[논문]Digital Twin 개념을 적용한 제조환경 시뮬레이션 모형 설계

황성범; 정석재; 윤성욱

doi:10.9709/jkss.2020.29.2.011

Digital Twin 개념을 적용한 제조환경 시뮬레이션 모형 설계
The Design of Manufacturing Simulation Modeling Based on Digital Twin Concept 원문보기

한국시뮬레이션학회논문지 = Journal of the Korea Society for Simulation, v.29 no.2, 2020년, pp.11 - 20

황성범 (광운대학교 경영학과) , 정석재 (광운대학교 경영학과) , 윤성욱

초록
AI-Helper

제조환경이 더욱 복잡해짐에 따라 전통적인 시뮬레이션만으로는 실시간 현장 결과를 평가하는 데 많은 어려움을 겪고 있다. 이를 극복하기 위한 대안으로 Digital Twin개념이 활발히 논의되고 있지만, 제품설계 단계에 국한되어 연구가 진행되고 있는 실정이다. 본 연구는 Digital Twin개념이 생산 공정 프로세스에 적용되기 위한 Digital Twin 기반 제조환경 프레임워크를 제시하였다. 구성요소는 실제 생산환경인 물리적 시스템과 데이터베이스, 그리고 가상 시스템인 트윈 모델을 제안하였다. 본 연구에서는 Arena 소프트웨어와 엑셀 VBA를 활용하여 컨베이어 시스템을 대상으로 간단한 Digital Twin 기반 제조시스템을 모의실험하였다. 실험결과 트윈 모델이 실제 물리적 시스템의 실시간 데이터를 전송받아 동일한 시간단위로 작동됨을 확인하였고, 엑셀 VBA에서 축적된 실시간 데이터와 학습 데이터를 기반으로 조정된 파라미터를 생성하고 있음을 확인하였다. 또한, 간단한 모의실험을 통해 Digital Twin 모델 구동 방법을 제안하였으며, Digital Twin 모델의 구현 가능성을 보여주었다.

Abstract ▼ AI-Helper

As the manufacturing environment becomes more complex, traditional simulation models alone are having a lot of difficulties in reflecting real-time manufacturing situations. Although the Digital Twin concept is actively discussed as an alternative to overcome theses issues, many studies are being carried out only in the product design phase. This research presents a Digital Twin-based manufacturing environment framework for applying the Digital Twin concept to the manufacturing process. Twin model that is operated in virtual space, physical system and databases describing the actual manufacturing environment, are proposed as detailed components that make up the framework. To check the applicability of proposed framework, a simple Digital Twin-based manufacturing system was simulated in a conveyor system using Arena software and Excel VBA. Experiment results have shown that the twin model is transmitted real time data from the physical system via DB and were operating in the same time unit. The Excel VBA fitted parameters defined by cycle time based on historical data that real-time and training data are being accumulated together. This study proposes operating method of digital twin model through the simple experiment examples. The results lead to the applicability of Digital twin model.

주제어

표/그림 (15)

그림 Fig. 1. Digital Twin Scheme
그림 Fig. 2. Conventional vs Digital Twin based simulation
그림 Fig. 3. The evolution process of shop-floor
그림 Fig. 4. The framework of Digital Twin based simulation
그림 Fig. 5. Digital Twin based manufacturing mechanism
그림 Fig. 6. Level of Digital Twin
그림 Fig. 7. The example of conveyor manufacturing system
그림 Fig. 8. The role of VBA
그림 Fig. 9. Flowchart of twin model validation
그림 Fig. 10. Flowchart of training data and tact time generation
그림 Fig. 11. Screen shot of arena simulation
표 Table 1. The result of twin model validation
그림 Fig. 12. Training data generation
표 Table 2. The result of training data and tact time
표 Table 3. Comparison between real data and training data

