본 프로젝트는 차량 조향 장치 중 일부인 R-EPS 장치에서 수집되는 가속도 데이터를 기반으로 인공지능 기술을 이용하여 실차 소음 수준을 예측하는 모델 구축을 진행하였다. 실차 소음 수준은 차량의 품질을 평가하는 부분 중 중요한 요소로 고려되고 있으며, 가속도 데이터를 기반으로 인공지능 기술을 이용해 실차 소음 수준을 예측한 것은 본 프로젝트가 처음 연구된 사례이다. 본 프로젝트에서는 R-EPS 장치 6곳에서 수집되는 가속도 시그널 데이터 값을 대상으로 고속푸리에 변환을 적용하여 스펙트로그램을 추출하였다. 추출된 스펙트로그램으로부터 노이즈가 포함되어 있는 고주파 영역을 제거한 후, 각 위치의 스펙트로그램을 학습하기 위한 CNN 인코더를 모델링하였다. 이어 XAI 기법 중 Saliency map 알고리즘을 이용하여 학습된 모델로부터 실차 소음 수준에 주요하게 기인하는 중요 주파수 영역을 탐색하였다. 탐색된 중요 주파수 영역은 실제 실험실에서 수집된 차량 내부 소음의 중요 주파수 영역에 대한 정보를 담고 있는 NTF(Noise Trasfer Function) 결과와 유사하게 나타나는 것을 확인하였다. 본 프로젝트는 차량 소음 수준을 예측하는 문제에 인공지능을 적용했다는 것에 의의가 있고, XAI 기법을 통해 구축된 예측 모델로부터 소음 수준에 영향을 미치는 주파수 영역 정보를 제공함으로써 차량 내부 소음 수준을 낮출 수 있는 제품을 고안하는 데에 기여를 할 수 있을 것으로 보인다.

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 프로젝트는 안전부품 내구영향인자 분석 및 내구문제 발생율 예측 기술 개발을 위해 진행되었다. 먼저 안전부품 내구영향인자를 분석하기 위해 안전부품의 설계 인자를 포함한 다양한 정보와  관련 지역에 대한 환경 데이터를까지 고려해 안전부품별 내구문제 발생율을 예측하는 머신러닝 모델을 구축했다. 안전부품은 각 부품별 설계 인자 및 특징이 다르기 때문에 안전부품에 따라 개별 모델을 구축했고, 각 안전부품별 가장 좋은 성능의 모델을 찾기 위한 프레임워크를 제안했다. 안전부품 내구문제 발생율을 예측할 수 있는 모델을 구축한 뒤, Decision Tree를 활용해 안전부품 내구문제를 발생시키는 Decision Rule을 도출했다. 최종적으로 도출한 Decision Rule을 바탕으로  안전부품 내구문제를 크게 일으키는 설계 인자 조합과 문제를 적게 일으키는 설계 인자 조합을 분석해 현업에 활용될 수 있는 결과를 도출했다

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.

현대 사회에서 자동차 연료 변화는 큰 화두가 되고 있다. 과거에는 화학 연료를 이용해 자동차가 운행되었다면, 현재는 화학 연료를 줄이고 전기로 움직이는 전기 자동차가 등장하였다. 이와 함께 자동차 배터리에 대한 연구들이 다수 등장하고 있다. 본 프로젝트에서는 배터리 성능이 감소하고 있는지에 대한 정도인 열화를 예측하는 시스템을 개발하였다. 열화 정도를 반영하고 있는 배터리 충전 용량을 예측해 열화 정도를 파악하고자 하였다. 배터리 열화 정도를 파악하기 위해서 차량 주행 패턴과 충전 시 배터리 상태 정보를 입력 변수로 사용하였다. 시간의 흐름에 따른 주행 패턴을 사용하기 위해 순환신경망(Recurrent neural networks) 기반 특징 추출을 진행하였고, 충전 상태에 대한 정보와 추출된 주행 패턴을 반영하기 위해 인공신경망(Deep neural networks) 기반 예측모형을 구축하였다. 입력 변수 특징에 따른 서로 다른 두 가지 신경망 모형을 사용해 열화에 중요한 특징 추출을 진행 할 수 있었고, 결정 계수 기준 0.85 이상 뛰어난 성능을 가진 모형을 학습할 수 있었다.

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. 

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.

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.