✔️ 1. EDR (Event Data Recorder) 데이터 분석
EDR 데이터는 차량이 사고를 겪기 직전과 직후의 정보를 기록한다.
속도, 브레이크 상태, 스티어링 각도, 안전벨트 착용 여부 등을 포함해 사고 원인 파악에 활용된다.
활용 방법은 크게 세 가지다.
- 패턴 분석:
Pandas DataFrame으로 데이터를 관리하고, rolling()으로 사고 전후 일정 시간의 데이터를 추출한다. NumPy 배열 연산으로 급가속, 급제동 같은 이벤트를 감지할 수 있다.
- 사고 위험 예측:
SciPy.stats.linregress()로 속도 변화와 가속도 간 상관관계를 분석해 고위험 상황을 예측한다.
- 리콜 기준 설정:
부품 오작동 여부를 ttest_ind()로 통계 검정하고, pivot_table()로 부품별 빈도를 요약해 리콜 기준을 마련한다.
✔️ 2. VoC (Voice of Customer) 데이터 분석
VoC 데이터는 고객의 불만과 피드백을 기반으로 안전 문제를 조기에 찾는 데 도움을 준다.
- 자연어 처리 기반 분석:
Pandas str.contains()로 ‘브레이크 문제’, ‘핸들 이상’ 같은 키워드를 필터링한다. scikit-learn의 CountVectorizer로 키워드 빈도를 계산하고, 감정 분석 결과를 데이터프레임에 추가해 불만 분포를 확인한다.
- 클러스터링:
KMeans 알고리즘으로 비슷한 피드백을 군집화해 주요 불편 사항을 식별한다. groupby()로 유형별 빈도를 집계해 개선 방향을 도출할 수 있다.
✔️ 3. 리콜 히스토리 및 유지보수 기록 데이터 분석
리콜 기록과 정비 이력은 특정 모델·부품의 문제 패턴을 파악하는 데 유용하다.
- 회귀 분석:
SciPy.optimize.curve_fit()으로 유지보수 데이터를 바탕으로 회귀 모델을 만들고, 부품 고장 확률을 예측한다. Pandas로 시계열 데이터를 정리해 미래 발생 가능성도 계산할 수 있다.
- 상관 분석:
pearsonr()로 결함 부품 간 상관관계를 분석하고, 연관성이 높은 부품을 식별한다.
- FMEA (고장 모드 및 영향 분석):
Pandas로 결함 원인과 영향을 나눠 관리하며, 각 부품의 고장 모드와 시스템 영향도를 체계적으로 평가한다.
✔️ 4. 주행 데이터 (운전 패턴 및 환경 데이터) 분석
주행 데이터는 차량이 실제 환경에서 어떤 상태로 움직이는지 보여주며, 위험 조건을 예측할 수 있게 한다.
- 시간-주파수 분석:
SciPy.signal.spectrogram()으로 급가속·급제동 패턴을 주파수 변화로 분석한다. NumPy 배열 연산으로 특정 조건에서 패턴이 자주 발생하는지 확인한다.
- 신경망 분석:
scikit-learn의 neural_network 모듈로 위험한 운전 습관을 학습시키고, 위험 패턴을 사전 예측하는 모델을 만든다.
- 지리적 분석:
Pandas groupby()로 도로 구간별 사고 빈도를 확인하고, 사고 위험 지역을 도출한다. OpenCV의 HoughLinesP()로 차선을 인식해 급커브 같은 위험 구간에서 차량 거동을 분석할 수도 있다.
차량 안전 데이터 분석에는 SciPy, NumPy, Pandas, scikit-learn, OpenCV 같은 라이브러리가 적절히 조합된다.
이를 통해 EDR, VoC, 리콜 이력, 주행 데이터를 체계적으로 구조화하고 분석하면, 잠재적 안전 문제를 조기에 파악하고 개선 방향을 제시할 수 있다.