Earticle

제조업의 생산 방법은 노동집약적인 방법에서 제조설비 중심의 기술집약적인 방법으로 변경되어가고 있다. 사람 의 노동력을 제조설비가 대체하게 되면서 제조설비의 모니터링과 관리의 중요성이 강조되고 있다. 또한, 최근 빅데이터 기술은 한정된 데이터에서 새로운 가치를 찾아내는 중요한 기술로 등장하였다. 따라서 제조업의 변화는 기존 제조 공장 에 사물인터넷(IoT), 정보통신기술, 센서 데이터, 빅데이터를 융합한 스마트팩토리의 필요성을 증대시켰다. 본 논문에서 는 제조설비 데이터를 몽고DB에 실시간으로 분산 저장 및 처리하는 기술과 R 프로그래밍을 사용한 시각화를 통해 기존 국내 제조업 공장이 빅데이터 기반의 스마트팩토리가 되기 위한 전략을 제시하고자 한다.

Manufacturing methods have been changed from labor-intensive methods to technological intensive methods centered on manufacturing facilities. As manufacturing facilities replace human labour, the importance of monitoring and managing manufacturing facilities is emphasized. In addition, Big Data technology has recently emerged as an important technology to discover new value from limited data. Therefore, changes in manufacturing industries have increased the need for smart factory that combines IoT, information and communication technologies, sensor data, and big data. In this paper, we present strategies for existing domestic manufacturing factory to becom big data based smart-factory through technologies for distributed storage and processing of manufacturing facility data in MongoDB in real time and visualization using R programming.

한국장학재단에서 학자금 대출제도가 시행되기 전에는 은행 등 금융회사를 통해 학자금 대출제도가 시행되고 있었지만, 한국장학재단 설립된 이후는 재단이 직접 학자금을 대출함으로써 정부의 역할은 강화되었다. 하지만, 학자금 대출의 상환실적이 저조하여 향후 학자금 대출의 상당한 부실과 정부의 재정적 부담이 우려되고 있다. 더구나 학자금 대출은 저소득층 지원을 위하여 대학을 졸업한 이후에도 상환이 이루어지기 때문에 채무자의 향후 취업률과 소득수준이 개선되지 않는 한 학자금 대출의 상환율이 개선될 가능성은 매우 희박하다. 본 논문에서는 빅데이터 기반 시스템에서 수집, 저장, 처리, 분석 단계를 거쳐 학자금 대출의 상환 금액을 최종 시각화 그래프를 표현하였다. 이는 학자금 대출에 대한 금액을 눈으로 확인하여 현재 학자금 대출제도에 대한 부담을 줄일 방안을 다양하게 생각해 낼 수 있는 근거자료가 될 수 있다.

Before the scholarship loan system was implemented at the Korea Scholarship Foundation, the government's role was strengthened by the direct lending of student funds to banks and other financial institutions. However, the low repayment performance of student loans has raised concerns over the future of student loans and the government's financial burden. Moreover, since student loans are repaid even after graduating from college to support low-income families, it is highly unlikely that the repayment rate of student loans will improve unless the employment rate and income level of the borrower improve. In this paper, the final visualization graph is presented of the repayment amount of the student loan through the collection, storage, processing and analysis phase in the Big Data-based system. This could be the basis for visually checking the amount of student loans to come up with various ways to reduce the burden on the current student loan system.

기존의 주조 방식은 긴 제작 시간과 많은 비용이 소모되며, 즉각적인 디자인 수정이 불가능하여 다변화하는 현대 사회에 대응하기 어려웠다. 때문에 주조 산업은 새로운 대안이 필요했으며 그 중 하나가 적층 제조 기술과의 접목이다. 적층제조기술에는 7가지가 있으나 본 논문에서는 PBF를 활용한 중자 제작을 살펴보려고 한다. 현재의 적층 제조 기술 장비들은 대부분 외산 장비들로 기능 활용과 서비스의 제약이 따르고 있어서 장비의 국산화가 필요하였고 장비의 개발과 함께 기술 활용의 내용을 담았다. 각 장에서는 PBF의 장비 개발 단계 및 소재 적용과 변수 설정에 대해서 서술하고 있으 며, 최종적으로 기술을 활용한 산업용 중자 개발의 성공과 특성에 대한 정보를 보여주고 있다.

