제조업의 발달과 생산기술의 혁신으로 LG내의 생산라인은 많은 변혁을 거쳐왔다. 80~90년대 주축을 이뤘던 가전제품의 조립산업 / 화장품의 연속라인에서부터 현재 핵심사업인배터리 / 디스플레이의 장치산업까지 생산기술원은 LG그룹 전반에 걸친 생산시스템 설계와 생산라인 컨셉 기획에많은 기여를 가져왔다. 또한, 생산시스템 사전 검증에 멈추지 않고 실제 라인이 구축된 이후 사후 검증 (Real-Time Simulation)까지스마트 제조 시스템 구축에 있어 필요한 최신 기술을 자체 발굴 / 개발 / 구축 중이다. 이러한 R&D 역량의 일환으로 시뮬레이션 엔진을 기반으로 실제 생산라인을 가상으로 구축한 Virtual Factory를Digital Twin으로 구축하여 실시간으로 데이터를 연동하고, 향후 발생할 수 있는 시나리오를 예측하는실시간 시뮬레이션 구축 사례를 현 세션에서 소개하고자 한다.

전통적인 자동화 공장과 스마트팩토리를 구별하는 기준 중 한가지는의도하지 않은 돌발상황에 실시간으로 대처할 수 있는 자율최적 제어능력의 유무를 들 수 있다.전통적인 시뮬레이션 모델은 생산시스템의 설계 단계에 국한되어 활용되어 왔다.그러나 최근에는 이러한 설계영역을 벗어나서 고해상도의 디지털트윈 모델을 이용하여 생산시스템의 운영최적화를 달성함으로써 스마트팩토리를 구축하는 노력들이 이어지고 있다. 본 논문에서는 디지털트윈 및 인공지능기술을 이용하여 스마트팩토리를 실시간 최적 운영하는 것에 관한 방법론을 제시하고자 한다.

생산현장에서는 생산운영안정화를 위해 생산계획 수립 시 설비의 가용Capa.를 명확하게 반영하는 노력과 더불어 자재별 조달 리드타임, 협력회사별 Capa 등 자재조달 가능성을 평가하여 생산-자재 계획의 동기화를 확보하기 위한노력을 하고 있으나 협력업체의 생산이슈, 품질검사 시 불합격, 조달과정에서의 운송 트러블 등으로 인해자재납입 일정이 변경되는 경우가 빈번하여 최초 수립한 생산계획을 지키지 못하고불가피하게 변경해야하는 경우가 발생한다.

기존 위험운전 점수화 방법들은 운행 데이터와?사고 기록 간의 관계를 추정하고, 그 관계에 근거해 위험운전 점수를 산출한다. 여기서 사고 기록은 운전 위험도를 대변하는 데이터로 활용된다. 그러나 사고 기록은 위험운전과 무관하게 발생한 사고 정보 또는 부정확한 사고 정보를 포함한다. 이로 인해 기존 방법들은 위험도 점수화의 정확성에 한계가 있다. 본 연구는 NMF를 활용해 사고 기록 없이 운행 데이터만으로 버스 위험운전을 점수화하는 방법을 제안한다. 본 방법은 버스 운전자의 위험운전 모니터링 및 교육에 활용될 것으로 기대된다.

헬스케어 산업에서 생성되는 방대한 양의 의료 데이터를 활용하여 데이터에 기반한 환자중심의 의사결정을 지원해주는 의사결정지원시스템의 중요성이 높아지고 있다. 본 발표에서는 헬스케어 조직의 관리 및 운영을 지원해주는 의사결정지원시스템과 환자로부터 얻어진 임상정보를 바탕으로 질병의 진단과 치료를 도와주는 임상의사결정지원시스템의 두가지 분야을 다음의 연구 주제들을 통하여 살펴본다: 병원 병상 관리 시스템, 수술 후 재활 프로세스 최적화 시스템, 중환자실 환자들의 개인 맞춤형 약물요법 시스템, 외상성뇌손상 환자들의 뇌압관리를 위한 지원시스템

In this talk, we propose an improved fully polynomial time approximation scheme for the stochastic shortest path problem. For each arc, the travel time follows an independent normal distribution. The problem finds a path that?maximizes?the probability of arriving at the destination within a given threshold. The proposed scheme iteratively solves deterministic shortest path problems. The proposed approximation scheme can be applied to other combinatorial optimization problems such as the minimum spanning tree problem.

