발전기금
-
- [연구] 김유성 교수팀-SK인천석유화학, 정유공장에 AI 자동제어 기술 세계 최초 적용 NEW
- 김유성 교수팀-SK인천석유화학, 정유공장에 AI 자동제어 기술 세계 최초 적용 - Air Fan Cooler Louver 자동제어로 압력 정밀도 12.8% 향상 ▲왼쪽부터 김유성 교수(교신저자), 서동찬 AI Expert (삼성디스플레이), 김동일 PM(SK이노베이션), 손효은 계장(SK인천석유화학) 우리 대학은 25일 소프트웨어학과 김유성 교수 연구팀이 실제 정유공정에 강화학습(Reinforcement Learning) 기술을 성공적으로 적용한 ‘강화학습 기반 압력 제어 시스템(RLPCS, Reinforcement Learning-based Pressure Control System)’을 개발하고, 세계 최초로 상용화에 성공했다고 밝혔다. 본 연구는 인공지능(AI) 기반 자동제어 기술의 산업 현장 실증 적용이라는 점에서 혁신적인 성과로 평가받으며, 세계적으로 권위 있는 학술지 『Engineering Applications of Artificial Intelligence』에 2025년 5월 26일자로 게재되었다. 이번 연구는 김유성 교수와 서동찬 AI Expert(현 삼성디스플레이), 김동일 PM(SK이노베이션), 손효은 계장(SK인천석유화학) 의 협업으로 수행되었으며, SK인천석유화학이 수년간 축적한 공정 데이터와 현장 노하우, 그리고 AI 기술 내재화에 대한 강한 의지를 바탕으로, 다양한 오픈소스 강화학습 알고리즘과 석유화학 산업에 최적화된 딥러닝 제어 기법을 지속적으로 적용·검증해온 결과이다. 2021년부터 부트 워터 레벨, 2022년 Lt.Naph RVP, 2023년 상압증류탑 압력 등 다양한 공정에 AI 제어를 단계적으로 적용하며, 알고리즘의 성능과 안정성을 검증해왔다. 연구팀은 하루 20만 배럴의 원유를 처리하는 중대형급(상위권) 상압증류탑(#2 CDU)에서 공기 조절장치(Air Fan Cooler Louver) 제어를 강화학습 기반 압력 제어 시스템(RLPCS)을 통해 자동화하였다. 기존에는 운전원이 수동으로 조작하던 루버(Louver)를 AI 기반 실시간 제어함으로써, 압력 제어의 정밀도를 향상시키고 공정의 변동성은 물론 운전자의 업무 부담까지 효과적으로 줄이는 데 성공했다. 연구팀은 이러한 문제를 해결하기 위해 수년간 축적된 운전 로그 데이터를 기반으로 강화학습 모델을 개발하였다. 도메인 전문가들과 협력해 마르코 프 결정과정(MDP:Markov Decision Process)*을 정교하게 설계한 뒤, 실제 시스템에 영향을 주지 않는 안전한 방식으로 오프라인 강화학습을 수행하 였다. 이후 학습된 모델은 SK인천석유화학 정유공장의 하루 200,000배럴 규모 상압증 류탑(CDU) 제어 시스템에 통합되었으며, 환경 변화에 능동적으로 적응할 수 있도록 온라인 학습 기법 또한 적용되었다. * 마르코프 결정과정(MDP:Markov Decision Process): 강화학습을 위한 수학적 모델로, AI 에이전트가 환경 속에서 최적의 의사결정을 내리도록 돕는 체계 ▲ 정유 공정 압력 제어에 필요한 상압증류탑 공기 조절장치(Air Fan Cooler Louver) 자동화를 위한 오프라인 강화학습과 기존 관리 시스템으로 통합 및 온라인 적응 학습 개략도 약 1년간의 실제 산업 환경 운용 결과, 공기 조절장치(Air Fan Cooler Louver)의 자동 제어를 통해 압력 오차를 12.8% 줄이는 데 성공했으며, 원유 성상 변화나 제품 규격(Specification) 변화에 따른 공정 변동성도 효과적으로 제어할 수 있음을 입증했다. 이는 실제 산업현장에서 강화학습 기술이 숙련된 운전원의 반복적이고 노동 집약적인 작업을 보조해 정유공정의 안정성과 효율성을 동시에 향상시킬 수 있음을 실증한 세계 최초의 사례로 평가된다. 김유성 교수는 “이번 연구는 이론적 강화학습 알고리즘을 실제 산업 제어 시스템에 통합하고, 이를 실시간으로 운영하며 지속적인 성능 향상을 달성 했다는 점에서 큰 의미가 있다”며, “압력 제어를 시작으로 향후 온도 제 어, 유량 제어 등 다양한 공정 제어로 확장해 나갈 수 있을 것”이라고 밝 혔다. 또한 “AI 기술과 산업 자동화의 융합을 통해 스마트 팩토리 구현의 핵심 기반을 제시할 수 있을 것”이라고 강조했다. SK인천석유화학 관계자 역시 “AI 기술 내재화와 스마트 플랜트 구현을 위한 지속적인 데이터 분석과 현장 적용 노력이 이번 혁신의 밑바탕이 되었다”고 강조했다. ※ 논문명: Implementation of reinforcement learning for enhanced pressure control in a 190,000-barrel crude distillation unit: The first full-scale commercial deployment ※ 학술지: Engineering Applications of Artificial Intelligence ※ 논문링크: https://doi.org/10.1016/j.engappai.2025.110907
-
- 작성일 2025-06-25
- 조회수 24
-
-
-
- [학생실적] 성균관대 WEM 학회, 다문화 청소년 대상 메타버스 창작·캠퍼스 체험 프로그램 운영 NEW
