본 연구는 데이터를 기반으로 한 인공지능 기계학습 기법을 활용하여 온실 내부온도 예측 시뮬레이션 모델을 개발을 수행 하였다. 온실 시스템의 내부온도 예측을 위해서 다양한 방법 이 연구됐지만, 가외 변인으로 인하여 기존 시뮬레이션 분석 방법은 낮은 정밀도의 문제점을 지니고 있다. 이러한 한계점 을 극복하기 위하여 최근 개발되고 있는 데이터 기반의 기계 학습을 활용하여 온실 내부온도 예측 모델 개발을 수행하였 다. 기계학습모델은 데이터 수집, 특성 분석, 학습을 통하여 개 발되며 매개변수와 학습방법에 따라 모델의 정확도가 크게 변 화된다. 따라서 데이터 특성에 따른 최적의 모델 도출방법이 필요하다. 모델 개발 결과 숨은층 증가에 따라 모델 정확도가 상승하였으며 최종적으로 GRU 알고리즘과 숨은층 6에서 r2 0.9848과 RMSE 0.5857℃로 최적 모델이 도출되었다. 본 연 구를 통하여 온실 외부 데이터를 활용하여 온실 내부온도 예 측 모델 개발이 가능함을 검증하였으며, 추후 다양한 온실데이 터에 적용 및 비교분석이 수행되어야 한다. 이후 한 단계 더 나아 가 기계학습모델 예측(predicted) 결과를 예보(forecasting)단 계로 개선하기 위해서 데이터 시간 길이(sequence length)에 따른 특성 분석 및 계절별 기후변화와 작물에 따른 사례별로 개발 모델을 관리하는 등의 다양한 추가 연구가 수행되어야 한다.

The smart factory is an important system that can reduce defects, maximize productivity, and respond to customer needs, from the labor-intensive era of traditional small and medium-sized manufacturing companies through the automation era to CPS using ICT. However, small and medium-sized manufacturers often fall short of the basic stage due to economic and environmental constraints, and there are many companies that do not even recognize the concept of a smart factory. In this situation, to expand the smart factory of small and medium-sized enterprises, the project to support the establishment of a smart factory for the win-win between large and small enterprises. The win-win smart factory construction support project provides a customized differentiation program support project according to the size and level of the company for all domestic manufacturing SMEs regardless of whether or not they are dealing with Samsung. In this study, we analyze the construction status and introduction performance of companies participating in the win-win smart factory support project to find out whether they have been helpful in management and to find efficient ways to improve support policies, and to suggest the direction of continuous support projects to improve the manufacturing competitiveness of SMEs in the future.

This study examines the effects of participation purpose, corporate readiness, and acceptance of changes that may occur in the course of expert guidance on the performance of smart factory. For this study, 129 questionnaires obtained from SMEs participating in the Smart Meister support project were used, and SPSS 18.0 and the AMOS 18.0 program were used for statistical processing for empirical analysis of the hypotheses test. It was found that the company's business participation motivation and readiness status had a significant effect on the acceptance and cooperation of changes that occurred during the consulting process. In addition, the acceptance and cooperation of changes within the company had a significant effect on the satisfaction with the Meister support project and the financial performance. Companies participating in the Meister support project need to clarify their motives for participating in the project and make stable corporate readiness in advance. In addition, based on the CEO’s support, it is necessary to have a motivational program and to build an organizational culture that can actively accept innovation.

목적 : 본 연구는 청소년의 스마트폰 중독 예방을 위한 인지행동 집단치료 프로그램의 효과를 알아보고자 하였다. 연구방법 : 청소년 스마트폰 중독 자가진단 척도(S 척도)에서 잠재적 위험군으로 분류된 중학생을 대상으로 Jo(2019)가 개발한 스마트폰 중독 예방 인지행동 집단프로그램을 실험-통제집단 사전-사후 설계방법 (pretest-posttest control group design)을 적용하여 실시하였다. 프로그램의 참여자는 8명으로 8주간 매주 1회 60분으로 8회기로 구성된 프로그램을 적용하였다. 프로그램의 효과를 알아보기 위하여 스마트폰 중독 수준 척도, 자기통제력 척도, 활동 참여 종류 및 수준 척도를 사용하였다. 각 집단 내 치료 전후의 유의 성을 알아보기 위해 윌콕슨 부호 순위 검정(Wilcoxon Signed Rank Test)으로 검증하였다. 결과 : 프로그램을 적용한 결과 실험집단은 스마트폰 중독 예방을 위한 인지행동 집단 치료 프로그램을 적 용 후 스마트폰 중독 수준이 감소하였고, 자기통제력은 통계적으로 유의미하게 증가하였으며, 활동에 대 한 흥미와 만족도가 증가하였다. 또한 활동의 참여 상황에서 혼자 하는 활동은 감소하고, 친구 및 가족 과 하는 활동이 증가하였으며, 학교에서의 활동도 증가하였다. 반면 통제집단은 스마트폰 중독 수준과 자기통제력, 활동에 대한 흥미, 만족도 및 활동의 참여 상황 모두 프로그램 전과 후 유의미한 차이를 보 이지 않았다. 결론 : 청소년의 스마트폰 중독 예방을 위한 인지행동 집단치료 프로그램은 학교 및 지역사회의 스마트폰 중독 청소년들에게 적용할 수 있으며, 스마트폰 중독 중재치료에 대한 근거기반치료를 제공할 수 있을 것이다.

Recently, machine learning is widely used to solve optimization problems in various engineering fields. In this study, machine learning is applied to development of a control algorithm for a smart control device for reduction of seismic responses. For this purpose, Deep Q-network (DQN) out of reinforcement learning algorithms was employed to develop control algorithm. A single degree of freedom (SDOF) structure with a smart tuned mass damper (TMD) was used as an example structure. A smart TMD system was composed of MR (magnetorheological) damper instead of passive damper. Reward design of reinforcement learning mainly affects the control performance of the smart TMD. Various hyperparameters were investigated to optimize the control performance of DQN-based control algorithm. Usually, decrease of the time step for numerical simulation is desirable to increase the accuracy of simulation results. However, the numerical simulation results presented that decrease of the time step for reward calculation might decrease the control performance of DQN-based control algorithm. Therefore, a proper time step for reward calculation should be selected in a DQN training process.

In this paper, considering the limits of existing smart pots, we introduce the research result of the new smart pot that can easily grow various pet plants. Through Arduino control kit which is the one of the open source computing platform, electric circuit and equipment to fulfil the functions of the smart pot is newly designed and made. Especially the head of pump which is main function in smart pot and the structure of electric equipment is theoretically calculated and Finite Element Analysis (FEA) tool is used for static analysis to prevent damage to the pots. After that, new smart pot is made with the researched design materials and perform the various functional investigations to grow the indoor plants.