본 연구실은 산업공정의 효율성과 품질 향상을 위해 다양한 최적화 기법과 신뢰성 분석을 접목한 연구를 수행하고 있습니다. 특히 사출성형, CNC 가공, 반도체 제조 등 다양한 제조 현장에서 발생하는 공정 데이터를 활용하여, 공정 변수의 영향력 분석 및 불량 예측, 변수 최적화 방법론을 개발하고 있습니다. 이를 위해 XAI(eXplainable Artificial Intelligence) 기반의 설명 가능한 인공지능 기법과 SHAP, ICE 등 최신 해석 도구를 적극적으로 도입하여, 공정 내 주요 변수의 영향력을 정량적으로 평가하고, 최적의 관리 방안을 제시합니다. 또한, 발전설비, 승강기, 배전설비 등 다양한 산업설비의 신뢰성 분석 및 예지보전 시스템 개발에도 주력하고 있습니다. 센서 데이터가 부족한 환경에서는 고장 이력 데이터를 활용한 Weibull 분포 기반의 신뢰성 분석, 유지보수 주기 산정, 고장 분류 모델 개발 등 데이터 기반의 설비 관리 시스템을 구축하고 있습니다. 이를 통해 설비의 고장 예측 정확도를 높이고, 유지보수 비용 절감과 안전성 향상에 기여하고 있습니다. 이러한 연구는 실제 산업 현장과의 긴밀한 협력을 통해 현장 적용성을 높이고 있으며, 다양한 기업 및 공공기관과의 산학협력을 통해 실질적인 문제 해결과 기술 이전을 실현하고 있습니다. 앞으로도 빅데이터, 인공지능, 최적화 기법을 융합하여 산업공정의 혁신과 스마트 제조 실현에 앞장설 계획입니다.

연구실은 대규모 데이터의 수집, 융합, 마이닝을 통한 정보 추출과 이를 활용한 인공지능 기반 시스템 개발에 중점을 두고 있습니다. 텍스트, 시계열, 이미지 등 다양한 형태의 데이터를 분석하여, 산업 현장의 의사결정 지원, 품질 관리, 예측 진단 등 다양한 분야에 적용 가능한 솔루션을 개발하고 있습니다. 예를 들어, 발전설비 고장 이력 텍스트 데이터를 활용한 고장 분류 시스템, SNS 오피니언 마이닝을 통한 고객 중심 위험도 평가, 2D/3D 이미지 마이닝을 통한 의료 및 제조 분야의 이상 탐지 등 다양한 응용 연구를 수행하고 있습니다. 특히, 자연어처리(NLP), 신경망(Neural Networks), 머신러닝, 딥러닝 등 최신 인공지능 기술을 적극적으로 도입하여, 데이터의 복잡성과 다양성을 극복하고, 설명 가능하고 신뢰성 높은 예측 모델을 구축하고 있습니다. 또한, 대규모 제품 사양 데이터, 고객 피드백, 센서 데이터 등 다양한 출처의 데이터를 융합하여, 새로운 기능 속성 발굴, 제품 설계 최적화, 시장 동향 예측 등 고부가가치 정보 창출에 기여하고 있습니다. 이러한 데이터 마이닝 및 인공지능 기반 시스템 개발은 실제 산업 현장에서 발생하는 다양한 문제를 해결하는 데 있어 핵심적인 역할을 하고 있습니다. 앞으로도 연구실은 데이터 기반의 혁신적 의사결정 지원 시스템, 스마트 팩토리 구현, 사회적 가치 창출 등 다양한 분야로 연구 영역을 확장해 나갈 예정입니다.