SPS Lab.
산업경영공학부 백준걸
SPS 연구실은 고려대학교 산업경영공학부 소속으로, 제조 데이터 기반의 인공지능 및 데이터마이닝, 설비 건전성 예측, 스마트팩토리 구현 등 첨단 산업공학 분야를 선도하는 연구실입니다. 본 연구실은 생산 시스템에서 발생하는 대규모 데이터를 효과적으로 분석하고, 이를 바탕으로 제조 현장의 효율성 및 품질을 극대화하는 다양한 연구를 수행하고 있습니다.
특히, 시계열 데이터, 센서 데이터, 이미지 데이터 등 다양한 형태의 제조 데이터를 활용하여, 기계학습 및 딥러닝 기반의 예측, 분류, 이상 탐지, 데이터 증강, 특징 추출 등 데이터 중심의 연구를 폭넓게 전개하고 있습니다. 최신 연구 트렌드인 대조학습, 전이학습, XAI, GAN, Autoencoder, TCN 등 다양한 AI 기법을 제조 현장에 맞게 맞춤형으로 적용하고, 실제 산업 문제 해결에 기여하고 있습니다.
설비의 고장 예지 및 건전성 관리, 공정 이상 탐지, 품질 예측, 생산 계획 및 스케줄링, AGV 최적화, MES 진단 및 성숙도 평가, 디지털트윈, 스마트팩토리 솔루션 등 다양한 응용 분야에서 연구성과를 창출하고 있습니다. 또한, 반도체, 2차전지, 금속가공, 클라우드 제조 등 다양한 산업 분야와의 산학협력 및 현장 적용을 통해 실질적인 혁신을 이끌고 있습니다.
SPS 연구실은 다수의 특허 출원, 국내외 저명 학술지 논문 게재, 국제 학회 발표, 산학협력 프로젝트 수행 등 활발한 연구 활동을 이어가고 있습니다. 연구실 소속 학생들은 각종 경진대회, 논문대회, 산학협력 프로그램 등에서 우수한 성과를 거두며, 산업공학 및 데이터사이언스 분야의 차세대 인재로 성장하고 있습니다.
앞으로도 SPS 연구실은 데이터 기반의 제조 혁신, 인공지능 융합, 스마트팩토리 구현 등 미래 산업공학의 핵심 분야에서 선도적 역할을 지속할 것이며, 학문적 깊이와 실용적 가치를 동시에 추구하는 연구를 이어갈 것입니다.
Explainable AI
Multivariate Time Series
Anomaly Detection
제조 데이터 기반 인공지능 및 데이터마이닝
SPS 연구실은 제조 현장에서 발생하는 방대한 데이터를 효과적으로 활용하기 위한 인공지능 및 데이터마이닝 기술을 심도 있게 연구하고 있습니다. 생산 시스템에서 수집되는 다양한 센서 데이터, 공정 데이터, 품질 데이터 등을 분석하여 생산 효율성 향상과 품질 개선을 목표로 합니다. 이를 위해 기계학습, 딥러닝, 데이터마이닝, 통계적 분석 등 다양한 방법론을 접목하여 데이터 기반 의사결정 지원 시스템을 개발하고 있습니다.
특히, 제조 데이터의 특성상 고차원, 비정형, 시계열, 불균형 데이터가 혼재되어 있어, 데이터 전처리, 특징 추출, 이상 탐지, 예측 모델링 등 전 과정에 걸쳐 맞춤형 알고리즘을 설계합니다. 예를 들어, 시계열 데이터의 패턴을 효과적으로 반영하기 위해 Normalizing Flow, Autoencoder, Temporal Convolutional Network(TCN) 등 최신 딥러닝 기법을 적용하고, 데이터 불균형 문제를 해결하기 위해 GAN 기반 데이터 증강, 클래스 불균형 처리 기법 등을 도입합니다.
이러한 연구는 스마트팩토리, 반도체, 2차전지, 클라우드 기반 제조 등 다양한 산업 현장에 적용되어, 실시간 공정 모니터링, 품질 예측, 설비 고장 진단, 생산 계획 최적화 등 실제 문제 해결에 기여하고 있습니다. SPS 연구실은 이론적 연구와 더불어 산학협력 및 현장 적용을 통해 데이터 기반 제조 혁신을 선도하고 있습니다.
