[프로젝트 개요]

타이어 제조 공정에서는 설계된 몰드(Mold) 형상과 실제 제조된 타이어의 단면 형상(Profile) 사이에 차이가 발생한다. 특히 공기압, 휠 너비, 벨트 구조 등 다양한 설계·시험 조건에 따라 타이어 형상이 변형되므로, 실제 타이어를 제조하기 전에는 최종 Profile을 정확히 예측하기 어렵다. 이러한 Profile 검증에는 몰드 제작, 시제조, 시험까지 약 12주 이상의 시간과 비용이 소요되며, 형상 문제가 발견될 경우 재설계와 재제작이 반복될 수 있다.

본 프로젝트의 궁극적인 목표는 타이어 설계 인자와 시험 조건, 몰드 형상 정보를 기반으로 실제 타이어 Profile을 사전에 예측하는 인공지능 알고리즘을 개발하는 것이다. 이를 통해 실제 제조 이전 단계에서 요구 형상 만족 여부를 검토하고, 설계 실패 위험과 검증 비용을 줄이는 것을 목표로 하였다. 본 연구에서는 타이어 Profile 예측하는 것을 다중 출력 회귀 문제로 정의하였고, 입력 데이터 또한 고차원 출력으로 구성된다. 

[프로젝트 내용]

타이어 Profile 예측 문제는 한 샘플당 여러 지점을 동시에 예측해야 하는 고차원 다중 출력 회귀 문제이다. 모든 지점을 직접 예측하는 방식은 모델의 학습 부담과 추론 비용을 높일 뿐 아니라, 불필요한 변동까지 학습하여 예측 정확도를 저하시킬 수 있다. 이에 본 연구에서는 차원 압축 방식을 적용하여 고차원의 정보를 핵심 형상 정보로 보존하는 저차원 잠재 벡터로 압축하였다.

구체적으로, 인공지능 모델은 타이어 설계·시험 조건을 입력 받아 16차원의 압축된 Profile 정보를 예측한다. 이를 통해 고차원 형상 예측 문제를 효율적인 저차원 회귀 문제로 변환하였다. 예측 모델로는 사전학습 기반의 Foundation Model을 활용하였다. 활용한 모델은 다양한 합성 데이터셋으로 사전학습된 예측 모델이지만, 타이어 Profile은 형상·구조·시험 조건이 복합적으로 작용하는 도메인 특화 데이터이므로 추가적인 타이어 데이터 학습을 통해 도메인 적합성을 높였다. 그 결과, 압축된 Profile 정보를 예측하는 과정에서 XGBoost 및 DNN 대비 더 우수한 성능을 확인하였다.

결과적으로 본 연구는 고차원 타이어 Profile 데이터를 압축하고 파생 변수를 활용하는 방식으로 실제 타이어 제조 이전에 Profile 형상을 정밀하게 예측할 수 있는 방법론을 제안하였다. 이를 통해 설계 단계에서 Profile 형상을 사전에 검증하고, OEM 요구 형상 만족 여부를 빠르게 판단하며, 재설계 및 시험 비용을 줄일 수 있을 것으로 기대된다.