MERRIC인
조회수 2387 좋아요 1 댓글 0
산업인공지능과 스마트 팩토리 기술 연구
이정수(Jeongsu Lee)(가천대학교 기계스마트산업공학부 조교수)/leejeongsu at gachon.ac.kr/
1. 본인의 연구에 대해서 대략적인 소개를 부탁드립니다.

- 저는 기계공학적 지식과 인공지능 기술을 접목하여, 제조 현장을 더 효율적으로 만드는 스마트 팩토리 기술을 연구하고 있습니다. 인공지능 기술을 실제 제조 현장에 적용하는데 발생하는 문제와 한계점을 효과적으로 해결할 수 있는 기술을 연구하고 있으며, 이에 대한 해결책을 기계공학자로서 가지고 있는 제조 현장의 물리적/공학적 원리와 지식으로부터 찾고 있습니다. 이러한 문제들을 구체적으로 예를 들면 제조 현장에서 발생하는 데이터의 특징과 밀접한 연관이 있습니다. 제조 현장의 데이터는 일반적으로 데이터를 수집하는 비용이 매우 높고, 양품/불량 또는 정상/이상상태의 경계가 모호하면서도 이상상태의 데이터의 숫자가 매우 적은 불균형한 특징을 지닙니다. 따라서 이러한 제조 데이터의 양적 및 질적 한계를 극복하기 위한 인공지능 기술을 찾고, 또 나아가 우리가 가지고 있는 물리적/기계공학적 지식을 바탕으로 데이터의 한계를 극복하는 연구를 하고 있습니다.


2. 바람 에너지 수확을 위한 플러터-드리븐 트라이보전하 발전기의 작동 원리에 대해서 자세히 설명해주실 수 있나요?


- 서로 다른 물체가 접촉할 때 각 물성에 따라서 어떤 물체는 전하를 잃고, 또 다른 물체는 전하를 얻게 됩니다. 이것을 우리는 마찰대전 현상이라고 부르며, 우리 일상 생활에서 발생하는 정전기 현상이나, 아니면 머리카락이 들뜨는 현상이 모두 이러한 원리에서 비롯됩니다. 위 연구는 이러한 물체의 마찰대전 특성을 이용하여 전기를 생산하는 에너지 하베스팅 장치를 만드는 연구입니다. 전하를 잃고 얻기 쉬운 순서인 대전열 상에서 서로 거리가 많이 떨어져 있는 PTFE 필름과 은박 섬유를 통해서 서로 접촉하는 두 물체를 만들고, 깃발이 바람에 펄럭이는 원리를 이용해서 두 물질이 접촉했다가 떨어지기를 반복하도록 장치를 만들었습니다. 이때 마찰대전을 통해서 유도되는 전기에너지를 유전체로 이루어진 기판과 외부 도선을 통해서 저장하는 마찰대전을 통해서 에너지를 수확하는 장치를 만들 수 있습니다 (Figure 1). 이때 깃발이 펄럭이는 특성을 유체공학에 기반하여 분석하여 깃발의 펄럭임이 발생하는 풍속, 깃발 펄럭임의 진동 모드 특성을 고려한 최적의 깃발 디자인을 제안하였습니다.


3. 제조 공정에서의 딥 러닝을 활용한 고장 감지 및 데이터 분석 연구에서 어떤 종류의 데이터가 주로 분석되고 있으며, 이를 통해 어떤 생산성 향상이 기대되고 있나요?


- 제조 공정에서 활용되는 데이터는 매우 다양하지만 주로 시계열 데이터 또는 이미지 데이터가 활용됩니다. 시계열 데이터는 공정에서 얻어지는 대표적인 데이터의 특징으로, 주로 센서를 통해서 계측되는 모든 데이터는 시계열 데이터의 형태를 띄게 됩니다. 예를 들어 공정이 진행되는 동안 온도/습도를 계측하거나, 또는 가압 공정이 수반되는 공정에서는 압력 신호를 모니터링하는 등의 예를 들 수 있습니다 (Figure 2). 또한, 이미지 데이터는 일반적으로 자동화 기기를 개발하거나 또는 제품의 품질을 검사할 때 많이 활용됩니다. 이미지 데이터는 일반적으로 딥러닝 기술이 매우 효과적으로 적용될 수 있는 분야이기 때문에 딥러닝을 이용한 제조 기술을 연구하는 초기 단계에 관련 데이터의 활용이 많이 연구가 되었습니다 (Figure 3). 그래서 시계열 데이터를 이미지로 변환하여서 딥러닝 기술의 성능을 증대시키려는 연구 또한 다각도로 이용된 바가 있습니다. 이러한 다양한 기술들이 모여서 현재는 제조 현장에서 인공지능 기술을 다각도로 접목한 사례가 지속적으로 보고되고 있으며, 이를 통해서 제품 생산 공정을 최적화하거나, 공정 상태를 진단하여 불량 제품의 생산을 예방하거나, 검사 단계에서 불량 제품을 검출하거나, 또는 장비의 교체 및 유지보수 주기를 예측하는 등의 솔루션이 만들어지고 있습니다.