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

하지만 제조공정의 생산성은 단일 설비의 최적화된 관리뿐만 아니라 공정의 전체적인 생산 스케줄링, 재고관리, 작업관리, 인력 스케줄 등의 최적화된 통제로부터 향상될 수 있다. 따라서 본 연구에서는 제조공정 의 물리적 공간과 가상공간의 인터커넥트를 실현하기 위하여 시뮬레이션 기반의 Digital Twin 공정 프레임 워크를 개발하는 연구를 진행했다.
향후 Digital Twin 기반 시뮬레이션의 실제 제조환경 적용 가능성을 실험하기 위해, 간단한 제조환경을 설계하고 실제 센서를 부착하여 물리적 시스템과 트윈 시스템의 동기화 및 생산기준시간 조정을 통한 생산 스케줄 결과의 개선 효과들을 면밀히 분석하여 Digital Twin 개념이 생산공정 프로세스에 적용되었을 때의 효과를 정량적으로 검증하는 데 초점을 맞추고자 한다. 또한 흐름공정의 형태가 아닌 Job shop 형태의 생산현장에서 DB에 저장된 정보를 활용한 시뮬레이션을 수행할 때 오차가 발생할 수 있는 부분을 고려하고, Digital Twin 동작을 위한 IoT기반 핵심기술들을 식별하고자 한다.
본 연구에서 제안하는 Digital Twin 제조환경 프레임 워크는 물리적 시스템, 가상 시스템, Digital Twin 데이터베이스(이하 DB라 함), 생산계획 시스템으로 구성된다. 본 연구는 Digital Twin 제조환경 프레임 워크에서 4가지 요소들의 역할을 정의하고, 각 요소들이 서로 연동되는 메커니즘을 제안한다.
본 연구는 Digital Twin기반 제조 환경의 적용 가능성을 묘사하기 위해 간단한 컨베이어 시스템을 Arena 시뮬레이션 모델을 통해 개발하였다. 실험 예제를 통해 물리적 시스템과 트윈 모델이 동일한 시간으로 작동함을 확인할 수 있었고, 축적된 데이터를 통해 조정된 파라미터로 실험이 수행됨을 증명하였다.
이에 본 연구에서는 Digital Twin 개념을 제조 공정에 적용하여 생산 스케줄을 생성하는 데 활용하기 위한 프레임 워크를 제시하였으며, 핵심 구성요소 중 하나인 트윈 모델의 역할을 명확히 정의하였다. Digital Twin 기반 시뮬레이션에서 트윈 모델은 생산 사이클 중 생산 진행 단계에서 구동되며 물리적 시스템의 실제 동작시간과 동일하게 시뮬레이션이 작동하면서 사용자가 사전에 정의된 데이터를 수집하는 역할을 담당한다.

가설 설정

먼저 VBA는 작업시간에 대한 확률분포를 생성하여 물리적 시스템의 입력 데이터로 활용하도록 한다. 본 실험에서는 타 설비의 작업시간 분포를 활용하여 컨베이어 시스템의 작업시간에 대한 확률분포가 평 균 6분 표준편차 0.5분의 정규분포를 따른다고 가정한다. 그 다음으로 물리적 시스템은 생산 주기가 완료될 때 까지 수행되며, 매 작업마다 발생하는 사이클타임을 기록하고, DB에 전송한다.
본 연구는 모의실험 환경은 실제 제조환경과의 연동을 수행하지는 않았으나, 시뮬레이션을 통해 Fig. 7과 같이 가상 제조 컨베이어 시스템을 구축하였고 이를 물리적 시스템이라고 가정하였다.
(2017)은 원형 레일을 움직이는 기차 모델을 이용하여 시뮬레이션이 실제 모형의 데이터를 받아 실시간으로 움직이는 실험을 진행했다. 실험은 두 개의 시뮬레이션 모형을 설계하였고, 1개의 시뮬레이션은 실제 모형을 나타내고, 다른 시뮬레이션은 가상의 모형으로 가정하여 진행되었다. Erikstad(2017)은 엔지니어링 소프트웨어 CAD와 CAE와 실제 제품을 실시간으로 연동하여 자전거 제품 디자인과 설계분야에 적용하였다.

