김관호 교수

반도체 OHT 네트워크와 LCD/OLED 디스플레이 포토 공정 등 제조 현장에서는 셋업 시간, 작업준비비용, 납기지연을 최소화하는 최적 일정계획 수립이 필수적이지만, 기존 휴리스틱 및 시뮬레이션 기반 스케줄링 방식은 일반화와 실시간 대응에 한계가 있습니다. 이를 극복하기 위해 A3C 기반 강화학습 스케줄러 및 디스패처(AI Scheduler, AI Dispatcher, AI Planner)를 개발했으며, 자가학습(Self-growth learning) 기반 병렬설비 스케줄링 모델과 Python-C# 이기종 시스템 통합 기술, DNN 기반 일정계획 생성 모델을 구축했습니다. 해당 기술은 반도체 팹 OHT 정체수준 예측 및 운영, LCD Photo 공정 AI Dispatcher, OLED 디스플레이 제조의 셋업 및 납기 최소화 스케줄링, 도금라인 통합 운영 스케줄링, 병렬 전용설비의 총 지연시간 최소화 문제에 적용되었습니다. 도금라인 병렬설비 배치와 캐리어 운영을 위한 시뮬레이션 및 최적화 모델은 특허로 등록되었으며(동국대학교, 2023), 다수의 산학 과제를 통해 AI 스케줄러 및 AI Planner 고도화 연구를 수행하고 국제 학술지 Sustainability, Applied Soft Computing 등에 논문을 게재했습니다. 본 기술은 실험실 검증을 완료하고 스마트팩토리 현장에 적용 가능한 TRL 5~6 수준에 도달했습니다.

태양광 발전량, 전력 수요, 건물 에너지 소비 등 에너지 관련 데이터의 정확한 예측은 스마트시티 및 전력거래 시장 운영 효율화에 필수적이지만, 미래 기상정보 없이 예측해야 하는 데이터 제약이 존재합니다. 이를 해결하기 위해 RNN/LSTM 기반 태양광 발전량 및 전력수요 예측 모델과 인코더-디코더 RNN 회귀 프레임워크를 개발했으며, 딥강화학습 기반 CHP(복합 열·전력) 스케줄링 기법과 메타-회귀 프레임워크를 구축했습니다. 해당 기술은 캠퍼스 건물 전력소비 예측, 한국 전력거래시장의 가격결정 예정에너지 예측, 피크시간대 태양광 발전량 예측, 지역난방 열생산 계획, 스마트시티(송도) 에너지 소비 예측에 적용되었습니다. 5개 단위 CHP 시스템 모델 평가에서 기존 휴리스틱 방식 대비 운영비용을 4.69%에서 8.35%까지 절감하는 성과를 확인했으며, Energies, Sustainability, IEEE Access 등 다수의 국제 학술지에 연구 결과를 게재했습니다. 본 기술은 실증 데이터 기반 국책과제 수행 이력을 보유한 TRL 4~5 수준입니다.

중소기업 간 사업 협력 파트너 발굴이 어려운 문제를 해결하기 위해, 기업 웹사이트 텍스트 및 거래 네트워크 데이터를 활용한 데이터 기반 매칭 방법론을 연구했습니다. 딥러닝 기반 링크 예측(Link Prediction) 기법과 기업 웹사이트 텍스트마이닝, Word2Vec 기반 의미적 유사도 분석, 거래 네트워크 분석 기법을 결합하여 파트너 매칭 모델을 구축했습니다. 해당 기술은 중소기업 사업공고 분석 및 융합 파트너 매칭 시스템, 공급체인 공급자-구매자 매칭 지역 추천, 기업간 거래 네트워크 기반 도시별 거래 특성 분석, 지속가능한 비즈니스 파트너십 발굴에 적용되었습니다. 기업의 비즈니스 파트너 추천을 위한 인공지능 기반 관계 예측모델 생성 장치가 특허로 등록되었으며(동국대학교, 2023), 대한산업공학회 산업융합 논문 공모전에서 우수상과 장려상을 수상했습니다. 관련 연구는 Expert Systems With Applications, Sustainability 등 국제 학술지에 게재되었으며, 국내 실거래 데이터셋 기반 실증연구를 완료한 TRL 4~5 수준에 도달했습니다.