성균관대학교 일반대학원 산업공학과 학업계획서
분야
hwp성균관대학교 일반대학원 산업공학과 학업계획서
1. 진학 동기 (왜 이 전공, 왜 이 학교인가)
2. 학업 및 연구 계획 (수강할 과목, 방법, 목표)
3. 연구 관심 분야 (어떤 주제에 관심이 있는가)
4. 졸업 후 진로 및 포부
1. 진학 동기 (왜 이 전공, 왜 이 학교인가)
제가 산업공학을 대학원에서 심층적으로 연구하고자 결심한 이유는, 공학적 사고가 단순히 기술적 문제 해결에 그치지 않고, 시스템 전체의 효율성과 인간의 의사결정을 함께 다루는 학문이라는 점에 매료되었기 때문입니다. 학부에서 시스템 최적화, 품질경영, 데이터분석 등을 공부하면서 산업공학의 핵심이 ‘기술과 사람, 자원과 정보가 만나는 지점’을 연구하는 데 있음을 깨달았습니다. 저는 산업공학을 통해 복잡한 사회·산업 시스템을 과학적으로 분석하고, 그 안에서 더 나은 구조와 프로세스를 설계하는 능력을 키우고 싶습니다.
학부 시절, 처음으로 산업공학의 매력을 느낀 계기는 생산시스템 설계 프로젝트였습니다. 당시 저는 중소 제조기업의 생산라인 효율화를 주제로 팀을 이끌며 공정 데이터를 수집했습니다. 작업자 동선, 설비 배치, 대기시간, 불량률 등을 기록해 공정 흐름을 시뮬레이션하고, 개선안을 제시하는 과정이었습니다. 직접 현장을 방문해 데이터를 수집하며 느낀 것은, 현장의 문제는 단순히 기술적 요인이 아니라 인간의 행동과 의사결정, 자원 관리의 복합적 상호작용 속에서 발생한다는 점이었습니다. 저는 시스템 전체를 구조적으로 분석하고, 통계적 검증과 시뮬레이션을 통해 합리적 결론을 도출하는 과정에서 산업공학의 학문적 깊이를 체감했습니다.
이후 ‘품질경영’ 과목에서 실험계획법(Design of Experiments, DOE)을 활용한 품질 개선 과제를 수행했습니다. 제품 불량률을 줄이기 위한 최적의 공정 변수를 찾는 과정에서, 통계적 접근이 현장 문제 해결에 얼마나 강력한 도구로 작용하는지를 경험했습니다. 실험 설계와 데이터 해석을 통해 단순히 문제를 해결하는 것이 아니라, 문제를 정의하는 능력이 산업공학 연구의 출발점이라는 사실을 깨달았습니다. 문제의 본질을 수학적 모델로 표현하고, 데이터를 기반으로 구조적 개선안을 제시하는 과정은 저에게 지적 자극이자 즐거움이었습니다.
또한 학부 연구생으로 참여한 물류시스템 효율화 연구는 제 진로를 구체화하는 계기가 되었습니다. 물류센터의 재고 이동 경로를 최적화하는 연구였는데, Python 기반 최적화 모델을 구축해 실제 데이터를 분석했습니다. 알고리즘을 반복적으로 조정하면서 물류 프로세스의 병목 구간을 찾아내고, 시뮬레이션 결과로 개선 효과를 정량화했습니다. 이 경험을 통해 저는 산업공학이 단순한 공정 개선의 학문이 아니라, 데이터와 알고리즘, 인간의 판단이 결합된 통합적 의사결정 학문이라는 사실을 실감했습니다.
이후 인턴십에서 생산관리 시스템의 실시간 데이터 분석 업무를 수행하면서, 현장 데이터와 이론적 모델의 간극을 직접 느꼈습니다. 센서로부터 수집된 생산 속도, 장비 가동률, 불량률 데이터를 실시간으로 모니터링하며 이상 패턴을 탐지하는 시스템을 설계했습니다. 하지만 데이터 노이즈와 누락, 비정형 정보의 처리 문제로 인해 알고리즘이 기대만큼의 정확도를 보이지 않았습니다. 그 경험은 저에게 데이터 기반 시스템 설계의 한계를 깨닫게 했고, 동시에 그 문제를 해결하기 위해 더 깊이 있는 연구가 필요하다는 동기를 부여했습니다.
