딥러닝 기반 차량 잠김 방지 제동 시스템 이상 탐지 자동화 연구 = Deep Learning-Based Automated Anomaly Detection for Vehicle Anti-Lock Braking Systems

국문 초록 (Abstract)

최근 차량의 전자 제어 시스템이 고도화됨에 따라, 제동, 조향, 구동 기능이 전자 신호 기반으로 통합 제어되는 방향으로 발전하고 있다. 특히 Steer-by-Wire, Brake-by-Wire, Software Defined Vehicle(SDV)과 같은 기술은 기계적 연결을 전자 제어로 대체함으로써 제어 정밀도와 반응성을 향상시키는 핵심 기술로 주목받고 있다. 이러한 환경에서 제동 안전성 확보를 위한 잠김 방지 제동 시스템(Anti-lock Brake System, ABS)의 이상 동작을 자동으로 탐지하는 기술의 중요성이 더욱 높아지고 있다. 본 연구는 실제 차량의 ABS 센서 데이터를 활용하여 이상 동작을 자동으로 탐지하기 위한 데이터 기반 딥러닝 이상 탐지 기법을 제안하고, 다양한 방법론을 비교, 분석하는 것을 목적으로 한다. 이를 위해 약 70개 채널의 센서 데이터를 취득할 수 있는 차량을 대상으로 High μ, Low μ, Low to High μ, High to Low μ, Split μ 조건에서 주행 시험을 시행하여 약 5시간 분량의 고해상도 시계열 데이터를 확보하였다. 취득 데이터는 전문가 comment 기반 이상 라벨을 수집, 정제하여 이상 시점, 채널, 유형 정보를 구축하였으며, 10ms 균일 시간축 재구성과 Standard Scaler 정규화를 수행한 뒤 Sliding Window -> PCA -> HDBSCAN 구조를 통해 시나리오별 동적 패턴 및 패턴 다양성(Entropy)을 정량적으로 분석하였다. 이상 탐지 모델로는 OCSVM(One-Class Support Vector Machine), DBSCAN(Density-Based Spatial Clustering of Applications with Noise) 등의 비지도 머신러닝 기법과 Conv1D–BiLSTM 기반 지도 모델(ABSDualDetector), 그리고 본 연구에서 새롭게 제안한 ALAE-R(Adversarial LSTM Autoencoder) 모델을 적용하여 Precision, Recall, F1-score 관점에서 성능을 비교하였다. 특히 본 연구에서 제안한 ALAE-R은 적대적 학습 구조에 LSTM(Long Short-Term Memory) 기반 시계열 복원 능력을 결합하여 정상 패턴을 정교하게 모사하도록 설계된 비지도 모델로, 다양한 주행 모드에서 종합 Recall 약 75%를 달성하며 가장 안정적이고 일관된 이상 탐지를 수행하였다. 또한 anomaly score를 실제 이상 구간으로 변환하기 위한 후처리 기법으로 Global, Local 기준을 결합한 Hybrid Thresholding 기법, Top-k 기반 이상 탐지 기법, Rolling Window 기반 국소 이상 탐지 기법을 새롭게 제안하였으며, 이를 통해 자동화된 이상 구간 산출이 가능함을 확인하였다. 본 연구는 실제 ABS 제동 데이터를 기반으로 전처리, 데이터 특성 분석, 비지도 재구성 기반 이상 탐지 기법을 통합한 프레임워크를 제시하였으며, 이를 통해 기존 ABS 제동 시스템 검증 과정에서 전문가의 주관적, 반복적 품질 검증 업무를 자동화함으로써 man-hour를 효과적으로 절감할 수 있음을 보였다. 더 나아가 제안한 프레임워크는 SDV 및 자율주행 차량의 통합 제어 진단 시스템, 예지 정비, 지능형 차량 제어 플랫폼으로 확장 가능한 기술적 기반을 제공한다.

목차 (Table of Contents)

• 제1장 서론 1
• 제1절 연구 배경 및 필요성 1
• 제2절 관련 연구 3
• 1.2.1 Machine Learning-Based ABS Event Detection 3
• 1.2.2 USAD 4
• 제3절 연구 목적 6
• 제4절 연구 범위 및 내용 7
• 제2장 연구 방법 9
• 제1절 관련 이론 9
• 2.1.1 ABS의 원리 및 구성 9
• 2.1.2 DBSCAN 알고리즘의 원리 및 특성 11
• 2.1.3 OCSVM 알고리즘의 이론적 배경 및 작동 원리 12
• 2.1.4 LSTM 네트워크의 구조와 특성 14
• 2.1.5 Autoencoder 구조 및 재구성 기반 학습 원리 16
• 제2절 데이터 취득 및 구성 18
• 2.2.1 ABS 데이터 수집 환경 및 시험 조건 18
• 2.2.2 이벤트 기반 이상 정보 기록 및 추출 19
• 2.2.3 불균일 샘플링 보정 및 데이터 스케일 정규화 20
• 2.2.4 데이터 변환 과정의 검증을 위한 GUI 도구 활용 21
• 2.2.5 취득 데이터 현황 23
• 제3절 데이터 분석 24
• 2.3.1 데이터 구조화 24
• 2.3.2 데이터 분석 결과 25
• 제4절 머신러닝 기반 이상 탐지 기법 적용 30
• 2.4.1 OCSVM 기반 비지도 이상 탐지 30
• 2.4.2 DBSCAN 기반 비지도 이상 탐지 31
• 2.4.3 머신러닝 기반 이상 탐지 기법의 한계 31
• 제5절 딥러닝 기반 이상 탐지 기법 적용 33
• 2.5.1 Conv1D-BiLSTM 기반 지도 학습 구조 이상 탐지 33
• 2.5.2 ALAE-R 기반 비지도 학습 구조 이상 탐지 36
• 제3장 실험 및 결과 분석 45
• 제1절 실험 환경 45
• 제2절 평가 지표 46
• 제3절 성능 분석 47
• 제4절 보조 실험 및 결과: ABS 시험 Mode 자동 분류 55
• 제4장 결론 61
• 참고문헌 63