Earticle

4차 산업혁명 시대 핵심이 되는 제조 및 서비스를 포함한 다양한 분야에서 실세계의 물리적인 환경과 상호작용 가능 한 디지털 프로필을 기반으로 어떤 장비나 생산라인 등의 미래 상태를 예측하고 관리할 수 있도록 하는 디지털 트윈 기술이 주목을 받고 있다. 이에 따라 본 논문에서는 건설기계분야 디지털 트윈 모델을 제시하고, 디지털 트윈 기반 건설기계 자동화 플랫폼에 필요한 데이터 인터페이스 및 실시간 장비 및 부품 이상 유무 예측 시스템을 설계 하였 다. 지능형 차량관리서비스 플랫폼의 일부로서, 제안 시스템은 데이터 생성부터 예측 단계까지 크게 5개 모듈로 구 성하였으며, 분석된 결과로 건설기계의 실시간 이상 유무 판단 가능성을 확인할 수 있었다.

Various fields including manufacturing and services of emerging industry 4.0 era, digital twin technology that can manage and predict the future states of equipments or product lines by interacting with physical environments of real worlds is drawing attention. In this paper, we propose the digital twin data interface model and the method for the real-time fault prediction of construction equipments driven by digital twin. As a part of automotive intelligence service platform, our designed subsystem composed of five modules from data generation to rule-based prediction module, and we confirmed the proper operation of our data interface and real-time fault prediction system.

중국 우한발 코로나 19 바이러스로 인하여 세계 경제가 침체하여, 미국연방준비제도를 비롯한 대부분 국가에서 는 통화량을 늘려 경기를 부양하는 정책을 내놓았다. 주식 투자자들 대부분은 기업에 대한 재무제표 분석이 없이 유명 유튜버의 추천종목이나 지인의 말만 듣고 투자하는 경향이 있어서 주식투자의 손실 가능성이 크다. 따라서, 본 연구에 서는 기존 자동매매 조건에서 발전된 인공지능 딥러닝 기법을 이용하여 주가에 영향을 미치는 거시지표를 분석하고 예측하여 주가에 미치는 상관관계를 통한 개별주가예측에 가중치를 부여하고 주가를 예측한다. 또한, 주가는 실시간 증시뉴스에 민감하게 반응하기 때문에 증시뉴스 텍스트 마이닝을 통하여 인공지능으로 예측된 주가에 가중치를 반영하 여 더 정확한 주가 예측을 하여 주식 투자자에게 매매의 판단 근거를 제공하여 건전한 주식투자가 되도록 이바지하였다.

As the global economy stagnated due to the Corona 19 virus from Wuhan, China, most countries, including the US Federal Reserve System, introduced policies to boost the economy by increasing the amount of money. Most of the stock investors tend to invest only by listening to the recommendations of famous YouTubers or acquaintances without analyzing the financial statements of the company, so there is a high possibility of the loss of stock investments. Therefore, in this research, I have used artificial intelligence deep learning techniques developed under the existing automatic trading conditions to analyze and predict macro-indicators that affect stock prices, giving weights on individual stock price predictions through correlations that affect stock prices. In addition, since stock prices react sensitively to real-time stock market news, a more accurate stock price prediction is made by reflecting the weight to the stock price predicted by artificial intelligence through stock market news text mining, providing stock investors with the basis for deciding to make a proper stock investment.