제안 방법

가상 제조 컨베이어 시스템을 구현하기 위해 Arena 시뮬레이션 내 Advanced process 패널의 route, seize, release 모듈을 활용하였다. Route 모듈을 통해 자재 이동을 처리하였고, Seize 모듈은 컨베이어 시스템의 Cell을 묘사하고 자원 점유 및 작업 처리를 수행하기 위해 활용했다. Seize 모듈의 자원용량은 1로 설정하였다.
가상 시스템은 시뮬레이션을 수행하기 위한 설비 및 자재의 기본요소를 데이터로 포함한다. 가상 시스템은 실제공정에서 수집하기 어려운 사용자 정의 기반의 결과값을 DB에 제공하며, 물리적 시스템과 동일하게 수행되는 트윈모델과 파라미터 조정을 수행하는 VBA로 구성된다. Digital Twin 기반 제조환경 프레임 워크에서 DB는 물리적 시스템의 실시간 데이터를 저장하는 역할을 수행하고, 가상 시스템으로부터 사용자 정의 데이터와 파라미터 조정을 위한 학습 데이터를 저장한다.
7과 같이 가상 제조 컨베이어 시스템을 구축하였고 이를 물리적 시스템이라고 가정하였다. 가상 제조 컨베이어 시스템을 구현하기 위해 Arena 시뮬레이션 내 Advanced process 패널의 route, seize, release 모듈을 활용하였다. Route 모듈을 통해 자재 이동을 처리하였고, Seize 모듈은 컨베이어 시스템의 Cell을 묘사하고 자원 점유 및 작업 처리를 수행하기 위해 활용했다.
따라서 첫 번째로 레벨 2의 수준을 달성하기 위해 트윈 모델이 물리적 모델과 동일하게 구동하는 것을 확인하며, 이는 물리적 시스템과 가상 시스템에서 동일한 결과 값이 도출되는지 여부로 판단한다. 두 번째로 레벨 3의 분석 기능을 포함하고자 트윈 모델과 VBA를 통해 향후 생산계획을 위한 생산기준시간(Tact time)을 도출하도록 설계하였다.
0을 사용하였다. 또한 Arena 시뮬 레이션 모델과 엑셀 VBA(Visual Basic Application)을 연동함으로써 물리와 가상이 통합된 시뮬레이션 모델을 간단하게 구축하였고, Arena 시뮬레이션을 활용한 모델 구동 화면 예시는 Fig. 11과 같다.
트윈 모델은 물리적 시스템과 동일하게 구동되도록 설계된 시뮬레이션 모델이다. 물리적 시스템의 실시간 데이터가 입력데이터로 활용되도록 설계하였으며, 데이터베이스로부터 실제 사이클 시간을 불러오기 위해 Arena 모델 내 Readwrite 모듈이 활용된다. 엑셀 VBA 프로그램은 Fig.
본 연구에서 제안하는 Digital Twin 기반 제조환경 프레임 워크는 Fig. 4와 같이 물리적 시스템, 가상 시스템, DB, 생산계획 시스템으로 구성된다.
본 연구에서 제안하는 Digital Twin 제조환경 프레임 워크는 물리적 시스템, 가상 시스템, Digital Twin 데이터베이스(이하 DB라 함), 생산계획 시스템으로 구성된다. 본 연구는 Digital Twin 제조환경 프레임 워크에서 4가지 요소들의 역할을 정의하고, 각 요소들이 서로 연동되는 메커니즘을 제안한다.
Seize 모듈의 자원용량은 1로 설정하였다. 작업 처리시간 단위는 분이며, 실제 설비의 불확실성을 반영하기 위해 엑셀 VBA에서 제공하는 확률분포를 따르도록 설계했다. 마지막으로 자재의 작업이 완료되면, 점유한 Cell을 Release 모듈을 통해 유휴상태로 되돌린다.

대상 데이터

학습 데이터 생성 및 생산기준시간 산출을 위한 2차 모의실험은 물리적 시스템의 주문량을 10개로 한정하였으며, 생산기준시간 산출을 위한 Lap 횟수는 30개로 설정하였다. Table 2는 2차 모의실험의 결과값을 보여주고 있다.

