단일 클래스 SVM 기반의 TMED 방식 하이브리드 자동차 엔진클러치 제어 이상 탐지 기법

Abstract

이 연구에서는 One Class SVM 구조의 이상 탐지 알고리즘을 소개하고, TMED 구조의 Hybrid 차량의 제어기능 중 하나인 엔진클러치 접합/해지제어기능을 대상으로 이상치 탐지결과를 기재하였다. 차량의 제어기능이 다양해지고 고도화되면서 SW개발과정에서 개발자가 검증해야 하는 데이터의 양이 방대해진다. 우수한 성능의 이상치 탐지 알고리즘을 통해 차량제어의 이상 거동을 판별하는 분류기를 통해 개발자의 차량 검증에 소요되는 M/H를 절감할 수 있을 것으로 예상된다. 정상치와 이상치 데이터의 불균형이 심한 특성을 고려하여 단일 클래스로 학습이 가능한 One Class SVM을 학습 알고리즘으로 사용하였고, 점이연 상관관계 분석(Point-Biserial Correlation)을 통하여 학습 알고리즘의 입력으로 사용할 특징을 추출하였다. 학습된 모델은 층화 k겹 검증(stratified k-folds) 방법을 통해 검증하였으며, 모델을 분류 성능을 평가하는 방법으로 축적된 차량 데이터의 이상치 샘플들에 대한 정탐 능력을 1차적으로 평가하였고, 기존에 나타나지 않은(Unseen) 데이터에 대한 이상치 탐지 성능을 평가하기 위해 임의로 조작된 신규 패턴에 대한 평가를 2차로 진행하였다. 연구를 통해 구성된 모델은 각 평가에서 95%이상, 91% 이상의 성능을 각각 보임을 확인하였다. 본 연구에서는 기아 쏘렌토 하이브리드 차량의 CAN Log 데이터를 수집하여 이상치 탐지 모델의 학습 및 시험 데이터로 사용하였다. 이 연구에서 이상치 탐지에 우수한 결과를 보인 모델은 쏘렌토 하이브리드 외에도 TMED 구조를 갖는 자동변속기 차종에 모두 적용이 가능 할 것으로 판단된다.|In this study, an anomaly detection algorithm of the One Class SVM structure is introduced and the results for the engine clutch engagement/disengagement control function, one of the main control functions of a TMED structured hybrid vehicle, were described. As vehicle control functions are diversified and advanced, it increases the amount of data that need to be verified and validated in the software development process, requiring more and more human resources in the S/W Development cycle. It is expected that the human resources required for the S/W verification and validation process can be reduced through using machine learning based anomaly detection algorithm with excellent performance that determines the abnormal behavior in terms of vehicle controls. Considering the severe imbalance between normal and abnormal data, One Class SVM was used as the learning algorithm, and features to be used as input to the learning algorithm were extracted through Point-Biserial Correlation Analysis of all related logged vehicle CAN data. As a method of evaluating the constructed anomaly detection model, the concept of Known abnormalities and New abnormalities is introduced. Known abnormalities are defined as observations that are far from the others. New abnormalities are defined as new observations when those are outliers. The evaluation was carried out for two types of anomalies, known abnormalities and new abnormalities, respectively. the constructed detection model showed 95% and 91% of accuracy rate for each known abnormalities and new abnormalities. In this study, logged CAN data of the Kia Sorento hybrid vehicle was collected and used as training and test data for the anomaly detection model. The model that showed excellent results in detecting anomalies in this study will be also applicable to all types of automatic transmissions with TMED structure besides Sorento Hybrid.