데이터 분석에 머신러닝을 적용할 때, 라벨링의 유무, 비대칭성, 일반화 성능, 초기에 특정 문제에 제한된 샘플 수 등이 문제가 되는 경우가 자주 발생합니다. 제안하는 지식융합 머신러닝 방법론은 다양한 유형의 정보 기술을(도메인 지식, 물리학 또는 생물학적인 원리, 모델 내에서 정보, 학습되는 특질 등) 활용하여 성능을 개선하고 견고성을 높이는 데 활용될 수 있습니다. 도메인 간의 지식 전이, 기계학습 모델과 원리에 바탕을 둔 수학 모형 간의 모델 융합, 생성 모델을 활용한 도메인 적응 방식을 활용하면 의료영상진단, 센서 데이터, 열역학 영상 분석 등에서 성능을 개선하는 것을 확인하였습니다.

In this research, we defined some problems related to the procurement data analytics for digital healthcare companies. As a supporting function, Procurement Department plays significant role to generate cost saving hence monitoring the spending and operation are crucial. However, most of the procurement professionals face challenges in terms of the required lead time to collect and prepare for the spending and operational data, not to mention analyze the data yet. Therefore, we proposed the implementation of tableau for the spending and operational analytics (STEALTH) at Procurement Department of the digital healthcare companies. STEALTH was a collaborative project to collect the procurement data then present them in a more user-friendly way to support the data analytics.

A type of warship called ‘Frigate’ is designed mainly for quick maneuverability and operated for escorting larger ship and manage the protection against any kind of threat. Thus, the maintenance of its engine is a core process to make sure that the ship can always operate well. In this study, the object of research is Frigate that built with CODLAG-type of propulsion system, designed to make the ship cruise silently. From one important component of the system, which is the propeller, this study aims to conduct the decay classification of gas turbine based on simulated operational data of the component and added explainability to the results of machine learning classification. The classification is done using explainability approach utilizing SHap Additive exPlanations (SHAP) methodologies for machine learning interpretabity. The results not only able to segment the type of risks given the coefficient of decay state in the propeller, but also explain the factors that mostly affected the occurrence of decay.

기존의 신뢰성 혹은 수명예측 방법은 전통적 통계 및 수학적 기법에 기반하여,부품 혹은 시스템의 성능을 예측하는 것이었다. 기존 방법들은 여러 가지 장점이 있음에도 불구하고, 대부분 현실 데이터의 부재, 다양한 상호작용, 사용 환경의 다양성 그리고 정확한 물리적 모델 구축의 어려움 등으로 인해 현장 적용에 어려움을 겪고 있다. 인공지능 기술은 점차 다양한 곳에 적용되고 있는 추세 이며, 이미 품질, 신뢰성 분야에도 적용되고 있다. 본 글 에서는 인공지능 기술을 품질 신뢰성 분야에 적용할 때 고려해야 할 이슈들을 다룬다.

더욱 복잡해지고 미세화 되는 반도체 제품의 설계 및 제조과정에 있어 양산성 확보를 전제로 요구되는 품질수준을 만족시키기 위해서는 고유 기술적 혁신뿐만 아니라 품질공학 등 산업공학적 범용기술과의 상호보완적 결합이 더욱 필요하다. 한편, 품질공학적 방법론을 반도체 현장에 적용 하는데 있어서는 실험의 확률화 등 방법론 측면의 주요 제약사항을 이해하는 것 이외에도 다양한 기업내 비전공 엔지니어들에 대한 범용 품질기술실무 교육프로그램을 학계와 연계하여 갖추고 지속적으로 전개하는 것 또한 매우 중요하다. 이러한 관점에서 반도체 대기업 현장에서 30여년간의 품질교육 관련 경험과 변화 과정을 공유하고자 한다. 또한, 계측, 각종 시뮬레이터 뿐만 아니라 각종 설비 등에서 발생되는 수 많은 센서 데이터의 폭발적 증가와 이를 신속하게 처리하는 컴퓨팅, 네트워크 기술의 발전이 이루어지고 있는 4차 산업혁명 시대의 반도체 제조 환경에 필요한 품질공학 관련 연구과제, 방향 등을 살펴보고자 한다.