- 다문화 청소년들이 AI와 메타버스 속에서 자신만의 세상을 직접 만들고, 성균관대학교 캠퍼스를 체험하는 특별한 시간이 마련된다. 성균관대학교 WEM 학회는 초등학교 5학년부터 중학교 2학년까지의 다문화 청소년을 대상으로, **‘AI와 가상공간을 통한 창작 프로그램’**을 진행한다. 이번 프로그램은 단순한 체험을 넘어, 참가 청소년들이 직접 아바타를 만들고, 가상 공간을 설계하며, 영상 편집까지 해보는 실습 중심의 과정으로 구성됐다. 무엇보다도 이 프로그램의 큰 매력은 성균관대 재학생 멘토들과 함께 한다는 점이다. 멘토들은 참가자들에게 AI와 메타버스 기술을 알기 쉽게 설명해주는 것은 물론, 직업 세계와 진로 탐색에 대한 조언도 함께 나누며 청소년들의 꿈을 응원할 예정이다. 참가자들은 성균관대 캠퍼스를 직접 방문해 대학 생활의 분위기와 진로에 대한 실질적인 정보도 얻을 수 있다. 주요 활동은 ▲내 아바타와 가상 아지트 만들기 ▲AI·메타버스 콘텐츠 제작 체험 ▲영상 편집을 통한 결과물 완성 ▲성균관대 캠퍼스 투어 및 멘토링 시간으로 이루어지며, 창의력과 자기표현 능력을 키울 수 있는 기회가 될 것으로 기대된다. 이번 프로그램은 서울시 종로구 건강가정·다문화가족지원센터가 주관하며, 참여 신청은 센터 홈페이지를 통해 가능하다. 참가자 본인 명의로 회원가입 후 신청하면 되며, 만 14세 미만은 보호자 동의하에 어린이 회원으로 신청할 수 있다. 정원 외 연령 참가자는 대기자로 접수된다. 성균관대 WEM 학회 관계자는 “미래 사회를 이끌어갈 청소년들에게 AI와 메타버스라는 기술을 쉽고 재미있게 전달하고 싶다”며 “참가자들이 이번 경험을 통해 진로에 대한 새로운 시각을 얻고, 창의적인 자신만의 결과물을 남기길 기대한다”고 전했다. 출처 : IPN뉴스 / 김수미 기동취재부 기자
-
- 작성일 2025-06-16
- 조회수 219
-
-
-
-
-
-
- [연구] [이지형 교수] 정보 및 시스템 연구실, ACL 2025 논문 1편 게재 승인
- 정보 및 지능 시스템 연구실(지도교수:이지형)의 논문 1편이 자연어처리 분야의 최우수 국제학술대회인 ACL 2025 (“The 63rd Annual Meeting of the Association for Computational Linguistics”)에 게재 승인되었습니다. 논문은 7월 오스트리아 빈에서 발표될 예정입니다. 제목 : “DCG-SQL: Enhancing In-Context Learning for Text-to-SQL with Deep Contextual Schema Link Graph” 저자: 이지형*(인공지능학과 석사과정), 이진섭*(인공지능학과 석박통합과정), 이재훈(인공지능학과 석사과정), 최윤석 (성균관대 컴퓨터교육학과 조교수/소프트웨어학과 박사졸업) (*공동 1저자) “DCG-SQL: Enhancing In-Context Learning for Text-to-SQL with Deep Contextual Schema Link Graph” 논문에서는 자연어 문장을 SQL 쿼리로 변환하는 Text-to-SQL 태스크에서 효과적인 In-context Learning을 위한 예제 선택 기법을 제안합니다. In-context Learning은 소수의 예제를 활용하여 모델이 문제를 해결하도록 유도하는 방식이지만, 기존의 예제 선택 방법은 무작위 선택과 비교해 성능 차이가 크지 않으며, 특히 Llama 3.1-8B와 같은 소형 언어 모델에서는 성능이 크게 저하되는 한계를 보입니다. 이는 기존 방식들이 In-context Learning을 효과적으로 활용했다기보다는, 모델 자체의 내재적 능력에 의존해 성능을 얻었음을 시사합니다. 이러한 문제를 해결하기 위해, 본 연구는 질문과 데이터베이스 스키마 간의 핵심 정보와 문맥적 관계를 반영한 문맥 기반 스키마 연결 그래프를 활용하여, In-context Learning에 보다 적합한 예제를 선별하는 방법을 제안합니다. 다양한 Text-to-SQL 벤치마크 데이터셋에 대한 실험을 통해 초거대 언어 모델뿐만 아니라 소형 모델에서도 SQL 생성 성능을 향상시켜, 모델 규모에 관계없이 일관된 성능 개선과 실용적인 효과를 확인할 수 있었습니다. Abstract: Text-to-SQL, which translates a natural language question into an SQL query, has advanced with in-context learning of Large Language Models (LLMs). However, existing methods show little improvement in performance compared to randomly chosen demonstrations, and significant performance drops when smaller LLMs (e.g., Llama 3.1-8B) are used. This indicates that these methods heavily rely on the intrinsic capabilities of hyper-scaled LLMs, rather than effectively retrieving useful demonstrations. In this paper, we propose a novel approach for effectively retrieving demonstrations and generating SQL queries. We construct a Deep Contextual Schema Link Graph, which contains key information and semantic relationship between a question and its database schema items. This graph-based structure enables effective representation of Text-to-SQL samples and retrieval of useful demonstrations for in-context learning. Experimental results on the Spider benchmark demonstrate the effectiveness of our approach, showing consistent improvements in SQL generation performance and efficiency across both hyper-scaled LLMs and small LLMs.
-
- 작성일 2025-05-21
- 조회수 1075