This study develops a machine learning-based tool life prediction model using spindle power data collected from real manufacturing environments. The primary objective is to monitor tool wear and predict optimal replacement times, thereby enhancing manufacturing efficiency and product quality in smart factory settings. Accurate tool life prediction is critical for reducing downtime, minimizing costs, and maintaining consistent product standards. Six machine learning models, including Random Forest, Decision Tree, Support Vector Regressor, Linear Regression, XGBoost, and LightGBM, were evaluated for their predictive performance. Among these, the Random Forest Regressor demonstrated the highest accuracy with R2 value of 0.92, making it the most suitable for tool wear prediction. Linear Regression also provided detailed insights into the relationship between tool usage and spindle power, offering a practical alternative for precise predictions in scenarios with consistent data patterns. The results highlight the potential for real-time monitoring and predictive maintenance, significantly reducing downtime, optimizing tool usage, and improving operational efficiency. Challenges such as data variability, real-world noise, and model generalizability across diverse processes remain areas for future exploration. This work contributes to advancing smart manufacturing by integrating data-driven approaches into operational workflows and enabling sustainable, cost-effective production environments.

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.

본 연구는 만 40-60세 비만 중년여성을 대상으로 10주간 스마트머신 순환운동이 체조성, 폐기능, 혈중지질 및 인슐린 저항성에 미치는 영향을 구명하기 위하여 운동군(n=8), 대조군(n=6)으로 구분하여 실시하였다. 스마트머신 순환운동은 주 3회, 회당 55분으로 유산소 운동의 강도는 스마트머신과 POLAR T31이 연동 되어 스마트머신에 적용되며, 1-4주차는 40-50%HRR, 5-8주차는 50-60%HRR, 9-10주차는 60-70%HRR을 적용하였고, 저항성 운동의 강도는 스마트머신을 이용하여 등속성 운동 기반으로 대상자들의 1-RM test의 데이터 값을 이용하여 1-4주차는 1-RM의 40%, 5-8주차는 1-RM의 60%, 9-10주차는 1-RM의 80%를 적용하여 실시하였다. 그 결과 체중, 체질량지수, 체지방율, 허리-엉덩이둘레비율에서 그룹×시기 간 상호작용 효과가 나타났다. 폐기능의 FVC는 시기 간 주 효과와 사후 그룹 간 유의한 차이가 나타났으며, FVC 및 FEV1은 그룹×시기 간 상호작용 효과가 나타났다. TC 및 TG는 시기 간 주 효과가 나타났으며, TC, TG 및 HDL-C는 그룹×시기 간 상호작용 효과가 나타났다. Insulin, Glucose 및 HOMA-IR은 운동 전·후 시기 간 차이에서 운동군이 유의하게 감소한 것으로 나타났다. 따라서 10주간 스마트머신 순환운동 프로그램이 비만 중년여성의 체조성, 폐기능, 혈중지질 및 인슐린 저항성에 긍정적인 영향을 미쳤으며 이는 중년여성의 비만을 개선하거나 비만을 예방할 수 있는 운동 프로그램이라고 사료된다.