심화 프로젝트 기획서

프로젝트 제목

[모빌리티] 엔진 센서 데이터 기반 결함 예측 및 품질관리 분석 </aside>

팀 구성

팀명 : 8등신
이은수, 김우석, 서동엽, 오병준, 정의조 </aside>

프로젝트 목표

프로젝트를 통해 해결하려는 질문이나 목표를 명확히 기술하세요.
- 엔진 센서 데이터를 탐색적으로 분석(EDA)하고, 결측치·이상치·파생변수 전처리를 수행한 뒤 시각화를 통해 결함 패턴을 파악한다. 이를 바탕으로 엔진 센서 데이터의 조건과 변수들이 결함과 연결되는지 해석하고 품질관리 분석을 진행한다. 팀 단위로 분석 결과를 논리적으로 설명할 수 있는 결과물을 완성한다.
프로젝트의 주요 분석 내용 및 목표를 설정하세요.
- 엔진 센서 데이터에 대한 EDA를 진행하고, 통계 분석 및 머신러닝 예측 모델을 활용해 결함 및 품질 관리 전략을 수립한다.
- 주요 분석 내용
  - 엔진 성능, 배기가스, 연료 효율성 등 주요 변수 EDA
  - 결측치, 이상치 처리 및 필요한 파생 변수 생성
  - 정상/결함 유형(1,2,3) 그룹 간 주요 변수 차이를 통계 검정으로 확인
  - 머신러닝 모델(예: Logistic Regression, RandomForest, XGBoost 등)로 불량 예측 시도
- 목표
  - 엔진 센서 데이터의 구조를 파악하고, EDA → 통계 검정 → 모델링의 분석 흐름을 경험한다.
  - 통계적으로 유의미한 변수를 찾고, 머신러닝 모델로 결함 예측 가능성을 확인한다.
  - 단순히 모델을 돌리는 데 그치지 않고, 왜 이 변수를 선택했고 어떤 결과가 나왔는지 팀 차원에서 설명할 수 있는 분석 결과물을 만든다.
  - 결함 예측 결과를 기반으로 사전 유지보수 및 개선 전략 제시한다.

SMART 목표 작성 가이드 </aside>

문제 정의

분석 및 시각화의 중점
- 프로젝트에서 해결하려는 핵심 질문을 1~2문장으로 작성하세요:
  - "엔진의 센서 데이터에서 정상과 결함 그룹 간 주요 변수(압력, 출력, 배기가스 농도 등)의 차이가 통계적으로 유의미한가?"
  - "통계적으로 유의미한 변수들을 활용하여 결함 여부를 예측하는 머신러닝 모델을 만들 수 있는가?”
  - "구축한 머신러닝 모델을 실제 현장에서 활용 가능한 수준의 정확도를 확보할 수 있는가?”
문제의 필요성 및 중요성
- 프로젝트가 제공할 데이터 인사이트가 중요한 이유를 작성:
  - 엔진 센서 데이터를 분석하면 품질 문제를 감이 아니라 데이터와 통계 근거를 바탕으로 이해할 수 있다.
  - 결함에 영향을 미치는 변수를 통계 검정으로 선별하고, 머신러닝으로 사전 예측까지 시도해보면 실무에서 활용 가능한 분석 흐름을 경험할 수 있다.
  - 결함 발생 전조 증상을 데이터로 식별함으로써 결함 발생률을 낮추고, 안전성 및 품질 관리 업무의 효율성을 비약적으로 높일 수 있다. </aside>

데이터 활용 계획

데이터 출처
- 본 프로젝트는 에코 모빌리티 사에서 제공된 엔진 센서 데이터 CSV 파일을 활용하여 진행한다. 구동 과정에서 도출된 흡기 매니폴드 압력(MAP), 스로틀 위치(TPS), 엔진 출력(Power), 회전수(RPM), 연료 소비량, 배기가스 농도(CO, HC, CO2, O2) 등 주요 변수와 결함 지표(Fault) 데이터를 바탕으로 통계 검정과 머신러닝 분류 모델을 적용한다.
- 데이터 파일명: EngineFaultDB_Final.csv
- 주요 변수 예시
  