1930년대 관리도와 샘플링 기법이 개발된 이후, 지난 한세기 동안 품질관리 교과목의 주요 내용은 이 두가지 기법에 초점이 맞춰져 있다. 그러나 실제 기업에서 발생하는 품질문제는 이 두가지 기법으로만 해결하기에는 한계가 있다. 즉, 최근 들어서도 대규모 리콜 사태가 빈번히 발생하고, 불량률이 여전히 높은 경우가 많기 때문에 이에 대한 해결방법이 요구된다. 품질문제는 해결하기 위해서는 기업 내부의 설계, 생산 및 시험단계에서 불량을 최소화하여야 하고, 판매이후 기업 외부에 나간 제품에 대한 고장 메커니즘을 분석하여야 한다. 그리고 이와 같은 기업 내부와 외부의 데이터를 상호 연결하여 분석할 수 있는 피드백 체계가 갖춰져야 한다. 이를 위해 기업에서는 품질정보시스템을 활용하여 기업 내,외부의 데이터를 자동으로 수집, 분석하고, 기존 레거시 시스템과의 연계를 통해 불량의 원인을 세밀하게 분석하는 활동에 집중하고 있다. 또한, IoT, 빅데이터 등의 발달로 인하여 실시간으로 여러가지 파라메터를 실시간으로 분석하여 고장을 예측하고 미리 예방하는 시스템을 구축하고자 한다. 본 발표에서는 이러한 품질정보시스템에 대해서 알아보고 향후 품질 시스템이 나아가야 할 방향과 그에 따른 교육의 발전 방향에 대해서 살펴보고자 한다.

품질공학은 품질검사를 포함한 품질관리로부터 비롯되어 TQC, 품질보증시스템, 품질경영, 6시그마 등으로 발전하여 왔다. 본 연구에서는 이러한 방법들의 특징을 알아보고, 4차 산업혁명시대에서의 발전방향에 대하여 전망한다. 특히 품질공학에서 다루어야 할 기술을 중심으로 논의한다.

본 발표에서는 제조 및 물류 시스템에서의 로봇 기반 자동화 시스템의 디지털 트윈 개념을 설명한다. 디지털트윈의 가상환경에서 인공지능 강화학습의 학습을 진행하며 동시에 실제 현장에서의 IoT기반 학습을 진행하는 오-오프 동시 학습을 통한 자동화 시스템 개념을 소개한다.

강화학습과 디지털 트윈을 활용하여 평판 디스플레이 물류 반송 시스템 활용 적용 사례를 소개한다. 심층강화학습 (Deep Q-learning)을 활용하여 두대의 크레인 로봇을 연동하며 디지털 트윈을 활용한 학습 증강 개념을 설명한다. 또한 2차전지 물류 반송 시스템 디지털트윈 활용 가능성에 대해 논의한다.

Automated Guided Vehicle (AGV) 시스템은 제조 공장 내 공정 간 반제품 운반을 담당하는 대표적인 물류 자동화 시스템이다. AGV 제어 시스템(AGV Control System; ACS)는 공장 내 AGV를 제어하기 위한 시스템으로, 작업 할당과 경로 할당 등의 의사결정을 수행한다. 하지만, 최단 경로 산출 방법을 포함한 기존 의사결정 방법은 수십~수백 대 규모의 AGV 시스템 운영에는 한계가 있다. 본 발표에서는 대규모 AGV 시스템 운영을 위해 산업계가 직면한 이슈와 현업의 대응 현황을 소개한다. 또한, 대규모 AGV 시스템에서 Dijkstra 알고리즘 의사결정을 효율적으로 수행할 수 있는 Node Reduction 방법을 소개하고, 실제 적용 사례 및 개선 결과를 소개한다.