SOH/RUL 예측과 이상탐지 문서에서 반복해서 쓰는 데이터, 검증, 모델 용어입니다.
| 용어 | 영어/약어 | 뜻 | 프로젝트에서의 쓰임 |
|---|---|---|---|
| 라벨 | label | 데이터에 붙은 정답표입니다. 예를 들어 특정 시점의 실제 SOH 값입니다. | 라벨이 틀리면 모델도 틀리게 배우므로 신뢰도 관리가 중요합니다. |
| 지도학습 / 회귀 | supervised learning / regression | 정답표를 보고 연속 숫자를 예측하는 학습입니다. | SOH/RUL 예측은 대체로 회귀 문제입니다. |
| 비지도 / one-class | unsupervised / one-class | 정답 없이 정상 패턴을 익힌 뒤 벗어나면 이상으로 보는 학습입니다. | 정상 데이터만 충분한 현장 이상탐지에 적합합니다. |
| 피처 | feature | 모델에 넣는 입력 재료입니다. 내부저항, 온도, 충전시간, 기울기 등이 포함됩니다. | 좋은 피처는 모델 성능과 설명력을 좌우합니다. |
| 스냅샷 / 추세 피처 | snapshot / trend feature | 한 순간 값과 최근 기간의 변화 방향·기울기입니다. | 추세 피처는 단발 측정보다 열화 예측에 유리한 경우가 많습니다. |
| 합성 데이터 | synthetic data | 실제가 아니라 인위로 만든 이상 패턴 데이터입니다. | 민감도 시험에는 유용하지만 실제 고장 검출 증거와 구분해야 합니다. |
| 용어 | 영어/약어 | 뜻 | 프로젝트에서의 쓰임 |
|---|---|---|---|
| 베이스라인 | baseline | 비교의 출발점이 되는 단순 방법입니다. | 복잡한 AI가 단순 기준보다 나은지 확인합니다. |
| 모델 사다리 | model ladder | 단순 모델부터 복잡한 모델까지 단계적으로 비교하는 운영 방식입니다. | z 점수, PCA, 신경망, CNN 등을 증거 기반으로 채택합니다. |
| 데이터 누수 | leakage | 모델 입력에 정답이나 미래 정보가 섞인 상태입니다. | 성능이 비현실적으로 좋아지는 위험을 막아야 합니다. |
| hold-out / 셀 단위 분리 | hold-out / cell-level split | 일부 셀이나 차량을 학습에서 빼고 시험에만 쓰는 검증 방식입니다. | 같은 셀이 학습과 시험에 섞여 점수가 부풀어 오르는 일을 막습니다. |
| 과적합 | overfitting | 학습 데이터에는 잘 맞지만 새 데이터에서 무너지는 상태입니다. | hold-out 검증과 단순 베이스라인 비교로 점검합니다. |
| MAE / RMSE | mean absolute error / root mean squared error | 예측이 평균적으로 얼마나 빗나갔는지 나타내는 오차 지표입니다. | SOH 예측 오차를 퍼센트포인트 단위로 설명할 때 자주 씁니다. |
| MAPE | mean absolute percentage error | 오차를 비율로 나타낸 지표입니다. | 수명 예측 오차를 퍼센트로 설명할 때 유용합니다. |
| %p | percentage point | 퍼센트 값끼리의 차이를 나타내는 단위입니다. | SOH 91%를 89%로 예측하면 오차는 2%p입니다. |
| 상관계수 | correlation | 두 값이 함께 움직이는 정도입니다. -1에서 +1 사이입니다. | 강한 상관은 유용한 단서지만 인과를 뜻하지는 않습니다. |
| ablation | ablation study | 입력 재료를 하나씩 빼거나 더해 기여도를 확인하는 실험입니다. | 어떤 피처가 실제로 성능에 기여했는지 판단합니다. |
| 교차 검토 | adversarial review | 다른 사람 또는 AI에게 결과의 약점을 찾게 하는 검토 방식입니다. | 치명적 오류를 찾고 보완 실험을 설계하는 데 씁니다. |
| 용어 | 영어/약어 | 뜻 | 프로젝트에서의 쓰임 |
|---|---|---|---|
| z 점수 / robust z | z-score / robust z-score | 평소 변동폭 대비 얼마나 벗어났는지 나타내는 점수입니다. | 설명 가능한 1차 이상탐지 기준입니다. |
| 중앙값 / MAD | median / Median Absolute Deviation | 이상값에 덜 흔들리는 중심값과 변동폭입니다. | robust z를 만들 때 평균과 표준편차 대신 씁니다. |
| 임계값 | threshold | 알람을 울릴 기준선입니다. | 낮추면 민감하지만 오탐이 늘고, 높이면 미탐이 늘 수 있습니다. |
| 오탐 / 미탐 | false positive / false negative | 멀쩡한데 울린 알람과 진짜 문제를 놓친 경우입니다. | 안전 과제에서는 미탐을 줄이되 오탐 피로도도 관리해야 합니다. |
| Recall / 검출률 | recall | 실제 문제 중 알람이 잡아낸 비율입니다. | 안전성 중심 성능 지표로 씁니다. |
| 조치율 | actionable rate | 알림 중 실제 점검·정비 조치로 이어진 비율입니다. | 현장 운영 기준으로 알람 품질을 평가합니다. |