4. 인공지능을 비롯한 기술의 변화가 다양한 학문 및 산업 분야에 혁신적인 변화를 가지고 오고 있는데, 이러한 변화가 기계공학 및 생산제조 분야에 어떤 영향을 미치고 있는지 또 엔지니어/연구자로서 어떤 자세를 가지고 이러한 변화에 대응해야 하는지?


- 딥러닝을 기반으로 한 인공지능 기술의 변화는 생산/제조 환경에서 기술 및 산업의 변화를 가속화하고 있습니다. 이러한 방향은 기본적으로 인간의 인지적 판단을 대체하는 형태로 진행하며, 불량검사, 공정진단 및 자동화 기술에 이르기까지 폭넓은 분야에까지 완성도 있는 솔루션을 만들고 있습니다. 다만, 이러한 기술을 제조 현장에 적용하는데 있어서 항상 문제가 되는 점은 인공지능 기술을 접목하기에 충분한 숫자와 데이터의 퀄리티가 보장되지 않는다는 점입니다. 기계공학적 지식은 인공지능 기술을 접목하는 데 발생하는 한계를 극복하는 방향으로 활용될 수 있습니다.

예를 들어, 제가 최근에 하고 있는 연구는 물리 기반 인공신경망(Physics-informed neural networks)라고 하여, 기계공학적 지배방정식을 인공신경망의 학습을 유도하는 손실함수에 접목하여, 물리방정식의 해답을 찾는 인공신경망 구조를 설계하고 있는 연구입니다. 물리 기반 인공신경망을 활용하여 유체에 의한 기계장치의 진동 현상에 대한 해석을 진행하고 있습니다. (Figure 4). 이는 데이터를 통해서만 학습되는 딥러닝과는 달리 딥러닝이 데이터와 그 데이터가 따라야 하는 지배방정식을 동시에 학습할 수 있도록 설계하면, 소수의 데이터만 가지고도 효과적으로 원하는 솔루션을 찾는 인공신경망 구조를 설계할 수 있습니다. 생산/제조의 영역에서 발생하는 데이터의 한계도 이러한 기계공학적 지식을 접목하여 극복할 수 있습니다. 또한 이러한 접근 방법은 세상과 기술의 변화에 열린 마음을 가지고 유연하게 대처하여 진일보한 기술을 개발하고자 하는 기계공학자로서의 자세와 철학과도 일맥상통한다고 생각합니다.


5. 현재 운영 중인 가천대학교 Manufacturing AI and Sensor Lab.에 대해 소개해 주십시오.

- 가천대학교 Manufacturing AI and Sensor Lab은 가천대학교 기계스마트산업공학부 스마트팩토리 전공에서 운영하고 있는 연구실로서, 현재 같은 학과인 정원종 교수님과 같이 운영하고 있습니다. 현재는 18명의 학부연구생들과 함께 연구를 진행하고 있는 제조/산업 분야에서 데이터의 한계를 극복하기 위한 메타러닝 기법, 불확실성에 대한 예측을 포함하여 실제로 활용 가능성을 높인 베이지안 뉴럴네트워크 및 물리 방정식을 통합하여 고도화된 솔루션을 제공하는 물리 기반 인공신경망 연구를 진행하고 있습니다. 또한 제조 현장에서 정확한 물리적 정보를 획득할 수 있는 센서 네트워크를 개발하고 이를 시스템적으로 운용하는 연구를 같이 수행하고 있습니다.


6. 많은 분들과 같이 연구를 진행해 오셨는데, 그 동안 영향을 받은 연구자가 많으실 것 같습니다. 어떤 연구자 분들의 어떤 영향을 받으셨는지 궁금합니다.

- 저에게 가장 많은 영감과 가르침을 주신 연구자는 제 지도교수님이신 서울대학교 김호영 교수님입니다. 김호영 교수님께서는 연구자로서 주제를 대하는 자세, 생각의 방향 및 깊이, 자신의 생각을 가다듬고 연구 내용을 다른 연구자와 소통하기 위해서 정리하는 방법 등 연구자로서 필요한 점들을 가르쳐 주셨습니다. 그리고 그 이상으로 연구자라는 정체성을 가지고 끝없이 연구하고 정진하는 자세와 연구의 열정 등을 전해 주셨습니다. 결국 단순한 지식을 가르쳐주고, 논문으로서 성과를 내는 것 이상으로 하나의 독립된 연구자로서 성장하고 자신의 주제를 이끌어갈 수 있는 연구자가 되기까지의 과정을 옆에서 이끌어 주셨습니다. 저 역시 학생들을 가르치는 교수로서 독립된 연구자로 성장할 수 있기까지의 과정과 자세를 가르쳐줄 수 있는 선생님으로 성장하고 싶습니다.