데이터처리

본 연구는 트윈 모델에서 생성된 학습 데이터가 실제 물리적 시스템의 사이클 타임과 얼마나 유사하게 생성되 는가를 평가하기 위해 기초통계 및 MSE(Mean Square Error), RMSE(Root Mean Square Error), MAPE(Mean Absolute Percentage Error) 분석을 수행했다. MSE와 RMSE는 관측치와 모형의 추정치 오차를 나타내는 값으 로 0에 가까울수록 두 값은 서로 유사하다는 것을 의미한다.

이론/모형

일반적으로 시뮬레이션 모델에 파라미터를 입력할 때 관찰된 값의 확률분포가 사용되지만 실제공정과 동일 하게 움직이는 트윈 모델은 실제 물리적 시스템과 같은 속도로 구동되어야 한다. 따라서 가상공정을 구현할 때 확률분포에 따른 파라미터 입력보다는 실제공정에서 수집된 실시간 데이터를 트윈 모델의 파라미터로 사용한다. 사용자는 필요한 데이터 유형을 미리 설계하여 트윈 모델이 작동하는 동안 수집된 운영데이터와 사용자 정의 데이터를 DB로 전송한다.

성능/효과

물리적 시스템의 실시간 데이터를 활용하는 가상 시스템에서는 운영 효율성을 높이기 위한 다양한 실험이 진행됨과 동시에 가상의 데이터를 생산해낸다. 결과적으로, IoT(Internet of Things) 기술을 활용하여 수집된 실시간 데이터와 가상 시스템에서 생성된 데이터를 이용하여 Digital Twin을 지속적으로 개선시킨다(Tan et al, 2019).
본 연구에서 수행한 모의실험의 기능적 범위는 레벨2 를 포함하며, 레벨 3의 예측과 최적화기능을 제외한 분석 만으로 한정한다. 따라서 첫 번째로 레벨 2의 수준을 달성하기 위해 트윈 모델이 물리적 모델과 동일하게 구동하는 것을 확인하며, 이는 물리적 시스템과 가상 시스템에서 동일한 결과 값이 도출되는지 여부로 판단한다. 두 번째로 레벨 3의 분석 기능을 포함하고자 트윈 모델과 VBA를 통해 향후 생산계획을 위한 생산기준시간(Tact time)을 도출하도록 설계하였다.
5%인 것으로 나타났다. 따라서 트윈 모델이 물리적 시스템과 유사한 양질의 학습 데이터를 생성하고 있음을 확인할 수 있었으며, 최종 산출물인 생산 기준시간의 타당성을 확보할 수 있을 것으로 판단된다.
분석 결과 Table 3와 같이 물리적 시스템에서 생성된 사이클 타임은 평균 358초, 표준편차 29초를 보였으며, 트윈 모델에서 생성된 학습 데이터는 평균 353초, 표준편차 23초를 보였다. 또한, 물리적 시스템의 사이클 타임과 트윈 모델의 학습 데이터의 MSE값은 1188초, RMSE값 은 34초, MAPE값은 7.5%인 것으로 나타났다. 따라서 트윈 모델이 물리적 시스템과 유사한 양질의 학습 데이터를 생성하고 있음을 확인할 수 있었으며, 최종 산출물인 생산 기준시간의 타당성을 확보할 수 있을 것으로 판단된다.
10과 같다. 먼저, 엑셀 VBA는 물리적 시스템에 의해 데이터베이스에 저장된 데이터 개수가 사전에 정의한 Lap 횟수를 충족하는 지를 확인한다. 충족하지 않을 경우, 축적된 데이터를 기반으로 확률분포를 생성하고 트윈 모델은 이를 입력데이터로 반영한다.
분석 결과 Table 3와 같이 물리적 시스템에서 생성된 사이클 타임은 평균 358초, 표준편차 29초를 보였으며, 트윈 모델에서 생성된 학습 데이터는 평균 353초, 표준편차 23초를 보였다. 또한, 물리적 시스템의 사이클 타임과 트윈 모델의 학습 데이터의 MSE값은 1188초, RMSE값 은 34초, MAPE값은 7.
실험 결과, Lap 1부터 Lap 30까지 수집된 사이클 타임은 물리적 시스템과 가상 시스템 모두 동일한 것으로 나타났다. 이는 트윈모델이 물리적 시스템으로부터 실시간으로 데이터를 전송받아 입력값으로 반영하고 있다는 것이며, 물리적 시스템과 동일하게 작동하고 있음을 보여준다.
본 연구는 Digital Twin기반 제조 환경의 적용 가능성을 묘사하기 위해 간단한 컨베이어 시스템을 Arena 시뮬레이션 모델을 통해 개발하였다. 실험 예제를 통해 물리적 시스템과 트윈 모델이 동일한 시간으로 작동함을 확인할 수 있었고, 축적된 데이터를 통해 조정된 파라미터로 실험이 수행됨을 증명하였다.