본 연구는 PC 구조물용 철선을 생산하는 3단 신선 공정을 대상으로, 품질 불량을 조기에 예측 하기 위한 멀티모달 AI 기반 실시간 품질 예측 시스템을 제안한다. 다이스 마모, 원재료 물성 편차, RPM 변동, 윤활·발열 조건 등 품질 영향 요인을 체계적으로 분석하고, 이를 반영하도록 컴퓨터 비전, 레 이저 직경 측정기, 공정 파라미터, 원재료 물성 데이터를 통합한 CNN-LSTM 하이브리드 딥러닝 모 델을 설계하였다. 총 1,247개 로트에 대해 시간 기반 rolling-window validation과 lot-level bootstrap 신뢰구간 평가를 수행한 결과, F1-Score 0.855±0.012, AUROC 0.971±0.008, Recall 0.917±0.015 를 보였으며, 추론 지연시간 28.3ms로 현장 실시간 운영 요건을 충족하였다. Ablation study를 통해 멀티모달 융합이 단일 모달리티 대비 F1-Score를 최대 25.4% 향상시킴을 확인하였고, SHAP 분석을 통해 2차 다이스 구간이 품질에 가장 결정적인 영향을 미치는 관리 포인트임을 도출하였다. 다만 단 일 기업·단일 라인 데이터 및 제한된 불량 표본 등의 한계가 있으나, 데이터 인프라가 취약한 중소 철 선 제조기업 환경에서 멀티모달 품질 예측 체계를 설계·구축·운영한 실증 사례로서 의의를 갖는다.

This study proposes a multimodal AI-based real-time quality prediction system for a three-stage wire drawing process producing steel wire for precast concrete structures. Qualityinfluencing factors including die wear, raw-material variation, RPM fluctuation, and lubrication conditions were analyzed, and computer vision, laser diameter gauges, process parameters, and raw-material properties were integrated using a CNN-LSTM architecture. The model was evaluated on 1,247 production lots through rolling-window validation and lot-level bootstrap confidence intervals, achieving F1 0.855±0.012, AUROC 0.971±0.008, and Recall 0.917±0.015 with 28.3 ms inference latency, meeting real-time requirements. Ablation analysis confirmed that multimodal fusion improved F1 by up to 25.4% over single-modality baselines, and SHAP analysis identified the second-stage die as the most critical control point. Limitations include a single-company dataset, limited defective samples, and absence of same-input Transformer comparisons. Nevertheless, this study demonstrates the practical feasibility of designing and operating a multimodal quality prediction system in a resource-constrained SME manufacturing environment.

당뇨병은 전 세계적으로 빠르게 증가하는 만성 질환으로 조기 진단과 예방이 중요하다. 본 연구는 웨어러블 기기에서 수집한 심박수, 피부 온도, 활동량 등의 생체 신호를 활용하여 실시간으로 당뇨병 고위험군을 예측하는 시스템을 개발하는 데 목적이 있다. MQTT와 Apache Kafka 기반으로 한 이중 스트리밍 아키텍처를 통해 안정적 이고 실시간 데이터 처리를 구현하였으며, LSTM 모델을 ONNX 형식으로 경량화하여 모바일 환경에서 실시간 추론이 가능하도록 하였다. 5만 건 이상의 시계열 데이터를 대상으로 검증한 결과, 91.2%의 정확도와 0.936의 AUC를 달성하였다. 본 연구는 개인 맞춤형 건강 관리 및 당뇨병 조기 예측에 실용적인 기반을 마련한다.

Diabetes is a rapidly growing chronic disease worldwide, highlighting the importance of early diagnosis and prevention. This study develops a real-time diabetes risk prediction system using physiological signals—heart rate, skin temperature, and activity—collected via wearable devices. A dual-streaming architecture based on MQTT and Apache Kafka ensures reliable and real-time data processing. We employed a Long Short-Term Memory (LSTM) model optimized with ONNX for lightweight inference on mobile platforms. Validation on over 50,000 time-series sequences demonstrated an accuracy of 91.2% and an AUC of 0.936. The proposed system offers a practical framework for personalized health management and timely diabetes risk detection.

