1687
2
0
장동원(Dong-Won Jang)(명지대학교 기계공학과 조교수) / dwjang at mju.ac.kr
2022-06-27
|
1. 본인의 연구에 대해서 대략적인 소개를 부탁드립니다. - 안녕하세요. 저는 명지대학교 기계공학과에 조교수로 재직 중인 장동원입니다. 연구실 이름은 AI-CARE Lab.(Artificial Intelligent Computer Aided Reliability Evaluation Laboratory)으로 한글로는 신뢰성 평가 및 지능화 연구실입니다. 이름에서 알 수 있듯이 연구분야는 다양한 기계에 대한 신뢰성 평가 연구와 기계 시스템 지능화 연구를 진행하고 있습니다. 구체적으로는 구조물, 자동차, 가공장비, 기계부품, 전장품 등의 기계 시스템이 요구되는 기간 동안 정상적인 작동을 할 수 있는지에 대한 신뢰성 평가를 진행하고, 더 나아가 현재 상태로부터 정상-고장상태 혹은 잔여수명을 예측하는 연구도 진행하고 있습니다. 또한 기계 시스템을 가동할 때 최소한의 사람으로만 기계 시스템이 가동될 수 있도록 사람을 대신하는 지능화 와 자동화 연구를 진행하고 있습니다.  2. 2022년에 “인공신경망을 활용한 PID 제어시스템의 파라미터 튜닝 최적화 연구” 논문을 발표하셨는데 자세한 소개를 부탁드립니다. - PID 제어기는 기계 시스템의 작동을 제어하기 위한 가장 보편화된 제어기입니다. KP, KI, KD 3개의 파라미터 값만 튜닝해 주면 간단하고 효과적으로 원하는 제어가 가능하기 때문입니다. 그러나 3개의 값을 튜닝함에 있어 기계 시스템을 잘 이해하는 전문가가 필요합니다. 전문가는 기계 시스템의 환경이 변화할 때마다 PID 제어기의 파라미터를 튜닝해야 합니다. 따라서 기계 시스템 제어의 완전한 자동화를 위해서는 튜닝 과정의 자동화가 필요합니다. 전문가는 시스템의 출력 신호를 보고 PID 파라미터를 튜닝하게 되는데, 저는 이 과정을 인공신경망이 대체할 수 있음을 확인했습니다.  - 이를 위해 2차 기계 시스템을 구성하고, 랜덤한 시스템 파라미터와 랜덤한 PID 파라미터를 설정한 후, 5초 간의 응답들을 수집하여 학습에 사용했습니다. 인공신경망은 두 개로 구성되었는데, 하나는 시스템의 응답(출력)으로부터 시스템 파라미터를 예측하는 인공신경망이며, 다른 하나는 시스템 파라미터로부터 PID 파라미터를 예측하는 인공신경망입니다. 총 데이터 수집은 1,000만 개가 수집되었으며, 학습에 사용된 데이터가 많으면 정확도가 올라가지만, 1,000개만 학습하여도 노이즈가 있는 상황에서 튜닝 성공률이 94%로 실제 기계 시스템에도 충분히 사용 가능함을 확인했습니다.  3. 자동차 부품의 내구성 평가를 위한 기계학습을 이용한 실현 가능한 변형 이력 추출방법을 제안하셨는데 이에 대한 자세한 설명을 부탁드립니다. - 자동차의 내구성 평가를 위해서는 변형률 이력 측정이 필요합니다. 전통적으로는 변형률 센서를 부착한 자동차를 실험실의 시뮬레이터에 장착하여 하중을 가하거나, 성능 시험장(Proving Ground)를 달리면서 변형률 센서로부터 데이터를 수집하게 됩니다. 이렇게 수집된 변형률 이력은 수명 이론을 바탕으로 자동차의 내구성이 평가에 사용되게 되고, 자동차의 수명은 여러 번의 반복 실험으로부터 통계적인 값을 갖게 됩니다. 최근 들어 개별 제품의 수명을 실시간으로 알고 싶어 하는 요구가 증가함에 따라, 실사용 되는 개별 자동차에서도 실시간 변형률 측정도 요구되고 있습니다. 그러나 자동차가 변형률 센서를 부착하고 실사용되기에는 여러 제약이 있어, 이를 대체할 수 있는 센서의 개발이 필요한 상황입니다. 본 연구에서는 변형률 센서를 대체할 자동차에서 사용되는 다른 센서들을 이용해 변형률 예측이 가능한지 확인해 보았습니다. 휠 포스트 렌스 듀서(Wheel Force Transducer, WFT)와 가속도계를 부착한 자동차를 다양한 성능 시험장에서 운영하며 데이터를 수집했습니다. 