인사이트 / 블로그

자동차 NVH(소음·진동)와 CAN(차량 내부 통신) 데이터 해석은 까다로운 신호 분석 영역입니다. 파워트레인이나 모터 등 구동 부품은 상태에 따라 서로 다른 신호 패턴을 만듭니다.

이 신호는 주행 조건, 측정 환경, 센서 부착 위치에 따라 달라집니다. 같은 이상 징후도 매번 다른 형태로 나타나 연구자와 엔지니어가 모든 소음·진동 데이터를 일관되게 해석하기 어렵습니다.

도입 배경 : 블랙박스 진단과 미지 신호 대응 한계

자동차 제조기업 A사는 기존 자동 진단 솔루션을 연구 현장에서 더 깊이 활용하고자 했습니다. 기존 AI 모델은 최종 결과값만 도출할 뿐 어떤 신호 특성이 판정에 영향을 주었는지 설명하지 못하는 블랙박스 문제가 있어, 연구자가 결과를 도메인 지식과 대조해 검증하기 어려웠습니다.

학습 분포를 벗어난 미지의 신호가 유입되었을 때 이를 별도로 필터링할 방법도 없었습니다. 고객사는 진단 AI를 결과만 보여주는 도구가 아니라 판단 근거를 확인하고 모델 개선까지 이어갈 수 있는 연구 업무 도구로 바꾸고자 했습니다.

적용 방식 : 예측 근거 시각화와 OOD 탐지·재학습 비교

써로마인드는 기존 신호 진단 시스템에 설명 가능성(XAI)과 데이터 분포 이상 탐지 기능을 결합해 연구원이 판단 근거를 검증하고 모델을 고도화할 수 있는 솔루션을 설계했습니다.

• 예측 근거 시각화: AI가 어떤 신호 특징을 보고 판단했는지 시각적으로 확인
• 고장 유형 자동 분류: 소음·진동 신호를 바탕으로 이상 유형 자동 분류
• 미학습 데이터(OOD) 탐지: 학습 분포를 벗어난 낯선 신호를 실시간 감지해 오판정 리스크 완화
• 데이터 분포 확인: 데이터가 유형별로 잘 구분되는지 시각적으로 확인
• 재학습 결과 비교: 중요한 특징값을 선택해 다시 학습한 모델의 성능을 기존 결과와 비교

도입 결과 : 엔진 소음 진단 정확도 96%·28%p 향상

운영 효과 : 판단 근거를 확인하고 개선하는 연구 업무 도구

자동차 소음·진동 진단 AI는 정상과 이상을 구분하는 데서 끝나지 않습니다. 연구 현장에서 실제로 쓰이려면 AI가 왜 그런 판단을 내렸는지 설명할 수 있어야 합니다.

이번 사례의 핵심은 자동 진단 솔루션을 더 믿고 쓸 수 있는 연구 업무 도구로 바꾼 것입니다. 연구자는 AI가 중요하게 본 신호 특징과 판단에 영향을 준 구간을 확인해 결과값뿐 아니라 판단 근거까지 함께 검토할 수 있습니다.

고장 유형 자동 분류 기능도 보강했습니다. 기존에는 숙련도에 따라 판단이 달라질 수 있었지만, AI 진단 체계를 적용하면 측정 데이터 기반으로 더 일관된 판정을 내릴 수 있습니다.

새로운 데이터가 들어오면 기존 학습 데이터와 다른 패턴인지 확인하고, 필요한 경우 주요 특징값을 중심으로 재학습한 모델의 성능을 기존 모델과 비교할 수 있습니다. 진단 AI는 일회성 예측 도구를 넘어 새로운 데이터가 쌓일 때마다 모델을 점검하고 개선 필요성을 판단하는 업무 도구로 확장됐습니다.

자동차 소음 기반 엔진 진단에서 96%의 정확도를 달성했고 기존 대비 28%p 향상했습니다. 자동 진단 솔루션은 예측 결과만 보여주는 도구에서 판단 근거를 확인하고 모델 개선까지 이어갈 수 있는 진단 업무 도구로 발전했습니다.