🎯 프로젝트의 전체 목적은?

배터리 팩 품질 이상 감지

→ 비정상적인 전압/온도 패턴을 머신러닝으로 탐지하기 위한 비지도 이상 탐지 모델을 구축하는 것이 목표.

• 데이터: 배터리 셀의 전압(MxxCVxx), 온도(MxxTxx), 평균 온도(Tavg) 등 센서 값 시계열
• 라벨 없음 → 직접 ‘정상/비정상’을 분류할 수 없음 → GAN 기반 비지도 학습 사용

🤯 내가 지금 뭘 하고 있는 걸까?

👉 한 줄 요약

비정상 배터리 동작을 자동으로 탐지하는 인공지능을 만드는 중.

특히, “정상 vs 비정상” 라벨이 없기 때문에 GAN 기반 비지도 학습을 활용하고 있음.

지금 배터리 셀 전압/온도 데이터를 기반으로 이상 징후(불량 가능성)를 조기 탐지하는 모델을 학습 중

• 훈련 데이터 (1000_chg.csv): 정상 데이터를 기반으로 학습함
• 목표: 테스트 데이터에 대해 재구성 오류(Reconstruction Error)가 높으면 → 이상으로 판단
• 즉, "정상만 학습한 모델이 비정상에 대해 이상반응을 보이게 함" 이게 핵심 전

🙋 왜 중요한가?

• 배터리 팩 품질은 전기차/ESS 등 안전에 직결되는 핵심 요소
• 사람이 모든 센서를 일일이 감시하는 건 불가능 → AI로 자동 감지
• 특히 라벨 없는 비정상 탐지는 현실적으로 매우 흔함 → 실무 적용성 높음

1. 데이터 로딩 및 전처리

✅ 1. PCA 차원 축소

• 입력 데이터의 고차원(208개 feature)을 PCA를 통해 3개 차원으로 축소
• pca_1, pca_2, pca_3이라는 컬럼으로 구성된 df를 생성

PCA(n_components=3)
→ df: ['pca_1', 'pca_2', 'pca_3']

• 왜?: 데이터 차원이 너무 높으면 학습이 어렵고, 잡음이 많아져 이상 탐지도 부정확해짐.
• 어떻게?: 1000_chg.csv 파일을 불러와서 208개의 센서 데이터를 3개의 주요 성분(pca_1, pca_2, pca_3)으로 축소.
• 결과 의미: 가장 많은 변동성을 설명하는 3개의 축으로 데이터를 재구성한 것. 이걸 기반으로 모델이 "정상 vs 이상"을 더 잘 구분할 수 있음.

1. PCA 차원 축소

📁 목적:

• 200개가 넘는 센서 데이터를 3차원으로 압축해 시각화와 학습 가능성 확보
• 불필요한 잡음 제거, 의미 있는 패턴 추출

✔️ 작업 내용:

• PCA(n_components=3)로 차원 축소
• 결과: pca_1, pca_2, pca_3

📊 결과 해석:

• 각 principal component는 여러 센서 값의 결합된 변화 패턴을 대표
• 3D 공간에 시계열을 매핑하면, 데이터의 구조적 패턴이 더 뚜렷하게 드러남

✅ 2. 시간 구간 집계 (Time Aggregation)

• date를 기준으로 지정한 interval 단위로 집계
• 집계 방식은 기본적으로 mean 평균값 사용

X, index = time_segments_aggregate(...)

Time Segment Aggregation

2. 시간 단위로 집계 (Aggregation)

📁 목적:

• 시계열 데이터를 일정 시간 단위로 평균값 집계 → 데이터 부드럽게 만들기

✔️ 작업 내용:

• time_segments_aggregate 사용
• 평균값 집계로 샘플 간 노이즈 감소

✅ 3. 정규화

• SimpleImputer로 결측값 채우고
• MinMaxScaler로 [-1, 1] 범위로 스케일링

X = MinMaxScaler(feature_range=(-1, 1)).fit_transform(X)

✅ 4. 윈도우 시퀀스 생성

• 시계열 데이터를 고정된 윈도우 길이(win_size=10)로 나누어 학습 가능한 input 시퀀스로 변환

X, y = rolling_window_sequences(X, ...)
→ X.shape = (5999, 10, 3)  # [batch, timesteps, features]
→ y.shape = (5999, 1)      # 다음 시점의 

3.4. 정규화 및 윈도우 시퀀스 구성

📁 목적:

• 딥러닝 학습을 위해 입력 데이터를 정규화하고, 시계열을 고정된 길이로 분할

✔️ 작업 내용:

• MinMaxScaler로 [-1, 1] 정규화
• rolling_window_sequences로 시계열을 [win_size, features] 형태로 슬라이딩 윈도우 생성

🔄 Min-Max Scaling

🔁 Rolling Window 시퀀스 생성