사용된 WFT와 가속도계는 각각 2개이고 18개의 변형률이 예측되도록 인공신경망을 구성하고 학습했습니다.  - 그 결과 예측값이 실제 값과 같은 경향을 보이며 움직이는 것을 확인했고, 시험성능장 모든 환경에서 x, y, z축 변형률 모두 예측이 잘 되고 있음을 확인했습니다. 다만, Local Peak 값에서 예측 정확도를 높이는 연구가 추가적으로 더 필요하며, 실제 값으로부터 평가된 내구성과 예측값으로부터 평가된 내구성을 비교하는 추가 연구를 진행 중에 있습니다.  4. 현재 고체 역학과 신뢰성 평가에 AI 기술을 접목시키고 계신 걸로 알로 있는데 구체적으로 어떤 연구에 인공지능의 접목이 가능한지 구체적인 사례가 궁금합니다. - 구조물, 자동차, 가공장비, 기계부품, 전장품 등의 기계 시스템이 요구되는 기간 동안 정상적인 작동을 할 수 있는지에 대한 신뢰성 평가를 진행함에 있어 AI 기술은 다음과 같은 장점을 가집니다. 첫째로, 수많은 센서 데이터들 중에 결과물과 밀접한 관련이 있는 센서와 별로 상관이 없는 센서를 구분해 준다는 점입니다. 과거에는 전문성을 가진 연구자가 이론, 경험 및 실험 결과를 확인하며 최종 결과에 영향을 많이 주는 센서들을 찾아냈습니다. 그러나 시스템에 설치되는 센서의 종류와 수가 많아짐에 따라 이러한 작업들에 들어가는 노력과 시간이 많아지게 되었습니다. 인공신경망은 Principal Component Analysis(PCA)와 같은 기법으로 이러한 수고를 쉽게 해결해 주어, 특성이 강한 센서들을 찾는데 사용이 됩니다. 둘째로, 고장-정상상태의 분류 기준이나 잔여수명의 기준과 같은 threshold를 찾는데 장점을 갖습니다. 과거에는 threshold를 정함에 있어 사람이 데이터를 보고 판단했지만 이는 주관적일 수 있고, 통계적인 특성을 가져 개별 데이터에 맞지 않을 수 있습니다. 특히 랜덤 하중에 의한 피로파괴의 경우 더욱 어렵습니다. 하지만 인공지능기술을 통해 해결이 가능합니다. - 저는 반복 피로 하중 아래 있는 서클의 균열을 예측하는데, 인공지능 기술을 사용해 보았습니다. 반복적인 하중은 피로파괴를 야기하는데, 피로파괴는 가장 빈번한 파손 기구임에도 불구하고 반복되는 하중 이력의 불규칙함 때문에 예측이 어려운 파손입니다. 연구에 사용된 서클은 하중 물과 리프트를 이어주는 고리로, 반복적인 하중을 받는 대표적인 구조물이고, 대칭구조를 가지고 있습니다. 본 연구에서는 대칭구조에서 측정되는 변형률쌍과 잔여수명을 인공신경망에 학습시켜 피로파괴가 일어나기 전 피로파괴를 예측하는 인공신경망을 개발했습니다.  - 명지대학교에 재직하기 전에 근무하였던 한국전자통신연구원에서는 공작기계의 이상 탐지 및 수명 예측을 위한 연구도 진행했습니다. 공작기계의 이상은 가공품의 불량을 야기하고 불량품이 계속 발생하면 경제적 손실과 회사의 신뢰도 하락을 가져 오기 때문에, 이상이 발생했을 때 빠른 이상 탐지 기술이나 이상이 발생하기 전 미리 예진하는 기술이 필요합니다. 이에 공작기계에서 발생하는 신호와 상태를 바탕으로 인공신경망을 학습하여, 정상-고장상태를 구분하는 연구도 진행했습니다.  5. 위의 내용 외에 더 소개해 주실 연구가 있으시면 알려주세요. - 지금은 육아로 인해 취미생활은 꿈도 꾸지 못하지만, 저의 취미생활은 레고입니다. 레고를 이용한 연구를 진행한 적이 있었는데, 덕업 일치(취미생활과 직업이 일치)를 이뤘던 기억이 남아 아래의 연구를 소개합니다. - 모바일 크레인 전복사고 예방을 위해 인공신경망 기술을 적용해 보았습니다. 이때 모바일 크레인 축소모형으로 레고를 사용했습니다. 레고 테크닉의 크레인 모델과 3D 프린터로 제작한 여러 파트를 이용해 무거운 무게를 실제로 들어 올리고 움직이는 실험 모델을 만들었습니다. 그리고 모바일 크레인 다리에 부착된 변형률 센서 데이터와 실제 무게중심의 위치를 인공신경망에 학습시켜 변형률 변화를 통한 무게중심 추적 및 범위를 벗어난 작업에 알람을 울리는 시스템을 개발했습니다. 