최고 품질의 상품들을 지금보다 더 많은 소비자들이 여러 유통 채널에서 더욱 폭 넓고 쉽게...
1. 고객의 요구나 불만을 해결하기 위해, 창의적이거나 특별한 노력을 기울였던 경험
[실제 적용을 통한 성능의 증명]
(주)이너보틀과 협업을 진행하면서 흡착식 고무취출 장치 개발을 통하여 이너보틀의 병목공정을 개선하고 생산 프로세스를 효율화 하기 위해 노력했습니다.
당시, 현장 작업자들은 새 장치가 불량률을 높이고 작업 편의성을 떨어뜨릴 수 있다며 테스트를 반대했습니다. 저는 이를 단순한 반대가 아니라 실제 현장 작업자의 기술적 불만으로 보고, 먼저 3일간 현장에 들어가 성형 취출 과정을 직접 수행하며 고무 재현성, 취출 온도 변화, 90dB 이상의 소음과 같은 현장 작업성 문제를 확인했습니다. 이후 현장의 우려를 정성적 의견이 아닌 검증 가능한 변수로 바꾸고, 64개 봉 구조를 모델링해 반복 실험을 진행하며 최적 구조를 도출했습니다. 또한 설계 기준에도 작업자 의견을 반영해 단순 성능 개선이 아닌 현장 적용성과 공정 안정성을 함께 확보하고자 했습니다. 그 결과 장치를 실제 공정에 도입해 불량률 1% 미만을 구현하면서 Tact Time 51% 감소, 월 생산량 54% 증대라는 성과를 얻었습니다. 이 경험을 통해 연구개발에서도 요구를 수집하는 데 그치지 않고, 현장의 불만을 구조화해 재설계로 해결하겠습니다.
2. 직면했던 가장 어려운 목표와 그 목표를 달성하기 위해 활용한 방안, 전략 등
[상충 목표를 끝까지 분해해 최적 조건을 찾은 경험]
KTR 프로젝트에서 21700 셀의 충전 시간을 단축하면서도 안전성을 유지하는 충전 프로토콜을 설계하는 것을 목표로 설정하여 과제를 수행했습니다.
초기에는 전류를 높이면 시간이 줄어들 것이라 판단했지만, 10회 실험에서 Voltage Drop과 온도 상승이 동시에 발생해 단순 고전류 조건으로는 목표를 달성할 수 없었습니다. 저는 문제를 다시 정의해 충전 전류와 단계 전환 전압을 핵심 변수로 재설정하고, MSCC와 Pulse Charge 조건을 30회 반복 비교했습니다. 또한 매 실험마다 전압 변화, 충전 시간, 온도 데이터를 분석해 병목 구간이 어디서 발생하는지 확인했습니다. 그 결과 부하를 분산할 수 있는 5-step 조합을 도출해 기존 대비 충전 시 0.2%의 에너지 효율을 개선하였습니다. 여기에 그치지 않고 DOE 및 Bayesian 기반 최적화로 전기화학 패턴을 도출하여 최적의 전환 전압 설정을 통해 24분의 충전시간 단축 가능성을 제시하였습니다. 이 경험을 통해 어려운 목표일수록 실패 원인을 데이터로 다시 정의하고 조건을 반복 수정하는 전략이 연구개발의 핵심임을 배웠습니다.
3. 팀 활동에서 갈등이 발생했던 경험과 갈등 해결 및 팀 목표 달성을 위한 본인의 역할, 기여 등
[기준 통일을 통한 목표 지향]
캡스톤 프로젝트에서 EG/ATH/Si 복합 난연 보온재를 설계할 때, 팀원들 사이에 갈등이 있었습니다. 일부는 빠른 결과를 위해 조성 변경만 반복하자는 입장이었고, 다른 일부는 시뮬레이션과 실험을 병행하느라 시간이 지연될 것을 우려했습니다. 저는 이 갈등의 원인이 방법의 차이보다 성능 검증 기준이 정리되지 않았기 때문이라고 판단했습니다. 그래서 먼저 목표를 단순 단열이 아니라 화재 환경에서도 열 차단 성능이 유지되고 실제 제조 공정으로 재현 가능한 소재 확보로 다시 정의했습니다. 이후 EG, ATH, RTV Si의 배합비를 DOE 방식으로 정리하고, COMSOL 시뮬레이션으로 열 확산 경로를 검토한 뒤 실제 시편 제작과 OM 분석, 질량 감소율 평가를 연결하는 공통 검증 흐름을 제안했습니다. 그 결과 팀은 같은 기준 아래 역할을 분담할 수 있었고, 최종적으로 기존 대비 난연 성능이 개선된 복합재 레시피를 설계하여 준불연 및 난연 등급 기준을 만족시켰습니다. 이 경험으로 연구개발 협업에서는 의견을 조정하는 것보다 먼저 검증 기준을 일치시키는 일이 중요하다는 점을 배웠습니다.
4. 직무 관련 새로운 기술과 지식을 배우기 위해 했던 구체적인 노력
[AI 기술의 프로젝트 활용법]
저는 실험과 공정 결과에서 이상 징후를 더 빠르게 해석하기 위해 AI 기반 이상탐지 기법을 스스로 학습했습니다. 양산 초기나 실험 단계에서는 불량 데이터가 부족하고 이상 유형도 비정형적인 경우가 많아, 일반적인 분류 방식만으로는 한계가 있다고 느꼈기 때문입니다. 그래서 정상 패턴만 학습해 이상을 판별하는 CAE 오토인코더 구조를 찾아 공부했고, Python으로 정상/이상 재료 표면 이미지를 반복 비교하며 재구성 오차와 threshold 설정 방식을 직접 조정했습니다. 또한 heatmap으로 어떤 영역에서 미탐이 발생하는지 확인하며 판별 기준을 여러 차례 수정했습니다. 그 결과 defect와 미세 particle 후보를 효과적으로 특정해 98%의 검출 정확도를 달성했고, 관련 성과물로 공모전 최우수상을 수상했습니다. 이 경험을 통해 새로운 기술은 단순히 익히는 데서 끝나는 것이 아니라, 실제 데이터를 해석하고 이상 원인을 조기에 포착하는 도구가 되어야 한다는 점을 배웠습니다. 입사 후에도 이러한 학습 방식으로 금속, 세라믹 소재 개발 과정의 이상 징후를 빠르게 해석하겠습니다.