| 리드타임 | lead time | 알람이 실제 사건보다 얼마나 먼저 울렸는지 나타냅니다. | 교체 준비와 정비 여유 시간을 설명합니다. |
| 조기알람 / 지각 | early alarm / late alarm | 너무 일찍 울린 알람과 EOL 전에 울리지 못한 경우입니다. | 리드타임의 질을 따로 평가합니다. |
| 지속성 필터 | persistence filter | 한 번 튄 값이 아니라 여러 번 연속 기준 초과일 때 알람을 인정하는 규칙입니다. | 일시적 잡음으로 인한 알람을 줄입니다. |
| 기준기 / 정상 기준 | baseline period | 각 셀·차량의 평소 모습을 정의하는 기간입니다. | z 점수와 드리프트 탐지의 기준을 만듭니다. |
| 드리프트 | drift | 값이 서서히 한 방향으로 흘러가는 현상입니다. | 장기 열화 신호를 찾는 데 중요합니다. |
| 합의 규칙 | consensus / AND | 두 감시자가 동시에 이상하다고 볼 때 강한 알람을 내는 규칙입니다. | 오탐을 줄이고 알람 신뢰도를 높입니다. |
| 결합 임계 | combined threshold | 상대 기준과 절대 기준을 동시에 만족해야 알람을 내는 방식입니다. | 사소한 변화가 과도하게 이상으로 잡히는 일을 줄입니다. |
| 조건부 정상 | conditional baseline | 주행, 충전, 계절 같은 조건별로 정상 기준을 나누는 방식입니다. | 상황 영향을 받는 신호에만 신중하게 적용합니다. |
| 등급제 알림 | graded alert | 참고, 주의, 경고, 위험처럼 알람 강도를 나누는 정책입니다. | 알람을 고장 확정이 아니라 정밀진단 후보로 다룹니다. |
| 용어 | 영어/약어 | 뜻 | 프로젝트에서의 쓰임 |
|---|---|---|---|
| 선형회귀 / Ridge | Linear Regression / Ridge | 입력과 출력의 관계를 직선으로 근사하는 단순 예측 모델입니다. | 모델 사다리의 1단 기준으로 씁니다. |
| 트리 / 랜덤포레스트 / 부스팅 | tree / RF / LightGBM / HistGB | 판단 나무 여러 개로 예측하는 표 형태 데이터 강한 모델군입니다. | SOH/RUL 예측의 주력 후보입니다. |
| PCA | Principal Component Analysis | 데이터의 주요 패턴 몇 개로 요약하는 기법입니다. | 정상 패턴으로 복원되지 않는 정도를 이상 점수로 쓸 수 있습니다. |
| Isolation Forest | Isolation Forest | 무작위 분할에서 얼마나 빨리 고립되는지로 이상치를 찾습니다. | 표 형태 이상탐지 후보입니다. |
| Mahalanobis 거리 | Mahalanobis distance | 신호 간 상관까지 고려해 정상 무리에서 얼마나 떨어졌는지 보는 거리입니다. | 다차원 one-class 이상탐지에 씁니다. |
| 신경망 / 딥러닝 | neural network / deep learning | 여러 층으로 패턴을 학습하는 모델 일반입니다. | 데이터가 충분하고 이득이 입증될 때만 상위 단계로 둡니다. |
| CNN | Convolutional Neural Network | 이웃한 값의 무늬를 읽는 신경망입니다. | 셀 x 시간 행렬을 이미지처럼 보고 이상 무늬를 찾는 후보입니다. |
| 자기지도 / 예측잔차 | self-supervised / prediction residual | 데이터 일부로 나머지를 예측하게 하고 차이를 이상 점수로 쓰는 방식입니다. | 라벨이 부족한 정상 데이터 환경에서 검토합니다. |
| 오토인코더 | autoencoder | 입력을 압축했다 복원하도록 학습하는 신경망입니다. | 정상만 잘 복원하고 이상은 복원이 서툴다는 가정으로 씁니다. |
| 병목 / 잠재 차원 | bottleneck / latent dimension | 오토인코더가 정보를 압축하는 좁은 통로의 크기입니다. | 너무 넓으면 이상도 잘 복원해 탐지에 실패할 수 있습니다. |
| LSTM / TCN | LSTM / Temporal Convolutional Network | 시간 순서가 있는 데이터를 다루는 신경망입니다. | 시계열 패턴을 읽는 모델 사다리 상위 후보입니다. |
| GNN | Graph Neural Network | 연결 관계를 따라 정보를 주고받는 신경망입니다. | 셀의 물리적 이웃 관계를 반영할 때 검토합니다. |
| GPR | Gaussian Process Regression | 예측값과 불확실성을 함께 내는 통계적 회귀입니다. | 짧은 전압 조각으로 용량을 추정하는 문헌 접근과 연결됩니다. |
| SHAP | SHAP | 예측에 각 입력이 얼마나 기여했는지 분해해 보여주는 설명 도구입니다. | 낮은 SOH 예측의 근거를 운영자에게 설명할 때 씁니다. |
| TimesNet | TimesNet | 시계열을 2차원 패턴으로 다루는 최신 계열 모델입니다. | 충분한 데이터와 명확한 추가 이득이 있을 때만 검토합니다. |