나이가 들수록 관절통, 뇌졸중, 시력 장애(노안)와 같은 다양한 건강 문제가 발생하며, 이는 보행 속도의 저하와 사고 위험 증가로 이어진다. 특히 교차로와 같은 복잡한 도로 환경에서 보행자는 사고에 노출될 위험이 커진다. 이에 본 연구는 CCTV 영상을 활용하여 보행자의 이 동 속도를 실시간으로 계산하고, 예상 도달 시간을 예측하는 시스템을 개발하였다. AI-Hub에 서 수집한 데이터를 바탕으로 You Only Look Once 모델 8버전(YOLOv8)으로 학습하고, 시스템 성능을 평가하였다. 제안된 시스템은 보행자의 이동 상태를 실시간으로 파악하며, 교차로와 같 은 복잡한 교통 환경에서 보행자의 속도와 예상 도달 시간을 예측한다. 제안 시스템을 통해 노약자 및 보행 장애인의 안전을 증진하고 교차로 안전성 향상에 기여할 수 있으며, 실시간 보행자 속도 계산과 예상 도달 시간 예측 기반으로 기존 교차로에서의 보행자 안전을 평가하 고 교통안전 시스템 개선을 위한 유용한 도구로 활용될 수 있다. 향후 시스템의 정확도 향상을 위해 다양한 환경에서 데이터 수집 및 모델 개선이 필요한 후속 연구가 요구된다.

As people age, they experience various health problems such as joint pain, stroke, and vision impairment (presbyopia), which leads to a decrease in walking speed and an increased risk of accidents. Especially in complex road environments such as intersections, pedestrians are at increased risk of accidents. In this study, we developed a system that uses CCTV images to calculate the speed of pedestrians in real time and predict their expected arrival time. Based on the data collected from AI-Hub, the You Only Look Once (YOLO) version 8 (YOLOv8) model was trained, and the system's performance was evaluated. The proposed system identifies pedestrian movement status in real-time and predicts pedestrian speed and Estimated Time of Arrival Time (ETA) in complex traffic environments such as intersections. The proposed system can promote the safety of elderly and walking disabled people and contribute to the improvement of intersection safety, and can be used as a useful tool for evaluating pedestrian safety at existing intersections and improving traffic safety systems based on real-time pedestrian speed calculation and ETA prediction. Further research is needed to collect data and improve the model in various environments to improve the accuracy of the system in the future.

지난 10년간 우리나라에서 발생한 화재 사건 중 건물 화재가 가장 많고 재산과 인명 피해가 가장 많다. 하지 만 기존 소방 시스템은 비상구 위치만 알려주고 안전한 경로를 안내해 사상자들이 원활하게 대피할 수 있도록 도와 주지는 않는다. 공간적 특성을 이용하여 수직적 특성과 수평적 특성을 구분하여 성공적인 대피를 돕는 시스템을 제안 하였다. 본 연구에서는 온도 감지 센서와 연기 센서 값을 이용하여 화재를 예측하고, Dijkstra 알고리즘을 통해 최적 의 대피 경로를 계산하여 효과적인 대피 시스템을 제안하였다.

Among the fire incidents in Korea over the past decade, building fires are the most common, and property and human casualties are the most common. However, the existing fire fighting system does not only inform the location of emergency exits and guide safe routes to help casualties evacuate smoothly. A system was proposed to help successful evacuation by distinguishing vertical and horizontal characteristics using spatial characteristics. In this study, an effective evacuation system was proposed by predicting fires using temperature detection sensors and smoke sensor values, and calculating the optimal evacuation path through the Dijkstra algorithm.

Wind power prediction information is necessary for electric power system operation and electricity power market which is allowed to participate the wind power. In this study, a real-time wind power prediction system is designed for the real application for the electric power system of Smart-Grid Test Bed in Jeju island, South Korea. This study is on the first system for practicable application of wind power to the electric power system operation in South Korea. This is composed of the meteorological forecasting module, calculation module of wind power output and HMI visualization system. The final output data from this system is short-term (6hr ahead) and mid-term (48hr ahead) wind power prediction values. These values are produced by using physical and statistical model. The purpose of this study is to further improve the accuracy of this prediction system and to develop practical system for power system operation and energy market in Smart-Grid.