  엔진 상태 / 입력 변수
  - MAP (Manifold Absolute Pressure) : 흡기 매니폴드 절대 압력(kPa)
  - TPS (Throttle Position Sensor) : 스로틀 위치 센서(%)로, 스로틀 밸브의 개도
  - RPM (Revolutions Per Minute) : 엔진의 분당 회전수, 엔진 속도를 측정
  - speed : 차량의 주행 속도(km/h)
  출력 / 성능 변수
  - Force : 엔진의 토크 또는 회전력(N), 엔진이 발휘하는 힘의 크기
  - Power : 엔진의 출력(kW)으로, 단위 시간당 엔진이 수행하는 일의 양
  연료 효율성
  - Consumption L/H : 시간당 연료 소모량(L/H), 연료 소비율 시간 단위로 측정
  - Consumption L/100KM : 100km당 연료 소모량(L/100KM)
  배기가스 지표 및 연소
  - CO (Carbon Monoxide): 배기가스 내 일산화탄소 농도(%), 불완전 연소의 지표
  - HC (Hydrocarbons) : 배기가스 내 탄화수소 농도(ppm), 연소되지 않은 연료 성분 및 배출 효율성
  - CO2 (Carbon Dioxide) : 배기가스 내 이산화탄소 농도(%), 연소 효율성 down
  - O2 (Oxygen) : 배기가스 내 산소 농도(%), 연료 효율성 up
  - Lambda : 공기-연료 당량비, 이론적 공기-연료 비율에 대한 실제 비율
  - AFR (Air-Fuel Ratio) : 연소실 내 공기와 연료의 질량 비율, 연소 효율성과 배출 성능
  타겟 변수
  - Fault (타겟 변수) :
    - 유형: Integer (0, 1, 2, 3)
    - 설명:엔진 결함 상태를 나타내는 분류 지표
      - 0: 정상 (Normal) - 16,000개 샘플
      - 1: 결함 유형 1 (Rich mixture/Lean mixture/Low voltage 중 하나)
      - 2: 결함 유형 2 (Rich mixture/Lean mixture/Low voltage 중 하나)
      - 3: 결함 유형 3 (Rich mixture/Lean mixture/Low voltage 중 하나)
- 제공된 데이터는 EDA → 통계 검정 → 모델링 → 해석의 분석 흐름에 따라 활용한다.
데이터 전처리 계획
- 데이터 구조 확인을 위해 head(), info(), describe() 등을 활용해 변수 유형과 결측치 여부를 먼저 점검한다.
- Force 변수의 이상치 여부를 확인하고, 비정상 값(예: 1537.118)은 결측치로 변환하여 분석 왜곡을 줄인다.
- HC변수의 이상치는 평균값 또는 적절한 기준으로 대체해 기본 분석이 가능하도록 정리한다.
- Consumption L/H ,Consumption L/100KM변수는 연료 효율성을 확인하는 지표이므로, 상관관계를 확인한 뒤 필요 시 파생 변수를 생성한다.
- 머신러닝 적용을 위해 값의 차이가 많이 나는 변수들이 있기에 학습/테스트 데이터 분리 후 스케일링을 진행하여 데이터를 정리한다.
시각화 계획
- 포함할 시각화 유형
  - 막대 그래프(Bar Chart) : 정상/결함 그룹별 분포(타켓 분포)
  - 바이올린 플롯(Violinplot) : 정상/결함 그룹별 밀도 분포 확인
  - 박스플롯(Boxplot) : 정상/결함 그룹별 이상치 분포 비교
  - 히트맵(Heatmap) : 주요 수치형 변수 간 상관관계 확인
  - 바차트(Bar Chart) : 통계 검정 유의미 변수 시각화 또는 모델 변수 중요도
- 주요 지표 정의
- 시각화는 단순한 그래프 작성이 아니라, 어떤 변수가 불량과 관련 있는지, 모델이 어떤 변수를 중요하게 봤는지를 설명하기 위한 도구로 활용한다. </aside>

</aside>

</aside>

</aside>