오현석 연구실은 신뢰성공학을 기반으로 다양한 기계 시스템의 건전성 진단 및 예측 기술을 개발하고 있습니다. 연구실은 회전체, 베어링, 기어박스, 펌프, 전자밸브 등 산업 현장에서 널리 사용되는 핵심 기계 부품의 고장 진단 및 잔여수명 예측을 위해 물리 기반 모델링, 통계적 분석, 그리고 인공지능 기법을 융합하여 연구를 수행합니다. 특히, 실제 산업 환경에서 발생하는 데이터 부족, 불균형, 불확실성 문제를 해결하기 위해 생성 모델, 도메인 적응, 반복 학습 등 첨단 데이터 처리 및 학습 기법을 적극적으로 도입하고 있습니다. 이러한 연구는 실시간 상태 모니터링, 예지보전(PHM: Prognostics and Health Management), 최적 센서 배치, 결함 검출 및 분류, 고장 원인 분석 등 다양한 응용 분야로 확장되고 있습니다. 예를 들어, 유압 펌프, 전동기, 용접 전극, 원심펌프 등 다양한 기계 시스템에 대해 진동, 전류, 음향 등 다양한 신호를 활용한 고장 진단 알고리즘을 개발하고, 실험 및 현장 데이터를 통해 그 성능을 검증하고 있습니다. 또한, 신뢰성 평가와 잔여수명 예측을 위해 베이지안 추론, 확률론적 모델, 물리 기반 열화 모델 등 다양한 접근법을 적용하고 있습니다. 연구실의 이러한 기술은 산업 현장의 안전성 및 신뢰성 향상, 유지보수 비용 절감, 설비 가동률 극대화에 크게 기여하고 있습니다. 앞으로도 오현석 연구실은 신뢰성공학과 인공지능의 융합을 통해 기계 시스템의 예지보전 및 스마트 유지보수 분야에서 선도적인 역할을 지속적으로 수행할 계획입니다.

오현석 연구실은 인공지능(AI) 및 머신러닝(ML) 기술을 활용한 기계 시스템 결함 진단과 최적 센서 네트워크 설계 분야에서 활발한 연구를 진행하고 있습니다. 최근에는 딥러닝 기반의 이상 탐지, 자기지도학습, 전이학습, 생성 모델 등 최신 AI 기법을 적용하여 기존의 규칙 기반 또는 경험적 방법이 가지는 한계를 극복하고, 다양한 환경과 조건에서 높은 일반화 성능을 보장하는 진단 시스템을 개발하고 있습니다. 예를 들어, 주파수-강조 신경망, CutMix 기반 자기지도학습, 하이브리드 결함 크기 추정기 등 혁신적인 알고리즘을 통해 복잡한 산업 환경에서의 결함 검출 정확도를 크게 향상시키고 있습니다. 또한, 대규모 플랜트, 파이프라인, 원자력 발전소 등에서의 구조물 건전성 모니터링을 위해 최적 센서 배치 문제에 대한 연구도 병행하고 있습니다. 설명 가능한 인공지능(XAI) 기법을 활용하여 센서 후보 위치의 중요도를 시각화하고, 유전 알고리즘, 확률론적 최적화 등 다양한 방법을 통해 제한된 센서 자원으로도 최대의 결함 검출 성능을 달성할 수 있는 센서 네트워크 설계 방법론을 제시하고 있습니다. 이 과정에서 불확실성, 환경 변화, 데이터 품질 저하 등 현실적인 문제를 고려한 견고한 설계가 이루어집니다. 이러한 연구는 실제 산업 현장에 적용되어, 전기차 구동계, 원전 1차계통, 해양 플랜트, 스마트 팩토리 등 다양한 분야에서 실질적인 성과를 창출하고 있습니다. 앞으로도 오현석 연구실은 AI 기반 결함 진단 및 센서 네트워크 설계의 이론적 발전과 산업적 실용화 모두를 선도할 계획입니다.