설비 건전성 예측 및 이상 탐지
설비의 건전성 예측과 이상 탐지는 SPS 연구실의 핵심 연구 분야 중 하나입니다. 제조 현장에서는 설비의 고장이나 이상 징후를 조기에 감지하고, 유지보수 시점을 예측하는 것이 생산성 향상과 비용 절감에 매우 중요합니다. 이를 위해 SPS 연구실은 다양한 센서 데이터를 활용한 설비 상태 모니터링, 이상 탐지, 잔존 수명 예측(RUL) 등 첨단 PHM(Prognostics and Health Management) 기술을 개발하고 있습니다.
연구실에서는 LSTM, Variational Autoencoder, Attention Mechanism, Wavelet Transform 등 다양한 딥러닝 및 신호처리 기법을 결합하여, 정상 데이터만을 이용한 비지도 이상 탐지, 주기 신호 기반 이상 탐지, 다변량 시계열 데이터의 이상 탐지 등 다양한 상황에 대응할 수 있는 모델을 제안합니다. 또한, 실제 산업 현장에서 라벨링이 어려운 데이터를 효과적으로 활용하기 위해, 도메인 적응, 전이학습, 대조학습(Contrastive Learning) 등 최신 AI 기법을 적극적으로 도입하고 있습니다.
이러한 연구 결과는 반도체, 2차전지, 금속 가공, 클라우드 인프라 등 다양한 산업 분야에서 설비의 고장 예측, 유지보수 최적화, 품질 관리 등에 실제로 적용되고 있습니다. SPS 연구실은 특허 출원, 산학협력 프로젝트, 국내외 학술지 및 학회 발표 등을 통해 설비 건전성 예측 및 이상 탐지 분야의 학문적·실용적 발전을 이끌고 있습니다.
스마트팩토리 및 제조 시스템 최적화
SPS 연구실은 4차 산업혁명 시대에 발맞춰 스마트팩토리 구현과 제조 시스템의 최적화 연구를 활발히 수행하고 있습니다. 스마트팩토리는 IoT, 빅데이터, 인공지능, 디지털트윈 등 첨단 ICT 기술을 제조 현장에 접목하여, 생산 공정의 자동화, 지능화, 실시간 모니터링 및 제어를 실현하는 차세대 제조 패러다임입니다.
연구실에서는 제조 실행 시스템(MES) 진단 및 성숙도 평가, 생산 계획 및 스케줄링, AGV(자동화 운반차) 최적 배치, 공정 시뮬레이션, 품질공정관리 등 다양한 주제를 다룹니다. 이를 위해 강화학습, 최적화 알고리즘, 시뮬레이션 기반 의사결정, XAI(설명 가능한 인공지능) 등 최신 연구 방법론을 적용하고 있습니다. 또한, 디지털트윈 기반의 공정 해석, 보안, 클라우드 기반 제조 자산 관리 등 스마트팩토리의 핵심 요소 기술 개발에도 집중하고 있습니다.
이러한 연구는 실제 산업 현장과의 협력을 통해 실질적인 성과로 이어지고 있습니다. SPS 연구실은 스마트팩토리 솔루션의 글로벌 진출, 클라우드 기반 제조 자산 성능관리 시스템 개발, 공정 및 설비 최적화를 위한 XAI 기반 진단 시스템 등 다양한 국가 및 산업체 연구과제를 성공적으로 수행하며, 국내외 제조 혁신을 선도하고 있습니다.
1
Quality boost of tabular data synthesis using interpolative cumulative distribution function decoding and type-specific conditioner
Seungchan Roh, Seunghwan Song, Kwan-Yong Park, Byoung-mo Koo, Jun-Geol Baek
Neurocomputing, 2025.09
2
AW-CES: adaptively weighted-cumulative error scoring for autoencoder-based anomaly detection on unlabeled data
Cheolsoon Park, Seunghwan Song, Jun-Geol Baek
International Journal of Data Science and Analytics, 2025.03
3
Deep Clustering and Regression Ensemble Network for Lot Cycle Time Prediction in Semiconductor Wafer Fabrication
Beomseok Song, Seunghwan Song, Jun-Geol Baek
IEEE Transactions on Semiconductor Manufacturing, 2025
1
멀티 모달 스트리밍 데이터의 잠재 공간에서의 표현 학습 기반 크로스 모달 네트워크 개발
2
클라우드 기반의 인공지능 제조자산 성능관리 시스템 개발
3
(최종)멀티 모달 스트리밍 데이터의 잠재 공간에서의 표현 학습 기반 크로스 모달 네트워크 개발