In this research, we implement Realtime Air Diffusion Prediction System which is a parallel Fortran model running on distributed-memory parallel computers. The system is designed for air diffusion simulations with four-dimensional data assimilation. For regional air quality forecasting a series of dynamic downscaling technique is adopted using the NCAR/Penn. State MM5 model which is an atmospheric model. The realtime initial data have been provided daily from the KMA (Korean Meteorological Administration) global spectral model output. It takes huge resources of computation to get 24 hour air quality forecast with this four step dynamic downscaling (27km, 9km, 3km, and lkm). Parallel implementation of the realtime system is imperative to achieve increased throughput since the realtime system have to be performed which correct timing behavior and the sequential code requires a large amount of CPU time for typical simulations. The parallel system uses MPI (Message Passing Interface), a standard library to support high-level routines for message passing. We validate the parallel model by comparing it with the sequential model. For realtime running, we implement a cluster computer which is a distributed-memory parallel computer that links high-performance PCs with high-speed interconnection networks. We use 32 2-CPU nodes and a Myrinet network for the cluster. Since cluster computers more cost effective than conventional distributed parallel computers, we can build a dedicated realtime computer. The system also includes web based Gill (Graphic User Interface) for convenient system management and performance monitoring so that end-users can restart the system easily when the system faults. Performance of the parallel model is analyzed by comparing its execution time with the sequential model, and by calculating communication overhead and load imbalance, which are common problems in parallel processing. Performance analysis is carried out on our cluster which has 32 2-CPU nodes.

A real-time unmeasured dynamic response prediction process for the nuclear power plant pressure pipeline is proposed and its performance is tested in the test-loop system (KAERI). The aim of the process is to predict unmeasurable or unreachable dynamic responses such as acceleration, velocity, and displacement by using a limited amount of directly measured physical responses. It is achieved by combining a well-constructed finite element model and robust inverse force identification algorithm. The pressure pipeline system is described by using the displacement-pressure vibro-acoustic formulation to consider fully filled liquid effect inside the pipeline structure. A robust multiphysics modal projection technique is employed for the real-time sensor synchronized prediction. The inverse force identification method is also derived and employed by using Bathe's time integration method to identify the full-field responses of the target system from the modal domain computation. To validate the performance of the proposed process, an experimental test is extensively performed on the nuclear power plant pressure pipeline test-loop under operation conditions. The results show that the proposed identification process could well estimate the unmeasured acceleration in both frequency and time domain faster than 32,768 samples per sec.

This study presents the performance analysis of real-time orbit determination and prediction for navigation message generation of Regional Navigation Satellite System (RNSS). Since the accuracy of ephemeris and clock correction in navigation message affects the positioning accuracy of the user, it is essential to construct a ground segment that can generate this information precisely when designing a new navigation satellite system. Based on a real-time architecture by an extended Kalman filter, we simulated orbit determination and prediction of RNSS satellites in order to assess the accuracy of orbit and clock prediction and signal-in-space ranging errors (SISRE). As a result of the simulation, the orbit and clock accuracy was at 0.5 m and 2 m levels for 24 hour determination and six hour prediction after the determination, respectively. From the prediction result, we verified that the SISRE of RNSS for six hour prediction was at a 1 m level.

Novel nuclear reactor designs, such as Small Modular Reactors and Microreactors, require advanced safety assessment methods to analyze potential threats and hazards, and evaluate the efficacy of the safety systems introduced to cope with them. Then, safety assessment frameworks, embedding simulation models, software tools and artificial intelligence algorithms are envisioned to be integrated in operation for autonomous and semi-autonomous activities, ensuring plant reliability and availability while reducing operational and maintenance costs at the same time. For this, Condition-Based Probabilistic Safety Assessment (CB-PSA) must be enabled to provide real-time estimation of the system health state for up-to-date risk evaluation and operation situational awareness. In this paper, we propose a framework of integration consisting of: i) a Neural Network (NN) surrogate model-based Bayesian filter for real-time state estimation during operation using monitoring data; and ii) a NN model for real-time prediction of safety-related parameters. The effectiveness of the proposed framework is demonstrated through its application to a synthetic case study and to a Nuclear Battery design, with reference to a loss of heat sink (LOHS) accident.

