본 프로젝트에서는 차량 신규 플랫폼 개발 시 차량의 특성변수를 통해 하중 가이드를 예측하는 모델을 개발하였다. 신규 플랫폼 개발 시 차종, 축중량 등의 특성변수들은 최종적으로 차량의 6분력 하중에 영향을 미친다. 제안모델을 통해 실제 하중 실험 없이 대략적인 하중을 알 수 있도록 하였다. 제안모델은 CAE(Convolutional Autoencoder)를 통해 고차원의 6분력 하중데이터를 저차원의 특징벡터로 요약하고 특징벡터 공간상에서 신규 특성변수와 적합한 벡터를 선택하여 원래 차원의 하중데이터로 복원한다. 신규 특성변수에 적합한 벡터는 특성변수가 가장 유사한 n개 차량의 특징벡터를 가중합 하여 사용하였다. 모델 성능은 하중 데이터로부터 계산되는 Damage를 통해 검증하였으며, 테스트 결과 하중 채널 별 합당한 가이드를 제공할 수 있음을 확인하였다. 

본 프로젝트에서는 자동차 개발 공장의 로드시뮬레이터 노면 재현작업을 효율화 하기 위해 스텝 별 최적 Gain값 도출 모델을 개발하였다. 노면 재현작업은 작업자에 의해 20~30회의 스텝을 반복하며 수행되며 이는 평균 8시간 이상의 시간과 작업자의 높은 숙련도가 필요하다. 과거 재현작업을 진행하였던 History 데이터는 스텝 별 사용된 Gain값과 그때 차량의 6분력 하중값 및 목표 하중값을 포함한다. 제안모델은 2개의 단계로 구성하였으며 실험의 순차적 특성을 반영하기 위해 각각은 독립적인 Many-to-One LSTM(Long Short-Term Memory)모델을 이용하였다. 첫 단계는 실험 중지 여부를 판단하는 모델이며, 'Stop'사인을 출력할 경우 실험을 마치고 'Go' 사인을 출력할 경우 두 번째 단계로 넘어가게 된다. 두 번째 단계는 해당 스텝의 26채널 Gain값을 예측하는 모델이며, 인풋데이터와 이전 스텝까지의 상황을 통해 로드시뮬레이터에 입력할 실제 Gain값을 도출한다. 실제 작업자의 다양한 판단기준을 모델에 적용하기 위해 채널 별 Overshoot과 위상차를 반영할 수 있도록 인풋데이터를 정제하였다. 최종 모델은 실험 결과 MAE 0.03으로 현업에 적용 가능한 높은 성능을 보였다.

현대 사회에서 자동차 연료 변화는 큰 화두가 되고 있다. 과거에는 화학 연료를 이용해 자동차가 운행되었다면, 현재는 화학 연료를 줄이고 전기로 움직이는 전기 자동차가 등장하였다. 이와 함께 자동차 배터리에 대한 연구들이 다수 등장하고 있다. 본 프로젝트에서는 배터리 성능이 감소하고 있는지에 대한 정도인 열화를 예측하는 시스템을 개발하였다. 열화 정도를 반영하고 있는 배터리 충전 용량을 예측해 열화 정도를 파악하고자 하였다. 배터리 열화 정도를 파악하기 위해서 차량 주행 패턴과 충전 시 배터리 상태 정보를 입력 변수로 사용하였다. 시간의 흐름에 따른 주행 패턴을 사용하기 위해 순환신경망(Recurrent neural networks) 기반 특징 추출을 진행하였고, 충전 상태에 대한 정보와 추출된 주행 패턴을 반영하기 위해 인공신경망(Deep neural networks) 기반 예측모형을 구축하였다. 입력 변수 특징에 따른 서로 다른 두 가지 신경망 모형을 사용해 열화에 중요한 특징 추출을 진행 할 수 있었고, 결정 계수 기준 0.85 이상 뛰어난 성능을 가진 모형을 학습할 수 있었다.