예측이 잘 되는 것도 재미있었지만, 좋아하는 레고를 가지고 연구할 수 있고, 연구를 하면서 레고를 만질 수 있어 행복했던 시간이었습니다.   6. 현재 운영 중이신 명지대학교 “AI-Care Lab.”의 비전과 목표, 그리고 어떤 학생들을 들어오면 좋을지 소개와 홍보를 부탁드립니다. - AI-CARE Lab.에서는 - 제가 학생들에게 가장 기대하는 점은 “본인이 공부나 연구의 필요성을 느끼고 있는가”입니다. 대학원생으로 지내면 연구실이라는 공간에 매여 시간적 자유도가 감소하는 듯하지만, 한편으로는 혼자서 무엇인가를 할 수 있는 시간이 증가합니다. 그런데 이 시간을 잘 못 보내게 되면 대학원에 진학한 것보다 못한 결과를 만들기도 합니다. 이 시간을 잘 보내기 위해서는 연구의 필요성을 느끼고, 그 시간을 연구에 사용해야 합니다. 그래서 저는 연구의 필요성을 느끼고 있는 학생이 연구실에 들어오면 좋겠고, 혹시 아직 필요성을 못 느끼고 있더라도 함께 찾아갈 수 있는 학생이라면 환영합니다.  7. 그동안 영향을 받은 연구자가 많으실 거 같습니다. 어떤 연구자분들의 어떤 영향을 받으셨는지 궁금합니다. - 첫 번째 분은 저의 지도 교수님이신 KAIST 이순복 교수님이십니다. 항상 “사람 살리는 연구”에 대해 가르쳐 주셨고, 스스로 연구주제를 찾아갈 수 있도록 기다려 주셨습니다. 또한 제 교수의 꿈을 응원해 주시고 기도해 주신 참 감사한 교수님이자 저의 스승님이십니다. 두 번째 분은 한국기계연구원(KIMM)에서 포닥 연구원으로 재직할 당시 가르쳐주셨던 백동천 박사님입니다. 연구실 선배이기도 한 백 박사님으로부터 미래를 내다보는 혜안과 스케줄과 일을 정리하는 방법에 대해 배울 수 있었고, 무엇보다 인공지능을 접하고 공부할 수 있도록 기회를 주셔서 제가 지금도 재미있게 연구할 수 있게 만들어 주셨습니다. 세 번째 분은 한국표준과학연구원에 홍성구 박사님입니다. 여러 연구자들과 공동연구하는 방법을 알려주시고, 표준연구원 안에 첨단 장비들을 사용할 수 있는 기회를 주셨습니다. 그리고 박사 학위 졸업에 필요한 논문을 공동지도해 주셨습니다. 네 번째 분은 한국전자통신연구원(ETRI)에 재직할 당시 센터장님이셨던 나중찬 센터장님입니다. 연구자에게 연구가 얼마나 중요한지를 알려주셨고, 연구 제안서 작성법이나 발표 자료를 만드는 법, 과제를 발굴하는 방법 등 연구자에게 실질적으로 필요한 다양한 경험들과 기술들을 전수해 주셨습니다. 지금도 저의 연구 제안서에는 나 센터장님의 흔적들이 많이 남아있습니다. 마지막으로 연구실 선배인 KAIST의 심기동 교수님입니다. 교수의 길을 고민하고 있을 때에도 많은 도움을 주셨고, 교수가 되고 나서도 학생들과의 관계, 동료 교수님들과의 관계, 학회에서의 활동 등 교수의 길의 모범을 스스로 보여주고 알려주어 많은 귀감이 되어주었습니다.  8. 연구 활동하시면서 평소 느끼신 점 또는 자부심, 보람 - 연구 활동을 하면 할수록 다양한 분야에서 열심히 연구하고 있는 사람이 많다는 것을 느낍니다. 누군가가 잠든 시간에도 잠을 줄여가며 새로운 것을 찾아내는 수많은 연구자들 때문에 우리가 더 윤택한 삶을 살게 되고 있다는 것을 알게 되고, 제 연구도 아주 조금일지라도 사람들에게 도움이 되는 연구가 되길 바라고 있습니다. - 연구 활동 중 가장 보람이 있을 때에는 제 연구를 보고 찾아주는 사람들이 있을 때입니다. 논문을 쓰고 게재 승낙이 되어 출판되면 당연히 기쁘지만, 아무도 읽어주지 않으면 소용이 없다고 생각합니다. 그런데 제 연구를 보고 여러 연구자들이 문의나 과제 제안 등의 도움을 요청할 때에는 연구를 인정받는다는 느낌이 들어 보람을 느낍니다. 9. 이 분야로 진학(사업) 하려는 후배들에게 조언해 주신다면 - 아직도 배울 것이 많고, 제가 살아온 길이 정답이 아니기에 조언이 조심스럽지만, 재미있는 분야를 선택하시기 바랍니다. 