이상 기후로 인한 자연 재해는 지속적으로 증가하고 있으며, 자연재해 중 가장 많은 피해를 입히는 유형은 폭우, 태풍 등으로 인한 수해 피해로 이러한 재해는 홍수를 동반하여 더욱 큰 피해를 입히기도 한다. 따라서, 홍수 피해를 줄이기 위해 본 논문에서는 LSTM과 GRU를 활용하여 실시간으로 홍수의 주요 파라미터인 수위를 실시간으로 예측할 수 있는 시스템을 제안한다. 홍수 예측을 위해 사용된 입력 데이터는 하천의 상류 및 하류 수위, 기온, 습도, 강수량이 사용되며, 사전에 학습된 LSTM-GRU 모델을 통해 실시간 예측을 진행한다. 입력 데이터는 과거 20시간의 데이터를 활용하여 향후 3시간의 수위를 예측한다. 본 논문에서 제안한 시스템을 통해 위험도 판별 기능을 추가하고 홍수에 노출된 사람들에게 대피 명령을 내릴 수 있다면 홍수로 인한 많은 피해를 줄일 수 있을 것으로 사료된다.

Natural disasters caused by abnormal climates are continuously increasing, and the types of natural disasters that cause the most damage are flood damage caused by heavy rains and typhoons. Therefore, in order to reduce flood damage, this paper proposes a system that can predict the water level, a major parameter of flood, in real time using LSTM and GRU. The input data used for flood prediction are upstream and downstream water levels, temperature, humidity, and precipitation, and real-time prediction is performed through the pre-trained LSTM-GRU model. The input data uses data from the past 20 hours to predict the water level for the next 3 hours. Through the system proposed in this paper, if the risk determination function can be added and an evacuation order can be issued to the people exposed to the flood, it is thought that a lot of damage caused by the flood can be reduced.

본 연구에서는 기상청에서 제공하는 인공위성 관측자료와 레이더 자료를 합성하여 예측된 선행시간 2시간의 강수량 예측자료를 이용하여 도시유역의 침수 발생 여부를 확인할 수 있는 시스템을 개발하였다. 대상유역은 부산광역시에 위치하고 있는 유역면적 $54km^2$의 온천천유역으로, $10m{\times}10m$의 해상도로 지표면의 침수예측을 수행한다. 침수예측에 이용되는 모델은 지표면과 하수관망 사이의 상호작용을 효과적으로 고려할 수 있도록 지표면 2차원, 하수관망 1차원 모델을 연계하였으며, 침수예측에 소요되는 시간을 최소화하기 위하여 OpenMP기반의 병렬해석 기법을 적용하였다. 또한 초기조건에 의한 오차를 줄이기 위하여 하천수위 관측소에 관측된 수위자료를 예측모델의 초기조건으로 입력할 수 있도록 시스템을 구성하였으며 유역 하류단에서 경계조건으로 활용되는 예측수위자료는 시계열자료의 예측에 뛰어난 성능을 보여주는 것으로 알려진 LongShort-term Memory(LSTM) 기법을 적용하여 이용하였다. 본 연구에서 개발된 실시간 도시침수 예측 시스템은 집중호우 발생시 침수 발생 위치를 사전에 빠르게 예측하여 도시유역의 인적 물적 자원의 피해를 저감하는데 적극적으로 활용될 수 있을 것으로 기대된다.

본 연구가 기존 연구와 구별되는 점은 다음과 같다. 첫째, IoT 기술을 활용하여 클라우드 기반으로 시스템을 구축함으로써 인터넷 연결이 되는 어느 곳에서나 건축물의 상태를 실시간으로 모니터링 할 수 있도록 시스템을 구축했다는 것이다. 둘째, 계측된 시계열 센서 데이터를 인공지능(LSTM)과 통계적(ARIMA) 방법을 이용하여 미래를 예측하는 모델을 개발하고 제안한 예측 모델의 실효성을 건축물 축소모형을 이용하여 실험적으로 검증하였다. 셋째, 또한 다수의 센서 데이터를 융합하여 건축물의 구조적 변형을 시각화함으로써 보다 입체적으로 건축물을 상태를 분석하는 방법에 대해 제안하고 실제 지진피해 건축물 사례를 통해 제안한 방법의 효용성을 입증하였다.

