본 과제는 드론 방제 작업을 여러 농경지에 맞춰 묶고 일정·수요-공급을 연결해주는 디지털 서비스 개발임. 연구 목표는 방제 작업제약을 고려한 필지 군집화 알고리즘(Constrained K-means clustering, 최적 군집 수 탐색)과 드론 운용량·작업량 밸런스를 고려한 일정계획 할당 알고리즘 개발, 모바일 앱·웹 및 공급자용 앱 내 수주 환경 구축을 포함함. 기대 효과는 방제 작업 효율화 및 최대 1/3 비용 절감, 드론 유휴일 축소, 의뢰-관리-정산 전주기 디지털화, 친환경적 방제와 농촌 일손 부족 완화로 이어짐.

본 과제는 도금라인에서 캐리어가 이동·로딩·언로딩되는 과정을 시각화하고, 가장 효율적인 운영 조건을 찾아 무인화 수준의 운영계획을 만들기 위한 연구임. 연구 목표는 간트차트 기반 공정운영 효율성 평가로 캐리어 이동시간·Loading Time·Unloading Time·idle time 문제점을 파악하고, 다중 목적함수 관점에서 사이클 타임을 최소화하는 최적 캐리어 수량과 Turn Over 포인트를 결정함. 또한 MES 모델 기반 생산·운영 시스템을 설계하고 현장 리미트센서·근접센서·서보 모터 환경에서 모델 결과를 실운영 검증함. 기대 효과는 불량률 저감, Idle time 감소에 따른 생산성 향상, 불필요한 캐리어 구매·장비 중지 비용 절감 및 자동라인 프로그램 기술·특허·사업화 확대로 매출 증대임.

본 과제는 반도체·디스플레이 등 제조설비 운영에서 AI Agent 기반 운영 최적화 모델을 현장 시스템에 자동으로 적용하는 체계 개발임. 목표는 파이썬 학습환경과 기개발 C# 운영시스템 간 환경 차이, 대용량 실학습 검증 부담, 운영·서버 통합 노하우 부족 문제 해결을 통해 자동 학습·성능검증·통합배포를 가능하게 하는 것임. 핵심 연구내용은 파이썬- C# 이기종 시스템 통합 및 연동기술, 변환기와 Keras.net 적용, 재학습 시 성능저하 모니터링 기반 최적 AI Agent 선정 검증기, 학습서버-운영시스템 모델·데이터 업데이트 자동화 및 데이터 표준화·전송·모델공유 개발임. 기대효과는 Heuristics기반 대비 성능개선된 운영계획을 스마트 팩토리 현장에 단일화 기능으로 제공하여 부가가치 및 해외시장 공략에 도움 제공임.

- 신재생 에너지 중 현재 가장 큰 관심을 받고 있는 태양광 발전량을 예측하기 위해, 인천대학교에 설치되어있는 태양광 발전 시스템에서 태양광 발전량 데이터 수집 - 수집한 데이터를 기반으로 심층 신경망 딥러닝(Deep Neural Network)모델, 합성곱 신경망 CNN(Convolution Neural Network)모델, 순환 신경망 RNN(Recurrent Nerual Network)모델을 활용하고 태양광 발전량과 기후정보 간의 숨겨진 패턴을 학습하여 태양광 발전량 예측 모델을 개발 - 나아가, 기후정보는 계절적 정보의 특성을 간접적으로 반영하고 있어, 기후정보만을 이용하여 학습할 경우 계절적 정보를 직접적으로 반영할 수 없는 한계점을 가지고 있음. 따라서, 본 연구에서는 기후정보뿐만 아니라 계절적 정보데이터를 활용함으로써 모델의 성능을 향상시키고자 함