살아오면서 선택의 길이 참 많았지만, 재미있다고 생각하는 길들을 선택하다 보니 여기까지 오게 되었습니다. 학과를 고민할 때에도, 대학원 연구실을 고민할 때에도, 직장을 고민할 때에도 좋아하고 재미있는 일들이 무엇인지를 생각하며 선택해왔습니다. 유망한 길도 좋고, 화려한 분야도 좋지만, 무엇보다 본인이 재미있고 좋아하는 일을 선택한다면 꾸준히 오랫동안 즐겁게 해낼 수 있을 것입니다. - 그리고 혹시 아직 재미있는 분야를 못 찾았다면 제가 연구하고 있는 신뢰성 분야도 참 재미있는 분야이니 고민해 보시기를 바랍니다. 신뢰성 평가는 앞으로도 제품이 개발되는 한 계속 연구될 분야입니다. 제품의 수명 평가 없이는 개발이 완성될 수 없기 때문입니다. 그리고 인공지능과 융합으로 최근 PHM 분야의 연구도 계속 활발하게 이루어지고 있습니다. 앞으로 계속될 분야에 가장 각광받는 인공지능 기술을 함께 배울 수 있는 분야이기 때문에 적극 추천하며, 혹시 이 분야로 진학하기로 마음먹었다면 환영합니다. 궁금한 점이 있다면 언제든지 연락 주기를 바랍니다. 10. 다른 하시고 싶은 이야기들. - 저의 인터뷰를 관심 가져주시고 읽어주신 모든 분들께 감사의 말씀을 드립니다. 또한 저에 대해 소개할 수 있는 기회를 주신 MERRIC 관계자분들께 진심으로 감사드립니다. 오늘도 평안한 하루가 되시길 바라겠습니다. * 장동원 교수의 최근(대표) 논문 - DW Jang, S Lee, JW Park, DC Baek*, “Failure detection technique under random fatigue loading by machine learning and dual sensing on symmetric structure”, International Journal of Fatigue, Vol. 114, pp. 57-64, 2018. - DW Jang, JH Lee, A Kim, SB Lee*, SG Hong*, “Self-heating-induced deterioration of electromechanical performance in polymer-supported metal films for flexible electronics”, Scientific reports, Vol. 7 (1), pp 1-10, 2017 - DW Jang, JS Kang, JY Lim, “A feasible strain-history extraction method using machine learning for the durability evaluation of automotive parts”, Journal of Mechanical Science and Technology, Vol. 35 (11), pp 5117-5125, 2021 - YS Lee, DW Jang*, “Optimization of Neural Network-Based Self-Tuning PID Controllers for Second Order Mechanical Systems”, Applied Sciences, Vol. 11 (17), page 8002, 2021 - YS Lee, S Kim, DW Jang*, SB Lee*, “Mechanism of crack initiation and propagation in high-alloy steel slabs during the cooling and scarfing processes after the continuous casting process”, Mechanics of Materials, Vol.166, page 104240, 2022 |
- Reliability
- Prognostics and Health monitoring (PHM)
- Machine learning
- Artificial intelligence
- Solid mechanics
전체댓글 0
모바일