Ⅱ PLCLAB
5층 엘리베이터 AI 데이터 분석 실습
SYNTHETIC DATA / REAL MACHINE LEARNING
처음이라면 여기서 시작

화재가 나면, 문을 열고 도착하기까지 몇 초가 걸릴까요?

  1. 기본값으로 「실험 생성 + AI 학습」을 누릅니다.
  2. 「평균 오차」가 작은지 살펴봅니다. 0.5초라면 실제와 평균적으로 약 0.5초 차이입니다.
  3. 현재 층과 문 상태를 바꾸고 예측 + PLC 실험을 비교합니다.

기본값으로 먼저 실행하세요. 결과는 합성 데이터 실험이며 실제 설비 성능은 아닙니다.

결과 읽는 법·실험 근거 보기 ↓
EXPERIMENT → LEARN → PREDICT

화재 귀환, 데이터로 이해하기

같은 PLC로 만든 실험 기록을 학습해, 새로운 상황의 귀환 시간을 예측합니다.

브라우저 내 머신러닝 · kNN

01 실험 데이터 만들기

TRAINING

위치·이동 상태·귀환층·문 끼임 지속 시간을 바꾸어 반복 실험합니다.

학습 전 · 버튼을 눌러 시작하세요.

학습 60%모델 선택 20%최종 시험 20%

검증 데이터는 학습에서 제외합니다. 새로고침하면 실험과 학습 결과가 초기화됩니다.

02 AI가 얼마나 잘 예측할까?

HOLDOUT TEST
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

TRY IT

문 끼임은 문을 닫는 시점에만 귀환을 지연시킵니다. 열린 문에서 출발하면 그 영향을 비교하기 쉽습니다.

먼저 위에서 AI를 학습해 주세요.

예측과 실제 결과

SIMULATION ONLY
학습 후 조건을 선택하면
예측값과 PLC 실험 결과가 나란히 표시됩니다.

04 최종 시험 결과

PREDICTED vs ACTUAL
학습 후 검증 데이터의 예측 결과를 그립니다.

가로: PLC 실험 시간 · 세로: AI 예측 시간. 점선에 가까울수록 오차가 작습니다. 시간 단위는 초입니다.

오차가 큰 최종 시험 사례

상태 / 위치실측예측오차
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 회귀가 위치·상태·귀환층·끼임 시간을 비교합니다. 검증으로 선택한 k개의 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.

화재 귀환시간 예측 회귀 · 결과 해설

숫자는 이번 실행의 결과입니다. 설정 변경 뒤에는 실행 버튼을 다시 눌러 갱신하세요.

위의 실행 버튼을 누르면 평가 결과가 표시됩니다.
이번 실험 결과 복사·저장

다운로드가 막히면 아래 JSON을 복사해서 텍스트 파일로 보관하세요.

자세히 보기: 데이터·모델·평가 근거
생성 → 입력 변수 → 전처리 → 학습 → 분리 평가 → 결과 해석

입력 변수 (feature)

변수단위·유형정의·전처리
위치1~5층 · 연속형정지/문 열림은 정수 층. 상승은 최대 4.95, 하강은 최소 1.05. 거리 계산에서 차이를 4로 나눔
상태상승·하강·문 열림·정지 · 범주형일치 시 거리 0, 불일치 시 2. 상태를 0/1/2 순서로 해석하지 않음
귀환층1층 또는 2층 · 범주형다르면 거리 1
끼임 지속시간0~8초 · 연속형차이를 8로 나눈 제곱에 가중치 0.5. 실제 현장에서는 미래 지속시간을 미리 알 수 없음

데이터 생성과 분리

고정 시드의 난수로 4개 상태를 균등 선택합니다. 초기 층은 1~5 균등분포 후 상태별 보정, 대체 귀환층 확률 30%, 끼임 없음 35%이며 나머지 끼임은 0~8초 균등분포입니다. 정답은 50ms 스캔 PLC가 FIRE_HOLD에 도달한 시간입니다. 같은 생성기의 표본을 인덱스 mod 5로 학습 60%, 모델 선택 20%, 최종 시험 20%로 나눕니다. 같은 조건이 반복될 수 있어 현실의 독립 설비 검증은 아닙니다.

왜 이 모델인가?

kNN은 비슷한 과거 사례를 보여 줄 수 있어 설명하기 쉽고 작은 데이터에서 브라우저로 실행할 수 있습니다. k=3·5·7·9·15 중 선택용 검증 MAE가 가장 작은 k를 고른 뒤, 한 번도 모델 선택에 쓰지 않은 최종 시험으로 평가합니다. 평균만 예측하는 기준과 비교합니다.

틀렸을 때와 실제 적용의 한계

입력창은 학습 범위 안으로 제한합니다. 범위 안이어도 드문 조합은 오차가 클 수 있습니다. 현재 값은 현장 피난 판단이나 PLC 안전 출력에 사용하지 않습니다.

실데이터 확장안: OPC UA·Modbus 또는 로그 파일 → 시간·설비 ID·단위가 있는 읽기 전용 수집 → 결측·단위 검사 → 설비/날짜 단위 데이터 분리 → 별도 검증. 현재 사이트에는 실데이터 연결이나 업로드 기능이 없습니다.