후속연구

향후 Digital Twin 기반 시뮬레이션의 실제 제조환경 적용 가능성을 실험하기 위해, 간단한 제조환경을 설계하고 실제 센서를 부착하여 물리적 시스템과 트윈 시스템의 동기화 및 생산기준시간 조정을 통한 생산 스케줄 결과의 개선 효과들을 면밀히 분석하여 Digital Twin 개념이 생산공정 프로세스에 적용되었을 때의 효과를 정량적으로 검증하는 데 초점을 맞추고자 한다. 또한 흐름공정의 형태가 아닌 Job shop 형태의 생산현장에서 DB에 저장된 정보를 활용한 시뮬레이션을 수행할 때 오차가 발생할 수 있는 부분을 고려하고, Digital Twin 동작을 위한 IoT기반 핵심기술들을 식별하고자 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	세계의 제조공정의 스마트화 전략에는 무엇이 있는가?	이런 상황에서 사물 인터넷, 빅데이터, 인공지능, 클라우드 컴퓨팅 등의 정보․통신기술(ICT) 발전은 새로운 제조공정 시스템 개발의 촉매제 역할을 했다. 또한, 독일의 인더스트리 4.0, 제너럴 일렉트릭(General Electronics, GE)의 산업 인터넷, 가상 물리 시스템(CPS : Cyber Physical System), 중국제조 2025와 같이 세계 각 국가들은 제조공정의 스마트화 전략을 내세우고 있다. 그 중에서 스마트 팩토리는 공장 내 설비와 센서를 통해 데이터가 실시간으로 수집 및 분석되어 공장 내 모든 상황들이 모니터링하고, 이를 분석하여 스스로 제어할 수 있는 미래형 공정 시스템이다.
	스마트 팩토리란 무엇인가?	0, 제너럴 일렉트릭(General Electronics, GE)의 산업 인터넷, 가상 물리 시스템(CPS : Cyber Physical System), 중국제조 2025와 같이 세계 각 국가들은 제조공정의 스마트화 전략을 내세우고 있다. 그 중에서 스마트 팩토리는 공장 내 설비와 센서를 통해 데이터가 실시간으로 수집 및 분석되어 공장 내 모든 상황들이 모니터링하고, 이를 분석하여 스스로 제어할 수 있는 미래형 공정 시스템이다. 이러한 미래 제조공정을 실현하기 위한 필요조건은 실제공정(이하 물리적 시스템)과 데이터 기반의 가상공정(이하 가상 시스템)을 융합하는 기술이라고 할 수 있다 (Kritzinger et al, 2018).
	스마트 팩토리가 도입되기 위해서 무엇이 필요한가?	그 중에서 스마트 팩토리는 공장 내 설비와 센서를 통해 데이터가 실시간으로 수집 및 분석되어 공장 내 모든 상황들이 모니터링하고, 이를 분석하여 스스로 제어할 수 있는 미래형 공정 시스템이다. 이러한 미래 제조공정을 실현하기 위한 필요조건은 실제공정(이하 물리적 시스템)과 데이터 기반의 가상공정(이하 가상 시스템)을 융합하는 기술이라고 할 수 있다 (Kritzinger et al, 2018). 따라서 최근 제조공정의 발전을 위해 물리적 시스템과 가상 시스템의 융합을 추구하는 Digital Twin 개념이 언급되고 있다(Rosen et al, 2015).

