🤔 지금 왜 이걸 하고 있을까?(PCA 전까지 설명)

→ 전기차 배터리 팩의 품질 이상을 조기에 감지하기 위해, 센서 데이터를 기반으로 비정상 상태(NG)를 자동 판별할 수 있는 AI 모델을 만들기 위함.

✅ 정상과 NG를 구분할 수 있는 모델
✅ NG 중에서도 충전/방전 패턴의 차이 인식
✅ 향후 품질 불량 사전 탐지 시스템에 적용 가능

목적	이유
✅ 전처리	센서 데이터를 모델이 읽기 쉬운 형태로 바꾸기 위함
✅ 이상 탐지	제품 품질(NG)을 자동으로 판단할 수 있는 모델 만들기 위함
✅ 시각화/분석	어떤 센서에서 이상이 나타나는지 패턴을 보기 위함
✅ 학습/테스트 구분	모델 학습과 평가를 분리하여 정확한 검증을 위함

🗂️ 폴더 구조 설명

📁 `raw_data/`

원본 CSV 데이터 (훈련용 & 테스트용)

📁 `preprocessed/`

전처리 완료된 파일 저장 위치

→ 모델 학습 또는 예측에 직접 사용 가능

📁 현재 파일 구조 (의미 포함 요약)

폴더	내용
`raw_data/train/`	무라벨 학습용 충전/방전 데이터
`raw_data/test/`	NG/OK 여부가 있는 테스트 데이터
`preprocessed/train/`	전처리된 학습용 데이터
`preprocessed/test/`	전처리된 테스트 데이터
`TestXX_OK/NG_chg/dchg.csv`	OK/NG 상태의 라벨링된 검증용 데이터

1️⃣ 📁 데이터셋 이해 및 탐색

raw_data 폴더에 저장된 CSV 파일들을 살펴봄.
파일 이름 예시:
- Test01_OK_chg.csv → 테스트용 정상 충전 데이터
- Test07_NG_dchg.csv → 테스트용 불량 방전 데이터
- 1000_chg.csv, 1001_dchg.csv 등 → 훈련용 데이터

✔️ 각 파일이 의미하는 것

파일명	의미
`chg`	충전 중 측정한 배터리 상태
`dchg`	방전 중 측정한 배터리 상태
`OK`	품질에 문제가 없는 정상 데이터
`NG`	품질 불량(이상치 또는 고장 가능성) 데이터

💡 파일 구조 파악

2️⃣ 🧹 전처리 과정

📌 주요 전처리 단계

단계	설명
① 상수값 제거	`removeConstant()` 사용 → 의미 없는 컬럼 제거
② 결측치 보완	`handleMissingValue()`로 NaN 보간 처리
③ 전압 + 온도 센서 선택	`M01CVxx ~ M16CVxx` + `M01T01 ~ M16T02` 컬럼 추출
④ 저장	`/data/preprocessed/` 경로에 전처리 결과 저장

💡 훈련 데이터(train)와 테스트 데이터(test)가 동일한 컬럼 구성이어야 모델 적용 가능!

⚡ 전처리 함수 구성

3️⃣ ✅ 훈련용 데이터 준비

파일 예: 1000_chg.csv, 1001_dchg.csv 등
전처리 후 → df_train 또는 df_train_x로 저장
목표: 모델을 학습시키기 위한 기준 데이터셋 구성

⚡훈련 데이터 전처리

4️⃣ ✅ 테스트용 NG 데이터 전처리

Test05_NG_chg.csv, Test07_NG_dchg.csv, Test08_NG_chg.csv 등 전처리 완료
전압+온도 컬럼만 추출하여 df_test1, df_test2, df_test3 생성

⚡테스트 데이터 전처리

5️⃣ 🧠 이상치 탐지 모델 적용 준비

IsolationForest 모델을 통해 NG 데이터를 이상치로 감지할 수 있도록 준비
훈련 데이터 기반으로 모델을 학습 후, df_testX에 예측 적용

⚡이상 탐지용 모델 준비 (예: IsolationForest)

6️⃣결과 저장 및 시각화

이상 탐지 결과를 csv에 저장하고, 특정 전압/온도 센서를 시각화하여 NG 구간 확인
M01CV06 같은 특정 센서 값의 이상 변화를 plot에 표현