본 프로젝트는 건설장비로부터 수집되는 센서 데이터를 기반으로 이상치 탐지 모델을 이용한 고장 예측 분석을 수행하였다. 이상치 탐지 모델을 활용한 고장 예측  분석은 차량 운행 중 정상적인 작업이 이루어지고 있는지 모니터링함과 동시에 비정상적인 활동이 탐지되었을 때 이상 신호를 알려줄 수 있다. 이 때 주로 사용되는 이상치 탐지 모델은 단일 클래스 분류 알고리즘으로 비정상 데이터가 적은 경우 정상 장비로부터 수집된 데이터만을 이용하여 정상/비정상을 판정할 수 있는 알고리즘이다. 본 프로젝트에서는 실시간 데이터 수집과정에서 차량 장비 별 편차와 열화 뿐만 아니라 다수의 외생 변수 등으로 인해 새로 수집되는 정상 데이터가 모델 학습 시 사용한 정상데이터와는 다른 경우도 발생하므로 정상데이터가 시간에 따라 달라지는 경우를 반영하기 위해 초기 학습된 이상치 탐지 모델을 장비에 탑재하여 이를 실시간으로 업데이트할 수 있는 적응형 학습(adaptive learning) 프로세스가 필요했다. 그리고 장비에 부착한 모델이 실시간으로 장비의 이상을 모니터링하는 것을 목적으로 했기 때문에 적은 컴퓨팅 파워로도 작동할 수 있는 적응형 학습 프로세스 이상치 탐지 모델인 Incremental PCA 재구축 기법 기반 이상치 탐지 모델을 활용했다. 또한 건설장비의 각 작업 상태별로 정상작동 센서 패턴이 다르기 때문에 (1) 주행 상태(CAN 시그널) 데이터를 활용한 작업 상태 분류 모델을 구축하여 주행 상태를 분류한 뒤, (2) 각 주행 상태별로 구축된 이상치 탐지 모델을 통해 고장을 진단하는 모델의 전체 프로세스를 구축했다.  구축한 이상 탐지 모델의 업데이트가 유의미하게 적용되는지 판단하기 위해 실측 데이터에 대해 임의의 분포 변화를 부여한 시나리오를 설계하여 모델을 평가했다. 이는 장비의 열화와 같이 정상 데이터가 초기 학습한 정상 데이터와 조금씩 달라지는 상황에도 적응형 학습 프로세스가 유연하게 대처할 수 있는지를 확인하기 위한 과정이었다. 실험 결과 휠로더의 경우 평균적으로 90% 이상의 이상 검출 정확도를 보였고 임의의 분포 변화를 부여한 시나리오에서도 적응형 학습 프로세스를 적용하지 않은 모델보다 높은 성능으로 이상을 검출하는 것을 확인했다.                                                  

본 프로젝트는 자동차 엔진 생산 공정 품질을 결정짓는 생산설비로부터 수집된 센서데이터 기반 알람 조기예측 분석을 수행하였다. 여러 공정 설비 및 다단계 공정으로 이루어진 엔진생산 공정은 각 설비별 공정이 정상적으로 수행되지 않을 때 알람이 발생한다. 주로 설비 알람 발생 후 유지보수가 이루어지는데 본 프로젝트에서는 알람발생 전조증상을 감지하여 알람을 조기에 예측할 수 있도록 센서데이터 기반 딥러닝 예측모델링을 수행하여 선행적 유지보수를 가능하게 하는 데 목표를 두고 분석을 진행하였다. 다음 세 가지 사항을 고려하여 예측모델링을 수행하였다. (1) 알람조기예측: 입력 센서 데이터가 알람 전조 증상을 설명하도록 데이터를 처리(7일 전, 3일전, 1일전 알람 전조증상으로 labeling), (2) 다중알람예측(multi-label classification): 하나의 센서패턴이 각 설비별 다른 종류의 알람을 나타내는 상황을 고려하기 위해 Multiple labeling 작업을 수행, (3) 비주요알람 처리(open-set classification): 다수 알람 종류에 따르는 모든 설비별 센서데이터 수집이 어려운 상황으로 학습되지 않은 알람 패턴을 예측할 수 있도록 open-set classification 수행이 가능한 모델을 구축하였다. 성능 평가는 다중 분류 문제에서 주로 사용되는 Jaccard 점수 및 F1 점수로 수행했고, 실험 결과 평균적으로 80% 이상 점수를 보여 알람 전조증상을 높은 정확도로 탐지 가능한 점을 확인하였다.