이 연구 주제는 스마트 제조 환경에서 발생하는 공정 이상, 품질 저하, 설비 결함을 조기에 탐지하고 원인을 진단하는 지능형 분석 기술에 초점을 둔다. 특히 적층제조와 다단계 조립 시스템처럼 공정이 복잡하고 센서 데이터가 불균형하거나 제한적으로 수집되는 환경에서, 단순 규칙 기반 접근을 넘어 데이터 기반의 정밀한 상태 판단이 가능하도록 하는 것이 핵심 목표이다. 연구실은 실제 제조 현장에서 발생하는 비정상 패턴의 희소성, 시계열적 변화, 공정 간 상관관계 같은 현실적 문제를 반영하여 보다 실용적인 진단 프레임워크를 구축한다. 이를 위해 지도학습 기반 이상 탐지, 희소 베이지안 학습, 공간 상관 구조를 고려한 결함 추정, 멀티스테이션 공정 진단 기법 등을 활용한다. 제조 시스템에서는 센서 수가 충분하지 않거나 측정 신호가 정상 데이터에 편중되어 있는 경우가 많기 때문에, 연구실은 불균형 데이터 학습과 결함의 시공간 구조를 함께 고려하는 모델링 전략을 제안한다. 이러한 방법은 결함의 존재 여부를 판별하는 수준을 넘어, 결함의 위치와 심각도까지 추정하여 유지보수 의사결정과 품질 개선에 직접 연결될 수 있도록 설계된다. 이 연구는 제조업의 디지털 전환과 자율 운영 수준을 높이는 데 중요한 기반이 된다. 조기 이상 탐지는 불량률과 다운타임을 줄이고, 결함 진단의 정밀도 향상은 예지보전과 공정 최적화의 효율을 높인다. 더 나아가 자동차 차체 조립, 적층제조, 정밀 생산라인 등 다양한 산업 현장으로 확장 가능하며, 향후에는 실시간 모니터링, 설명 가능한 진단, 인간-기계 협업형 의사결정으로 발전할 수 있는 잠재력이 크다.

이 연구 주제는 제조 및 재료 실험에서 빈번하게 나타나는 불균형 데이터 문제를 해결하기 위한 생성모델 기반 학습 방법을 다룬다. 실제 산업 데이터는 정상 샘플이 대부분을 차지하고 이상 상태나 특정 재료 상태의 데이터는 매우 적기 때문에, 일반적인 분류 모델은 소수 클래스를 충분히 학습하지 못하는 한계가 있다. 연구실은 이러한 문제를 해결하기 위해 생성적 적대 신경망(GAN) 등 생성모델을 활용하여 부족한 데이터를 보강하고, 데이터의 구조적 특징을 유지하면서도 판별 성능을 높이는 방법을 연구한다. 특히 분광 데이터와 제조 센서 데이터처럼 고유한 패턴과 물리적 의미를 가지는 측정값에 대해, 단순 복제나 전통적 증강이 아닌 의미 있는 합성 샘플을 생성하는 데 중점을 둔다. 생성기, 판별기, 분류기를 함께 고려하는 구조를 통해 소수 클래스의 특징을 강화하고, 재료의 상변화나 공정 이상과 같이 실제로 중요한 구분 기준이 더 잘 드러나도록 학습 체계를 설계한다. 이 접근은 F-score, 정밀도, 재현율과 같은 핵심 지표를 개선함으로써 산업 데이터 분석의 신뢰성을 높인다. 이 연구의 의의는 데이터 부족이라는 제조 인공지능의 근본적 제약을 완화한다는 점에 있다. 불균형 데이터 문제를 해결하면 적은 실험 비용으로도 높은 수준의 분류와 진단이 가능해지며, 재료과학, 화학공학, 바이오 제조, 공정 모니터링 등 다양한 분야로 응용이 확장될 수 있다. 장기적으로는 생성모델과 도메인 지식을 결합하여 데이터의 물리적 타당성까지 보장하는 지능형 증강 기술로 발전할 수 있다.

