CAN 데이터를 활용한 머신러닝 기반 예측 시스템(실전 프로젝트)

CAN 데이터를 활용한 머신러닝 기반 예측 시스템(실전 프로젝트)

1. 개요

자동차와 산업용 기기에서 사용되는 CAN(Controller Area Network) 통신은 다양한 센서 및 제어 데이터를 실시간으로 전송하는 중요한 네트워크입니다. 이 데이터를 활용하면 차량의 상태를 분석하고, 머신러닝 및 딥러닝 기술을 통해 고장 예측 및 유지보수 자동화 시스템을 구축할 수 있습니다.

이번 포스팅에서는 CAN 데이터를 기반으로 머신러닝 및 딥러닝을 활용한 고장 예측 모델을 개발하는 방법을 설명합니다. 또한, 실제 자동차 유지보수를 위해 AI 기반 분석 시스템을 구축하는 절차를 소개합니다.

---

2. CAN 데이터를 활용한 고장 예측 모델 개발

2.1 데이터 수집 및 전처리

머신러닝 기반 고장 예측 모델을 구축하려면 먼저 CAN 데이터 로그를 수집해야 합니다. 일반적으로 CAN 데이터는 로그 파일(CSV, JSON, ASC 등) 형태로 저장됩니다.

CAN 데이터의 일반적인 구조는 다음과 같습니다:

Timestamp	CAN ID	DLC	Data Bytes
1612435232	0x18FEF1	8	FF FF 00 00 12 34 56 78
1612435233	0x0CFE6C	8	45 67 89 AB CD EF 12 34

데이터를 활용하기 위해 Python과 Pandas를 사용하여 CAN 로그를 불러오고 전처리합니다.

import pandas as pd

def load_can_data(file_path):
    df = pd.read_csv(file_path)
    df['Timestamp'] = pd.to_datetime(df['Timestamp'], unit='s')
    return df

can_data = load_can_data('can_log.csv')
print(can_data.head())

이제 데이터를 정제하고, 머신러닝 모델에서 활용할 수 있도록 가공하는 과정이 필요합니다.

2.2 특징 추출 (Feature Engineering)

머신러닝 모델이 학습할 수 있도록 CAN 데이터에서 의미 있는 특징(Feature)을 추출해야 합니다. 주요 특징으로는 다음과 같은 것들이 있습니다:

• CAN ID별 발생 빈도: 특정 ID의 메시지가 얼마나 자주 발생하는지 분석
• 데이터 패턴 분석: 센서 값의 변화 패턴
• 이상 값 탐지: 정상적인 범위를 벗어난 데이터 검출

Pandas를 활용하여 CAN ID별 발생 빈도를 계산할 수 있습니다.

can_id_counts = can_data['CAN ID'].value_counts()
print(can_id_counts)

2.3 머신러닝 모델 구축

이제 머신러닝 모델을 사용하여 CAN 데이터 기반 고장 예측을 수행합니다. 주로 랜덤 포레스트(Random Forest), XGBoost, 딥러닝 모델(LSTM, CNN 등)을 활용할 수 있습니다.

간단한 랜덤 포레스트 모델을 사용하여 고장 예측을 시도해 보겠습니다.

from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# 데이터 준비 (예제 데이터)
X = can_data.drop(['Timestamp', 'CAN ID'], axis=1)  # 특성 데이터
Y = (can_data['CAN ID'] == 0x18FEF1).astype(int)  # 특정 고장 발생 여부

X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=42)

# 랜덤 포레스트 모델 학습
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, Y_train)

# 모델 평가
predictions = model.predict(X_test)
accuracy = accuracy_score(Y_test, predictions)
print(f'모델 정확도: {accuracy:.2f}')

이러한 방식으로 CAN 데이터를 기반으로 고장을 예측하는 머신러닝 모델을 개발할 수 있습니다.

---

3. 딥러닝/머신러닝과 CAN 로그 데이터를 결합

3.1 시계열 데이터 기반 딥러닝 모델

자동차 센서 데이터는 시간에 따라 변화하는 시계열 데이터이므로, 딥러닝 모델 중에서도 LSTM(Long Short-Term Memory) 네트워크가 효과적입니다.

TensorFlow/Keras를 활용하여 LSTM 모델을 구현하는 예제는 다음과 같습니다.

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

# LSTM 모델 정의
model = Sequential([
    LSTM(50, return_sequences=True, input_shape=(X_train.shape[1], 1)),
    LSTM(50, return_sequences=False),
    Dense(1, activation='sigmoid')
])

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 모델 학습
model.fit(X_train, Y_train, epochs=10, batch_size=32, validation_data=(X_test, Y_test))

LSTM 모델은 CAN 데이터의 시계열 패턴을 학습하여 미래의 고장 가능성을 예측하는 데 유용합니다.

---

4. 자동차 유지보수를 위한 AI 기반 분석 시스템 구축

4.1 실시간 CAN 데이터 스트리밍 및 분석

실제 자동차 유지보수 시스템을 구축하려면 실시간으로 CAN 데이터를 수집하고 분석해야 합니다. 이를 위해 MQTT, Kafka 등의 메시지 브로커를 활용할 수 있습니다.

import paho.mqtt.client as mqtt

def on_message(client, userdata, message):
    print(f"수신한 데이터: {message.payload.decode()}")

client = mqtt.Client()
client.on_message = on_message
client.connect("mqtt_broker_ip", 1883)
client.subscribe("car/can_data")
client.loop_forever()

이와 같이 실시간으로 CAN 데이터를 수집하고 분석하여 자동차 유지보수 및 고장 예측을 자동화하는 시스템을 구축할 수 있습니다.

---

5. 결론

본 포스팅에서는 CAN 데이터를 활용한 머신러닝 기반 고장 예측 시스템 구축 방법을 설명하였습니다.

1. CAN 데이터를 수집하고 전처리하는 방법
2. 머신러닝 및 딥러닝을 활용하여 고장 예측 모델을 개발하는 방법
3. 실시간 스트리밍을 활용하여 유지보수 시스템을 구축하는 방법

앞으로 더욱 발전된 모델을 활용하여 자동차 유지보수의 자동화 및 예측 정밀도 향상을 목표로 연구를 진행할 수 있습니다.