참고문헌 (20)

장예지. 디지털 전환의 핵심 디지털 트윈. 2019-26호. ICT SPOT ISSUE. pp. 4-23, 2019.
Boschert, S., &Rosen, R. (2016). Digital twin-the simulation aspect. In Mechatronic Futures (pp. 59-74). Springer, Cham.
Erikstad, S. O. (2017). Merging Physics, Big Data Analytics and Simulation for the Next-Generation Digital Twins. High-Performance Marine Vehicles, 141-151.
Gu, X., &Koren, Y. (2018). Manufacturing system architecture for cost-effective mass-individualization. Manufacturing letters, 16, 44-48.

상세보기
Kritzinger, W., Karner, M., Traar, G., Henjes, J., & Sihn, W. (2018). Digital Twin in manufacturing: A categorical literature review and classification. IFACPapersOnLine, 51(11), 1016-1022.
Lee, I.; Lee, K. The Internet of Things (IoT): Applications, investments, and challenges for enterprises. Bus. Horiz. 2015, 58, 431-440.

상세보기
LENG, Jiewu, et al. Digital twin-driven manufacturing cyber-physical system for parallel controlling of smart workshop. Journal of Ambient Intelligence and Humanized Computing, 2019, 10.3: 1155-1166.

상세보기
Negri, E., Fumagalli, L., &Macchi, M. (2017). A review of the roles of digital twin in cps-based production systems. Procedia Manufacturing, 11, 939-948.

상세보기
Posada, J.; Toro, C.; Barandiaran, I.; Oyarzun, D.; Stricker, D.; de Amicis, R. Visual Computing as a Key Enabling Technology for Industrie 4.0 and Industrial Internet. IEEE Comput. Graph. Appl. 2015, 35, 26-40.

상세보기
ROSEN, Roland, et al. About the importance of autonomy and digital twins for the future of manufacturing. IFAC-PapersOnLine, 2015, 48.3: 567-572.

상세보기
Schleich, B., Anwer, N., Mathieu, L., &Wartzack, S. (2017). Shaping the digital twin for design and production engineering. CIRP Annals, 66(1), 141-144.

상세보기
Shen, W. (2002). Distributed manufacturing scheduling using intelligent agents. IEEE intelligent systems, 17(1), 88-94.

상세보기
T.Sauter and M.Lobashov, "How to access factory floor information using Internet technologies and gateways," IEEE Trans. Ind. Informat., vol. 7, no. 4, pp. 671-699, Nov. 2011.

상세보기
TAN, Yifei, et al. Application of IoT-Aided Simulation to Manufacturing Systems in Cyber-Physical System. Machines, 2019, 7.1: 2.

상세보기
Tao, F., &Qi, Q. (2017). New IT driven service-oriented smart manufacturing: framework and characteristics. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 49(1), 81-91.
Tao, F., &Zhang, M. (2017). Digital twin shop-floor: a new shop-floor paradigm towards smart manufacturing. Ieee Access, 5, 20418-20427.

상세보기
Tao, F., Zhang, M., Liu, Y., &Nee, A. Y. C. (2018). Digital twin driven prognostics and health management for complex equipment. CIRP Annals, 67(1), 169-172.

상세보기
YANG, W., et al. Digital twin-driven simulation for a cyber-physical system in Industry 4.0. DAAAM International Scientific Book, 2017, 227-234.
Yang, W.; Tan, Y.; Yoshida, K.; Takakuwa, S. Digital Twin-Driven Simulation for A Cyber-Physical System in Industry 4.0. In DAAAM International Scientific Book 2017; DAAAM International Publishing: Vienna, Austria, 2017; pp. 227-234. ISBN 978-3-902734-12-9.
Zhuang, C., Liu, J., &Xiong, H. (2018). Digital twinbased smart production management and control framework for the complex product assembly shop-floor. The International Journal of Advanced Manufacturing Technology, 96(1-4),

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증