7. 연구 활동하면서 평소 느끼신 점, 자부심, 보람에 대해 이야기해 주십시오.

- 연구자는 결국 세상에 존재하지 않았던 어떤 지식을 만들어내는 사람이라고 생각합니다. 세상에 존재하지 않았다는 것은, 지금까지 살아왔던 어떤 인간도 알지 못했던 지식을 내 연구가 밝혀낸다는 뜻입니다. 그래서 그것이 아주 작은 일이라도 인류의 문명과 과학적 지식이 작은 무게를 더한다는 생각으로 연구자로서의 삶을 살고 있습니다. 가장 자랑스러운 논문 중 하나는 분체의 섞임 운동에서 발생하는 레짐 특성을 수치해석적 연구 논문 입니다. 하지만, 이 논문은 거의 인용이 되지도 않고 다른 사람이 보지도 않습니다. 그 이유는 분체의 섞임 운동은 제조/산업적으로 매우 실용적인 공정이지만, 제 연구는 이 공정에 대한 물리학적인 연구로서 마찰력이 존재하지 않을 때, 또는 우주 공간에서 관련 공정이 일어날 때나 발생할 수 있는 굉장히 폭넓은 범위에서 위 운동을 분석했기 때문입니다. 이것은 현재로서는 실질적인 호용도가 적을 수 있지만, 여태까지 어떤 사람도 생각하지 못했단 물리적인 현상을 예측했다는 의미가 있습니다. 제가 생각하는 연구자로서의 자부심 및 보람은, 현재의 효용이나 경제적인 가치에 국한하지 않고 밝혀지지 않았던 물리적인 현상을 보다 적극적으로 분석하고 연구하는 것에서도 나올 수 있다고 생각합니다.


8. 이 분야로 진학(사업)하려는 후배들에게 조언해 주신다면?

- 저는 현재 인공지능 기반 생산/제조 관련된 연구를 진행하고 있습니다. 그리고 박사학위 과정동안에는 곤충의 호버링 운동 및 깃발의 펄럭임과 같은 유체역학적 대상을 연구하였습니다. 그리고 이 연구를 에너지 하베스팅에 적용하는 연구를 수행했습니다. 그리고 박사학위를 취득한 이후에는 열유체 기반 생산 공정에 대한 연구를 진행하였고, 인공지능 기술을 접목하여 생산공정을 고도화하는 연구를 진행하고 있습니다. 그리고 현재는 물리 기반 인공신경망에 관심을 갖고, 관련된 수학적 도구 및 수치해석적 기법에 대한 연구와 이를 생산 및 제조, 기계 기구 설계 등에 복합적으로 적용하는 연구를 수행하고 있습니다. 다양한 연구를 수행하면서 제가 느끼는 점은, 세상은 계속 변화하고 새로운 기술은 계속 등장합니다. 저는 기계공학자로서의 정체성은 지켜나가면서도, 세상과 기술의 변화에 열린 마음을 갖고 유연한 자세로 대처하고자 항상 노력합니다. 새롭게 등장하는 기술을 배우고, 새로운 연구 분야를 찾으려고 노력합니다. 제가 이 분야에 진학하려는 후배들에게 하고 싶은 조언은, 기계공학자의 정체성에 국한되지 않고 자신의 분야 및 한계를 계속 넓혀 나가는 노력이 중요하다고 이야기하고 싶습니다.


* 이정수 교수님의 최근(대표) 논문 5개 이하

- Song, J., Lee, Y. C., & Lee, J. (2023). Deep generative model with time series-image encoding for manufacturing fault detection in die casting process. Journal of Intelligent Manufacturing, 34(7), 3001-3014.

- Lee, J., & Yang, C. (2022). Deep neural network and meta-learning-based reactive sputtering with small data sample counts. Journal of Manufacturing Systems, 62, 703-717.

- Lee, J. (2021). Regime changes of industrial powder mixing in a stirred vessel. Powder Technology, 392, 306-316.

- Lee, J., Lee, Y. C., & Kim, J. T. (2021). Migration from the traditional to the smart factory in the die-casting industry: Novel process data acquisition and fault detection based on artificial neural network. Journal of materials processing technology, 290, 116972.

- Lee, J., Lee, Y. C., & Kim, J. T. (2020). Fault detection based on one-class deep learning for manufacturing applications limited to an imbalanced database. Journal of Manufacturing Systems, 57, 357-366.

  • Industrial AI
  • Intelligent Manufacturing
  • Smart Factory
  • Fluid Mechanics
인쇄 Facebook Twitter 스크랩

  전체댓글 0

[로그인]

댓글 입력란
사용자 프로필 이미지
0/500자