이 연구 주제는 데이터 기반 인공지능과 물리 법칙 기반 모델링을 결합하여 복잡한 제조 및 공학 시스템을 더 정확하게 해석하는 방법을 탐구한다. 전통적인 수치해석은 미분방정식 기반 시스템을 풀기 위해 격자 생성과 반복 계산이 필요하지만, 물리정보 신경망(PINN)은 물리 법칙을 신경망 학습 과정에 직접 반영함으로써 유연하고 연속적인 해를 추정할 수 있다. 연구실은 이러한 접근이 열전달, 제조 공정, 역문제 추정 등 다양한 공학 문제에 적용될 수 있다는 점에 주목한다. 특히 PINN의 학습 성능을 좌우하는 활성화 함수와 최적화 특성에 대해 심도 있게 연구하며, 기존 함수의 한계를 보완하는 자기 스케일형 tanh 계열 기법을 통해 학습 안정성과 예측 정확도를 높이는 방향을 제시한다. 이러한 연구는 단순히 모델 성능 향상에 그치지 않고, 데이터가 제한적이거나 물리 제약이 중요한 시스템에서 신뢰성 있는 추론을 가능하게 한다. 제조 현장에서는 실험 데이터와 물리 모델을 함께 활용해야 하는 경우가 많기 때문에, PINN 기반 접근은 산업공학적 문제 해결에 높은 실용성을 갖는다. 향후 이 연구는 디지털 트윈, 공정 시뮬레이션, 파라미터 역추정, 실시간 제어와 같은 고부가가치 영역으로 연결될 가능성이 크다. 물리 기반 인공지능은 순수 데이터 기반 모델보다 해석 가능성과 일반화 가능성이 높아, 복잡한 제조 시스템의 설계와 운영을 동시에 지원할 수 있다. 따라서 본 연구는 스마트 제조의 예측·진단·최적화를 통합하는 핵심 방법론으로 발전할 수 있다.

이 연구 주제는 제조 시스템에서 수집되는 다중 센서 시계열 데이터를 통합적으로 분석하여 이상 상태를 탐지하고, 그 결과를 사람이 이해할 수 있도록 설명하는 인공지능 기술을 다룬다. 스마트 제조 환경에서는 진동, 온도, 위치, 힘, 전류 등 서로 다른 형태의 센서가 동시에 작동하며, 개별 센서만으로는 공정의 전체 상태를 충분히 설명하기 어렵다. 연구실은 이러한 복합 신호를 효과적으로 결합해 이상 탐지의 민감도와 신뢰도를 높이는 멀티센서 융합 방법에 집중한다. 주요 방법론으로는 트랜스포머 기반 시계열 모델, 센서 융합 아키텍처, 해석 가능성 향상을 위한 특징 중요도 분석 등이 포함된다. 특히 단순히 이상 여부를 출력하는 블랙박스 모델이 아니라, 어떤 센서와 어떤 시간 구간이 판단에 핵심적으로 작용했는지를 제시하는 설명 가능한 모델을 지향한다. 이는 제조 현장 엔지니어가 결과를 검증하고 실제 대응 조치를 설계하는 데 필수적이며, 인공지능 시스템의 현장 수용성을 높이는 중요한 요소이다. 이 연구는 스마트 팩토리의 운영 효율과 안전성을 동시에 향상시키는 데 기여한다. 해석 가능한 멀티센서 이상 탐지는 품질 문제의 원인 추적을 빠르게 만들고, 센서 간 상호작용을 이해함으로써 더 정교한 공정 개선 전략을 마련하게 한다. 앞으로는 실시간 의사결정 지원, 자율 공정 제어, 인간 중심 AI 인터페이스와 결합되어 제조 데이터 분석의 핵심 축으로 자리 잡을 수 있다.