ONGOING

1. Smart Thinking Factory: 제조 데이터 사이언스를 활용한 지능형 생산관리 기술

직책: 연구 책임자 / 재단: 재단법인 한국연구재단 / 기간: 2016.06.01~2019.05.31

연구 필요성

미래형 제조 공장인 smart factory는 최신 ICT 기술과 제조업의 융합을 통해 거대한 정보 흐름 속에서 공정의 문맥을 파악하여 설비나 근로자의 작업에 도움을 주는 환경을 구축한다. 주요 선진국들은 제조업의 국가 경쟁력 강화를 위해 smart factory 연구를 활발히 진행해왔고, 국내도 이러한 흐름에 발맞추어 제조 데이터 사이언스 기반의 국산 요소 기술을 개발하고자 한다.

연구 목적 및 내용

본 연구에서 제안하는 smart factory는 물리적 공간에 연결되는 사이버 공간을 구축하여 현장 상태를 온라인으로 반영한 생산 관리를 구현한다. 이를 공장 지능화, 설비 지능화, 제품 지능화로 크게 3가지 방식으로 나누어 구성 요소 간 유기적으로 협업하는 지능형 생산 관리 체계를 구축하고자 한다.

기대 효과
본 연구는 지능형 생산 관리 기술의 새로운 패러다임을 선도할 수 있고, 이를 오픈소스로 중소 제조기업에 배포하여 제조업의 데이터 분석 역량 강화를 이뤄내 세계 시장에서의 경쟁력을 확보할 것으로 기대한다.

smart factory에 대한 구조도 및 관련 기술에 대한 그림은 아래와 같다.


2. 미래 전장에서 인공지능 기반의 무인 전투기 편대의 자율 운용 체계

(Autonomous Operation of Multi-Unmanned Combat Aerial Vehicles Based on Artificial Intelligence in Future Battlefield)

직책: 연구 책임자 / 재단: 국방과학연구소(ADD) / 기간: 2017.05.01 ~ 2019.12.31

연구 필요성

강대국들을 중심으로 진행중인 군사기술 개발로 인해 미래전 양상은 무인무기, 인공지능 등의 신무기, 첨단기술 중심의 전쟁으로 바뀌고 있으며, 한반도 주변의 복잡한 군사적 역학관계 속에서 주변 국가들은 선도적인 군사기술을 기반으로 한반도의 패권을 주도하고자 한다. 이와 같이 급변하는 한반도 정세 속에서 미래 전장에 대응하기 위하여 현재 한국형 무인전투기 개발이 이뤄지고 있으며 본 연구는 기 개발중인 한국형 무인전투기 개발의 연장선상에서 인공지능 기반 무인전투기 편대 자율 운용 기술을 선제적으로 확보하고자 한다.

연구 목적 및 내용

본 연구는 무인전투기 편대가 능동적으로 사고하는 자율 운용 체계를 갖출 수 있도록 인공 지능을 활용하는 것을 목표로 한다. 이를 위해 미래전장의 양질의 데이터 획득을 위해 시뮬레이터를 구현한다. 이후 지대공미사일에 대응하는 단일 무인전투기의 생존확률을 극대화하는 위협대응 알고리즘과 무인전투기 편대의 임무 달성률을 최대화하는 결합감내 방식의 임무완수 알고리즘을 개발한다. 최종적으로 무인전투기 편대의 자율 운용 체계를 개발하고자 한다. 구현된 시뮬레이터 상에서 무인전투기 편대 운용 체계를 유한상태기계(finite state machine)로 정의하고 인공지능(기계학습) 방법을 통해 무인전투기 편대 단위의 위협 대응, 대형 재구성 등을 학습한다.

기대 효과

군의 데이터 기반 다중 운용 기술을 확보하고, 시뮬레이션을 통한 무인 전투기 실전 배치 기간을 축소할 수 있다.

과제의 전반적인 내용은 아래 그림과 같다.


3. OES 데이터 분석 Tool 개발

직책: 연구 책임자 / 기간: 2018.05.01 ~ 2018.09.30

연구 필요성

Etch 장비로부터 방출되는 Plasma를 OES 분광기를 통해 파장 별로 구분하는 데이터를 OES 데이터라 한다. 과거에는 이를 방대한 크기를 이유로 사용할 수 없었지만 OES 데이터는 FDC 데이터에 비해 공정상태를 더 직접적으로 대변하기 때문에 좋은 품질의 데이터라고 볼 수 있다. 이러한 OES 데이터를 W2W 공정 제어에 활용하면 공정의 상태가 변화하는 drift 현상 등 다양한 공정 변화에 대응할 수 있다. 본 연구는 OES 기반 VM(Virtual Metrology)를 이용해 FDC를 활용했을 때보다 더 정확한 계측치를 예측하는 것을 목표로 한다.

연구 목적 및 내용

OES 데이터 기반 VM 시스템은 특성 추출 단계와 예측 모델링 단계로 구성된다. 특성 추출 단계에서는 노이즈 필터링을 거친 후 다양한 파장들을 대표할 수 있는 특성을 추출한다. 이후 계측치를 정확히 예측할 수 있는 다양한 기계학습 기법을 비교하고 검증하는 과정을 거친다.

기대 효과

FDC 데이터를 사용하여 가상 계측을 하는 것보다 공정 진행과 직접적으로 관련 있는 데이터를 사용하기 때문에 보다 정확한 계측치를 예측할 수 있다.