이 연구 주제는 기계·전기·전자 시스템의 열화와 고장 메커니즘을 정량적으로 이해하고, 이를 바탕으로 시스템의 상태를 진단하며 미래 고장 가능성을 예측하는 신뢰성공학 및 PHM(Prognostics and Health Management) 기술에 초점을 둔다. 연구실은 단순한 이상 탐지를 넘어 부품과 시스템의 성능 저하 과정을 모델링하고, 남은 수명과 유지보수 시점을 추정할 수 있는 실용적 방법론을 개발한다. 특히 산업 설비, 전동기, 유압 펌프, 인버터, 휴대전자기기 등 다양한 대상에 적용 가능한 범용 진단 프레임워크를 구축하는 데 강점을 보인다. 핵심 방법론으로는 센서 신호 기반 특성 추출, 이상치에 민감한 통계 지표 설계, 열화 모델링, 베이지안 추론, 불확실성 정량화, 그리고 데이터 기반 기계학습이 활용된다. 연구실의 특허와 논문에서는 오토인코더를 이용한 고장 진단, 전류 및 진동 신호를 활용한 결함 판별, 워런티 오남용 탐지를 위한 성능 열화 모델, 증기터빈 손상 성장의 베이지안 모델링 등 실제 산업 현장 문제를 해결하기 위한 접근이 확인된다. 이는 데이터가 불완전하거나 측정 주기가 불규칙한 환경에서도 작동하는 강건한 진단 기술 개발로 이어진다. 이 연구의 의의는 설비의 돌발 정지를 줄이고 유지보수 비용을 절감하며, 안전성과 가동률을 동시에 향상시키는 데 있다. 제조, 에너지, 모빌리티, 소비자 전자기기 등 다양한 산업에서 예지보전의 수요가 커지는 상황에서, 연구실의 기술은 현장 적용성과 확장성이 높다. 앞으로는 설명가능 인공지능, 도메인 일반화, 기계 독립적 진단 기술과 결합되어 서로 다른 장비와 환경에서도 신뢰할 수 있는 차세대 건전성 관리 기술로 발전할 가능성이 크다.

이 연구 주제는 복잡한 산업설비와 핵심 기계부품에서 발생하는 이상 상태를 인공지능으로 조기에 탐지하고 원인을 분류하는 기술에 관한 것이다. 연구실은 모터, 유압 펌프, 전동기 권선, 원전 일차계통 기기, 전기차 핵심부품 등 높은 신뢰성과 안전성이 요구되는 시스템을 대상으로, 센서 데이터로부터 이상 징후를 포착하는 지능형 건전성 진단 기법을 연구한다. 단순히 정상·비정상을 나누는 수준을 넘어 결함 위치 추정, 결함 유형 분류, 작동조건 변화에 강인한 판별 기술 개발까지 포괄한다. 연구에서는 오토인코더, 신경망, 전이학습, 멀티모달 데이터 융합, 설명가능 인공지능, 도메인 일반화 등의 최신 AI 기법이 적극 활용된다. 예를 들어 냉각재계통 내 금속 파편 위치를 추정하는 특허는 센서 간 시간차와 신경망을 결합해 충격 위치를 추론하며, 유압 펌프와 전동기 권선 진단 특허는 진동 및 전류 신호를 기반으로 잠재 특성 공간에서 결함 여부를 식별한다. 또한 원전 일차계통과 전기차 부품 진단 프로젝트는 물리 지식과 데이터 기반 모델을 함께 활용하는 방향으로 확장되고 있어, 고위험 산업에서의 신뢰 가능한 AI 도입을 지향하고 있다. 이 분야의 기대 효과는 안전사고 예방, 실시간 상태 감시, 정비 전략 고도화, 그리고 숙련자 의존도 감소에 있다. 특히 원전, 전기차, 스마트팩토리 같은 분야에서는 고장 진단의 정확도뿐 아니라 설명 가능성과 현장 이식성이 중요하므로, 연구실의 접근은 산업적 파급력이 크다. 향후에는 온디바이스 진단, 상이한 장비 간 일반화, 희소 데이터 환경에서의 학습, 디지털 트윈 연계 기술로 발전하면서 지능형 유지관리의 핵심 기반이 될 수 있다.

이 연구 주제는 기계공학적 물리 모델과 데이터 기반 학습을 결합하여 소재, 공정, 구조 시스템의 성능을 해석하고 최적화하는 융합 연구를 의미한다. 연구실의 최근 논문과 프로젝트를 보면 레이저 용접 열원 모델링, 고엔트로피 합금의 변형 및 강화 메커니즘 분석, 메탄 열분해를 통한 수소와 그래피틱 탄소 동시 생산 등 전통적인 기계·재료 문제를 고도화된 해석 및 AI와 접목하고 있다. 이는 신뢰성 중심 연구를 넘어, 설계·제조·소재 개발의 전주기 문제를 통합적으로 다루려는 연구 방향을 보여준다. 방법론 측면에서는 유한요소해석, 역문제 해석, 전역 최적화, 다중물리 시뮬레이션, 데이터 기반 파라미터 추정, 재료 미세구조 해석 등이 활용된다. 예를 들어 극저온강의 파이버 레이저 용접 연구에서는 다층 열원 모델을 제안하고 계산비용을 크게 줄이면서 용융부 예측 정확도를 향상시켰다. 또한 고엔트로피 합금 연구는 격자 점유와 소성 변형 메커니즘의 관계를 분석해 신소재 설계의 기초를 제공하며, 수소 생산 및 탄소 소재 합성 연구는 에너지와 소재 공정이 결합된 응용 가능성을 보여준다. 이 연구는 산업 현장에서 시행착오를 줄이고 설계-제조-운영 간 연결성을 강화하는 데 중요한 역할을 한다. 최근 수행 중인 LLM 기반 지능형 설계-제조 통합 연구단 과제와도 연결되어, 향후에는 자연어 기반 공정 제어, AI 보조 설계, 소재 추천, 공정 상태 판단까지 통합된 자율 제조 플랫폼으로 확장될 수 있다. 따라서 이 연구 주제는 기계공학의 전통적 기반 위에 AI와 최적화를 접목하여 차세대 스마트 제조와 고성능 소재 개발을 실현하는 핵심 축이라 할 수 있다.