본 연구는 현실 세계의 객체와 환경을 모델링하고, 다양한 시나리오를 시뮬레이션하는 3D 시뮬레이션 기술에 대해 다룬다. 3D 시뮬레이터는 위험 요소를 줄이고 비용을 절감하며, 여러 시나리오를 반복적으로 실험할 수 있는 능력 덕분에 의료, 자동차, 항공 산업 등 다양한 분야에서 활용되고 있다. 본 논문에서는 로봇 프로세스 공급망 자동화를 위한 시뮬레이션의 실제 적용을 목적으로, 로봇이 이동하는 동안 실시간으로 지도를 구성하는 SLAM(Simultaneous Localization and Mapping) 기술을 도입하고자 한다. 이는 기존의 지도 구성 방식이 가진 현실과의 불일치 문제를 해결하여, 더욱 정확하고 실용적인 시뮬레이션 결과를 도출하는 데 중점을 둔다. 특히, 본 연구에서 제안하는 방식은 로봇이 자체적으로 환경을 파악하고 지도를 구성함으로써 가상 환경에서 얻은 데이터를 실제 로봇 운영에 즉각적으로 통합하여 적용할 수 있게 한다. 이 과정을 통해 시뮬레이션은 단순한 테스트에서 나아가 실제 운영 환경에 직접적인 이점을 제공할 수 있다. 이러한 통합 시뮬레이션 시스템은 복잡한 환경조건에서도 로봇의 성능을 향상시키고, 프로세스의 정확성과 효율성을 크게 증진시킬 것으로 기대된다.

첨단 과학기술을 적용하여 최소의 인력으로 공정효율과 생산성을 향상시키는 스마트 공정에 대한 활용이 높아지고 있다. 그러나, 스마트 공정은 특정 공정에서 예기치 못한 우발상황 발생시 계획된 프로세스가 중단되고, 이로 인한 공정의 생산성 저하 및 손실 발생 등이 야기되는 어려움을 갖는다. 본 논문은 스마트 공정의 우발상황 발생시, 현장에 있는 엔지니어가 신속하고 정확한 조치를 가능케 하는 제스처 기반의 과업통제 AI 판별 알고리즘과 그 시스템을 다룬다. 이를 위해, Flex 센서 및 Arduino Nano BLE 33 Sense 마이크로 컨트롤러가 장착된 장갑을 제작하고, 총 15개의 공정에 대한 11개의 과업 판별을 위한 제스처 데이터를 수집하였으며, 시계열 데이터에 높은 강인성을 갖는 결심 트랜스포머의 알고리즘을 적용하여, 높은 성능의 제스처에 기초한 과업 판별을 구현하였다. 그 결과, 인공지능 성능 기준인 정확도, 정밀도, 재현율 그리고 F1-score에서, 각각 94.5%, 95.4%, 94.5% 그리고 94.5%의 높은 성능이 나타났으며, 딥러닝의 유사 알고리즘인 합성곱 신경망 및 장단기 메모리 보다 높은 결과를 보여주었다.

1980년대 이후 중국의 농·목업이 발전하면서 사료가공기업(feed industries)의 수도 증가하였지만, 대부분은 소규모의 영세기업이다. 사료 가공업은 고객의 요구가 매우 다양하여 고객의 주문에 따라 가공(make-to-order)이 이루어지는 것이 일반적이다. 또한 기술 장벽이 높지 않고 단위 수익이 크지 않은 업종으로, 전환 생산과정에서 발생하는 전환비용인 세척비용은 피할 수 없으며 생산비용 감소를 위해 우선적으로 관리되어야 한다. 매일의 사료 주문은 종류와 양이 다양하고 세척비용은 가공순서에 따라 다를 수 있다. 본 연구에서는 주문의 가공 순서에 따른 일간 전환비용을 비료/분석하기 위한 시뮬레이션 모형을 개발하였다. 이를 위해 사료공장의 실제 공정자료와 현장 작업자의 의견을 종합하여 Microsoft의 EXCEL 기반 스프레드시트 시뮬레이션 프로그램인 @RISK를 활용하였다.

본 연구는 확률적 질병 확산 모형을 이용하여 COVID-19의 확산을 예측한다. 이를 위하여 2020년 8월 12일부터 2021년 2월 15일까지 대한민국 COVID-19의 확산 데이터를 이용하고 질병 확산 모형 중의 하나인 Modified Susceptible-Exposed-Infected-Recovered-Death(M-SEIRD)모형을 사용한다. M-SEIRD 모형은 COVID-19 바이러스 특성을 고려하여 기본적 질병 확산 모형인 SIR(Susceptible-Infected-Recovered)모형에 접촉군와 사망군을 포함하여 질병의 확산을 모형화 한다. 특히 본 연구에서는 감염대상군 S에서 접촉군 E로 이동하는 것 뿐 아니라 접촉군 E에서 감염대상군 S로 이동하는 음성판정률을 고려한다. 또한 COVID-19 확산의 확률적 특성을 모델링하기 위하여 확률적 화학 반응 모형을 사용하고 실제 관측된 감염자 수의 정확한 추정치를 얻기 위하여 시뮬레이션 기법인 MCEM(Monte Carlo Expectation Maximization)을 적용한다. 확률적 화학 반응 모형과 MCEM기법을 적용한 M-SEIRD의 성능을 파악하기 위하여 예측 오차 관점에서 SIR모형과 성능을 비교한다.

바닥형 보행 신호등은 보행자에게 추가 신호를 제공하여 교통사고를 예방하기 위해 바닥에 설치하는 장치로, 최근 스마트폰 사용이 증가함에 따라 횡단보도 교통사고가 급증하는 상황에서 도입되었다. 바닥형 보행 신호등은 바닥에 설치되기 때문에 열악한 환경에서 사용된다. 이로 인해 기존의 바닥형 보행 신호등은 품질보증기간을 넘기지 않고 파손되거나 오작동하여 많은 경제적 손실을 초래한다. 따라서 개선된 바닥형 보행 신호등의 개발이 필요하게 되었고, 유한요소해석을 이용하여 개발된 바닥형 보행 신호등과 기존의 바닥형 보행 신호등의 내구성을 비교하였다. 바닥형 보행 신호등의 발열체에 열원을 적용하여 온도 분포를 산출하였고, 이를 열하중으로 입력하여 구조해석을 실시하였다. 이후 열탄소성 해석을 통해 두 모델의 성능을 비교한 결과, 개선된 모델이 기존 모델에 비해 내구성이 향상된 것을 확인하였다.

제조시스템 설계문제에서 최적화를 수행하기 위해서는 시스템의 성능을 추정할 수 있는 모델이 필요하다. 이를 위해 수학적 모델, 시뮬레이션, 메타모델 등 다양한 방법론이 활용되고 있는데, 최근에는 인공지능 모델의 활용이 확대되고 있다. 본 논문에서는 지도학습을 이용한 심층신경망(DNN) 모델을 이용하여 직렬라인, 조립라인 등의 생산률 추정 정확성에 대해 분석을 하고자 한다. 각 시스템에 대해 시뮬레이션 모델을 개발하였고, 실험을 통해 얻은 결과를 이용하여 학습을 수행함으로써 최적의 DNN 모델을 개발하였다. 이 과정에서 활성화 함수, 은닉층의 개수, 노드의 개수 등 다양한 모수들의 조합을 고려하였다. 또한 다른 방법론을 사용하였을 때 정확도가 떨어진다고 알려진 극단적 데이터를 학습과정에 추가함으로써 DNN 모델의 정확성을 높이는 방법을 제시하였다.