The differences between this study and previous studies are as follows. First, by building a cloud-based system using IoT technology, the system was built to monitor the status of buildings in real time from anywhere with an internet connection. Second, a model for predicting the future was developed using artificial intelligence (LSTM) and statistical (ARIMA) methods for the measured time series sensor data, and the effectiveness of the proposed prediction model was experimentally verified using a scaled-down building model. Third, a method to analyze the condition of a building more three-dimensionally by visualizing the structural deformation of a building by convergence of multiple sensor data was proposed, and the effectiveness of the proposed method was demonstrated through the case of an actual earthquake-damaged building.

본 논문에서는 Digital Twin 기반 건설기계 지능화를 위한 실시간 건설기계 데이터 처리 및 이상 유무 예측 시스템을 제안한다. 이 시스템은 빅 데이터 분산처리 기반으로 실시간 스트리밍 처리가 가능하며, CEP(Complex Event Processing)의 Sliding Window Operator를 활용한 Rule 적용을 통해 건설기계 데이터 처리 및 분석한다. 분석된 결과로 건설기계의 실시간 이상 유무를 판단할 수 있으며, 결과를 기반으로 Deep Learning 기술을 적용하고 학습된 모델을 통해 건설기계의 이상 유무를 예측하여 원활한 부품관리를 할 수 있다.

수자원관리에 있어서 미래시구간에 대한 유량예측은 수자원시스템운영자에게 있어서 의사결정에 결정적인 영향을 미치는 가장 중요한 요소 중의 하나이다. 효율적 물배분이나 발전 등의 이수활동을 위해서 최소 월단위 이상의 장기유량예측이 필요하며, 이를 위해서는 강우예측이 선행되어야 하는데, 본 연구에서는 통합 실시간 물관리 운영시스템을 위한 중장기 유량예측을 목표로 방법론을 제시하고자 한다. 중장기 유량예측을 수행하는 대표적인 방법 중의 하나는 앙상블 유량예측(ESP; Ensemble Streamflow Prediction) 기법이다. ESP란 현재의 유역상태를 초기조건으로 사용하고 과거의 온도나 강수 등의 시계열앙상블을 모형입력으로 이용해서 강우-유출모형을 통하여 유출량을 예측하는 기법이다. ESP는 결국 현재의 유역상태와 유역에서의 과거강우관측기록, 미래강우예측에 대한 정보를 조합하여 그에 따른 유출앙상블을 생산해 내게 된다. 유출앙상블은 각 앙상블 트레이스가 갖게 되는 가중치에 따라 확률분포를 달리 갖게 되고 경우에 따라서는 유량으로부터 2차적으로 유도되는 변수들의 확률분포로 전이되기도 한다. 기존의 ESP 이론은 미국 NWS의 범주형 확률예보를 근간으로 하고 있어, 이를 국내 환경에 그대로 적용시키기에 어려움이 있어 왔다. 따라서 본 연구에서는 국내 기상청의 월간 강수전망을 이용하고, 이러한 정보의 특성에 맞는 ESP기법을 제시하였다. 더 나아가 중장기 수자원운영을 위한 일단위 월강수시나리오 구성을 위해서 수치예보와 월강수전망을 조합하여 ESP를 사용하는 기법을 제시하였다.

The uniformity of themperature on a wafer is a wafer is one the most important parameters to conterol the RTF(Rapid Thermal Process) with proper input signals. It is impossible to achieve the uniformity of temperature without the exact estimation of temperature ar all points on the wafer. There fore, it is difficult to understand the internal dynamics as well as the structural complexities of the RTP, which is aprimary obstacle to measure the distributed temperatures on the wafer accurately. Furthermore, it is also hard to accomplish desirable estimation because only a few pyrometers are available in the general equipments. In the paper, a thermal model based on the chamber grometry of the AST SHS200 RTP system is developed to effectively control the thermal uniformity on the wafer. First of all, the estimation method of one-point measurement is developed, which is properly extended to the case of multi-point measurements. This thermal model is validated through simulation and experiments. The proposed work can be utilized to building a run-by -run or a real-time control of the RTP.