것으로 기대한다. 또한, Unlabeled 데이터인 많은 대상 데이터와 적은 실제 차량에서 수집한 데이터를 사용해 빠르게 예측 모델을 구축할 수 있을 것으로 기대한다.

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 과제 목표는 비침습형 센서 데이터 기반 혈중 지질(lipid) 예측모델 개발이다. 예측모델을 학습하기 위한 데이터로 비침습형 광학 센서인 2차원 PPG (photoplethysmogram) 센서를 기반으로 혈중 지질 농도를 설명할 수 있는 다양한 타입의 센서로부터 데이터를 수집한다. 또한, 광학인자와 혈중 지질 농도와의 관계가 피험자마다 서로 다른 점을 고려하기 위해 피험자별 개인 정보(성별, 체질량 지수 등)를 입력 데이터로 사용한다. 수집된 데이터를 예측모델에 효과적으로 적용하기 위해 데이터 전처리(preprocessing) 및 오토인코더(autoencoder) 학습을 수행하여 유용한 특질을 추출하고, 데이터 비선형성을 반영할 수 있는 예측모델인 gradient boosting machine (GBM)을 순차적으로 적용하여 지질을 예측한다. 전반적인 연구 프로세스는 다음 그림과 같다.  수집된 PPG 센서데이터는 유의미한 구역만 입력데이터로 사용하기 위해 필터링을 진행하고 관측치별 데이터 격차를 최소화하기 위한 정규화(normalization)을 진행한다. 필터링은 사전에 정의된 영역에 위치하는 센서만 사용하며, 피험자별 정규화는 각 데이터에 L2 정규화를 수행한다 (센서 타입마다 정의된 영역은 다르다). 이후 고차원 데이터를 저차원으로 표현하기 위해 오토인코더 기반 표현 학습을 진행하였고, 이렇게 추출된 특징을 예측모델에 적용하였다.

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 차량 정보 및 타이어 설계데이터를 기반으로 타이어 마모수명 예측 분석을 수행하였다. 분석데이터는 하나의 차량별 타이어 설계인자 및 마모수명이다. 차량에는 보통 4개의 타이어가 부착되어있는데 하나의 관측치는 이 모든 타이어의 설계정보를 포함하고 타이어별 6개의 마모수명을 측정하였다. 예측모델을 차량 타이어 위치정보를 효과적으로 표현하기위해 차량별 데이터를 2차원 형태로 변형하였고, 2차원 데이터 (이미지 형태) 인식에 효과적인 Convolutional neural network를 적용하였다. 이후 타이어 위치에 따른 마모수명의 원인을 분석하기 위해 Class Activation Mapping을 적용하여 마모수명별 원인인자를 시각적으로 강조하였다. 그 결과,영향인자가  타이어 위치에 따른 유의미하게 도출된 것을 확인할 수 있었고, 다른 예측모델 대비 높은 정확도를 보였다.