Traditional casting methods require long production lead time and high cost while not accommodating design changes easily. One of the technological alternatives to improve casting method to meet diversifying needs is Additive Manufacturing (AM). Among the 7 AM techniques, Powder Bed Fusion (PBF) is deemed most appropriate for casting applications. Currently, most AM machines are imported; therefore limiting the scope of available services and applications. This paper explores the domestic development of AM machines as well as the applications in casting. Each chapter describes development phases of PBF machines, applicable materials and parameter settings, while the last chapter illustrates a successful case of additive manufacturing industrial casting cores.

현대 주조산업에서는 적층제조기술과 같은 신기술을 도입하면서 과거에는 불가능했던 일들의 실현가능성을 보여 주고 있다. 이미 해외에서는 적층제조기술을 활용한 중자 생산 및 적용 사례가 심심치 않게 보도되고 있으며, 정부지원 하에 고유 기술들을 개발하고 시장을 확장해 나가고 있다. 반면 국내에서는 고유장비 기술은커녕 적층제조기술의 활용조 차 전무한 실정이다. 이러한 상황에서 적층제조기술의 도입과 국산화는 반드시 필요하다. 본 논문의 각 장에서는 여러 가지 적층제조기술 중 접착제 분사 기술에 관련된 적층제조장비의 개발 과정에서부터 개발 장비를 활용한 산업용 중자 생산의 내용을 다루고 있으며, 실제 주조 산업의 적용 가능성에 대해서 언급하고 있다.

In recent years, new technologies such as additive manufacturing have been applied to casting industry, paving new ways to achieve what have traditionally been impossible. In the global market, numerous successful cases of producing cores using additive manufacturing technology have been reported, and new techniques and markets are being developed under governments’ support. In Korea, however; cases of applying additive manufacturing to casting are hard to come by, not to mention domestic AM machines and related technologies. Under these circumstances, introduction of additive manufacturing technologies and customized application to domestic casting industry are required. Each chapter of this paper explores topics ranging from the development of AM machine using binder jetting technology among various AM techniques through producing industrial cores to the on-site applications in the foundries.

프로토콜 reverse-engineering 기술은 unknown protocol 의 스펙을 추출하기 위해서 보통 표준화된 방법이 없어서 대부분 수동으로 스펙을 분석하거나 반자동 방식으로 이를 분석한다. 만약 unknown protocol의 근간이 되는 프로토콜을 알 수 있다면, 이를 이용하여 스펙을 분석할 수 있으므로 자동화되고 정확한 분석이 가능할 것이다. 학습되지 않은 프로토콜을 분류하기 위해서는 특징추출은 매우 중요한 단계 중의 하나이다. 본 논문은 기존 프로토콜을 변형한 프로토콜에 대해서 높은 성능을 갖는 분류기를 개발하기 위해서 몇 가지 특징 추출 알고리즘을 제안하고, 프로토콜의 형태 변화에 강인한 특징추출 알고리즘을 제안한다. 성능 검증을 위해서 8개 공개 프로토콜을 대상으로 학습을 수행하고 이를 변형한 프로토콜을 대상으로 성능 측정을 진행하였다.

On today, Protocol reverse-engineering technique can be used to extract the specification of an unknown protocol. However, there is no standardized method, and in most cases, the extracting process is executed manually or semi-automatically. If the information about the structure of an unknown protocol could be acquired in advance, it would be easy to conduct reverse engineering. the feature extraction is an important step in unknown protocol classification. However, in this paper, we present a comparison several feature extraction techniques and suggests a method of feature extraction algorithm for recognizing unknown protocol. In order to verify the performance of the proposed system, we performed the training using eight open protocols to evaluate the performance using unknown data.