성균관대학교 산업공학과는 제가 지향하는 연구 목표를 실현하기에 가장 적합한 환경이라고 판단했습니다. 이 학과는 데이터사이언스, 스마트팩토리, 최적화 이론, 인공지능 응용 등 산업공학의 전통적 방법론과 첨단 기술을 융합한 연구 체계를 갖추고 있습니다. 특히 ‘스마트제조시스템연구실’과 ‘데이터기반 의사결정 연구그룹’의 연구 주제는 제가 학부 시절 느낀 문제의식과 맞닿아 있습니다. 단순한 효율 향상이 아니라, 데이터 기반의 실시간 의사결정 시스템을 구축하는 연구를 수행하고 싶습니다.
저는 성균관대학교 대학원에서 산업공학의 이론적 기초를 확립하고, 실제 데이터 기반 실험을 통해 학문적 문제를 해결하는 연구자로 성장하고자 합니다. 산업공학은 기술과 인간, 시스템과 데이터가 만나는 경계의 학문이며, 저는 그 접점에서 지식을 창출하는 연구자가 되기 위해 이 길을 선택했습니다.
2. 학업 및 연구 계획 (수강할 과목, 방법, 목표)
대학원에서는 데이터 기반 시스템 최적화 및 스마트제조 의사결정 모델을 중심으로 연구를 수행할 계획입니다. 학부 시절 진행했던 생산라인 효율화 및 물류 최적화 프로젝트 경험을 토대로, 데이터의 구조적 패턴을 분석하고, 공정 및 운영 문제를 수리적 모델로 표현하는 방법을 심층적으로 탐구하고 싶습니다.
1학기에는 이론적 기반을 다지기 위해 ‘고급산업시스템분석’, ‘확률모형 및 시뮬레이션’, ‘데이터마이닝특론’, ‘산업공학응용최적화’ 등의 과목을 수강할 계획입니다. 이 과목들은 시스템 분석의 정량적 사고를 강화하고, 대규모 데이터의 특성을 통계적으로 해석하는 능력을 키워줄 것입니다. 각 과목의 개념을 단순히 학습하는 데 그치지 않고, 실제 데이터를 활용해 이론을 검증하는 프로젝트를 수행할 예정입니다. 예를 들어, ‘확률모형 및 시뮬레이션’에서 제조 공정의 대기시간 분포를 모델링하고, 실제 산업 데이터를 기반으로 시뮬레이션을 수행하여 결과의 정확도를 비교하는 실험을 진행할 생각입니다.
2학기부터는 스마트팩토리 환경에서의 실시간 의사결정 최적화 연구를 본격적으로 진행하겠습니다. 연구 주제는 “데이터 기반 실시간 생산 일정관리 및 품질 예측 모델 개발”입니다. 제조 과정에서 발생하는 센서 데이터, 장비 로그, 품질 검사 결과를 통합하여 생산 효율을 실시간으로 최적화하는 알고리즘을 설계하고자 합니다. 특히, 강화학습(Reinforcement Learning)과 시뮬레이션 기반 최적화 기법을 결합하여, 비정형 상황에서도 최적의 의사결정을 내릴 수 있는 모델을 구축할 계획입니다.
연구 방법으로는 실험적 접근과 수리적 모델링을 병행하겠습니다. 먼저, 실제 산업 데이터를 확보하거나 공개된 데이터셋을 활용해 공정의 패턴을 분석하고, 통계적 검증을 통해 변수 간 상관관계를 규명하겠습니다. 이후 Python, MATLAB, Arena Simulation Tool을 이용해 최적화 모델을 구현하고, 실험 결과를 기반으로 모델의 성능을 수치적으로 평가할 것입니다. 모델의 효율성과 정확도를 동시에 확보하기 위해, 유전알고리즘(Genetic Algorithm)과 몬테카를로 시뮬레이션(Monte Carlo Simulation)도 함께 적용할 계획입니다.
또한, 데이터 기반 생산시스템의 한계를 해결하기 위해 의사결정의 불확실성(uncertainty) 문제를 연구하고자 합니다. 실제 산업현장에서는 수요 변동, 장비 고장, 공급 지연 등 다양한 불확실성이 존재합니다. 이를 반영한 예측모델을 구축하기 위해 확률적 시뮬레이션과 딥러닝 예측모델을 융합할 예정입니다. 특히 RNN(Recurrent Neural Network)과 LSTM(Long Short-Term Memory) 구조를 활용해 시간의존적 데이터를 학습시키고, 공정 변동성을 반영한 동적 의사결정 모델을 제시하고자 합니다.