01 실험 데이터 만들기
위치·이동 상태·귀환층·문 끼임 지속 시간을 바꾸어 반복 실험합니다.
학습 전 · 버튼을 눌러 시작하세요.
학습 데이터 80%검증 데이터 20%
검증 데이터는 학습에서 제외합니다. 새로고침하면 실험과 학습 결과가 초기화됩니다.
02 AI가 얼마나 잘 예측할까?
AI 평균 절대오차—실제 귀환 시간과 예측의 평균 차이
단순 평균 예측 오차—항상 학습 데이터의 평균값으로 예측
평균 예측 대비 개선—학습 후 검증 결과를 표시합니다.
03 새로운 상황 예측하기
문 끼임은 문을 닫는 시점에만 귀환을 지연시킵니다. 열린 문에서 출발하면 그 영향을 비교하기 쉽습니다.
먼저 위에서 AI를 학습해 주세요.
예측과 실제 결과
학습 후 조건을 선택하면
예측값과 PLC 실험 결과가 나란히 표시됩니다.
예측값과 PLC 실험 결과가 나란히 표시됩니다.
AI 예측—
PLC 실험—
이번 절대오차—
PLC 실험에서 측정한 시간 구성
가까운 학습 사례 예측에 사용한 7개
| 위치 | 상태 | 귀환층 | 끼임 | 실측 |
|---|
04 전체 검증 결과
학습 후 검증 데이터의 예측 결과를 그립니다.
가로: PLC 실험 시간 · 세로: AI 예측 시간. 점선에 가까울수록 오차가 작습니다. 시간 단위는 초입니다.
오차가 큰 검증 사례
| 상태 / 위치 | 실측 | 예측 | 오차 |
|---|---|---|---|
| 아직 검증 결과가 없습니다. | |||
여기서 PLC와 AI는 각각 무엇을 할까요?
PLC
안전 조건과 동작을 결정
화재 입력, 방향 전환, 문 인터록, 지정 층 귀환은 기존 제어 로직이 담당합니다. AI의 예측값은 모터 출력이나 귀환층을 바꾸지 않습니다.
ML
실험 사례에서 시간을 예측
거리 가중 k-최근접 이웃 회귀(k=7)가 위치·상태·귀환층·끼임 시간을 비교합니다. 비슷한 7개 학습 사례의 실측 시간을 가중 평균해 새 조건을 예측합니다.
LIMIT
실제 설비 성능과 구분
모든 데이터는 같은 가상 PLC에서 생성됩니다. 검증 오차는 이 가상 환경 안에서의 성능이며 실제 승강기 성능을 보장하지 않습니다. 끼임 지속 시간은 실험에서 미리 정한 값입니다.
AI = 브라우저 내 머신러닝 모델. 설명 문장은 측정값을 바탕으로 작성한 규칙 기반 문장입니다. 외부 AI API·실제 승강기 데이터는 사용하지 않습니다.