Ⅱ PLCLAB
5층 엘리베이터 고장 징후 탐지 실험
LEARN NORMAL · DETECT CHANGE
처음이라면 여기서 시작

문이 고장 나기 전에 평소와 다른 신호를 찾을 수 있을까요?

  1. 「마찰 증가」 예시로 시작하고 「학습 + 실험」을 누릅니다.
  2. 놓친 이상(FN)과 정상인데 울린 경보(FP)를 함께 살펴봅니다.
  3. 「정상」·「잡음」 예시를 비교합니다. 경보가 빠르다고 항상 좋은 모델은 아닙니다.

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

결과 읽는 법·실험 근거 보기 ↓
DOOR CONDITION MONITORING

고장이 커지기 전에, 변화를 찾을 수 있을까?

문 동작 120회의 전류·닫힘 시간·진동을 분석합니다. AI 경보가 항상 더 좋은지 직접 비교해 보세요.

도어 상태 실험

1~30회는 정상. 31회부터 마찰이 증가해 90회에 설정값에 도달합니다. 0%이면 전체가 정상입니다.

학습 준비 중

민감도를 높이면 작은 변화에 반응하기 쉽지만 오경보도 늘 수 있습니다. 잡음은 실험 데이터에만 적용하며 정상 학습은 1배로 유지합니다.

120회 전체 결과

비교 항목AI · 정상 패턴 학습고정 임계값

첫 지속 경보는 3회 연속 기준 초과의 세 번째 회차입니다. 오경보·탐지율은 각 회차의 기준 초과 여부로 계산합니다. 마찰이 아주 작아도 주입된 회차는 ‘이상’ 정답으로 계산합니다.

센서 기록 재생

모터 전류—고정 경보 > 2.8 A
문 닫힘 시간—고정 경보 > 3.8 s
진동 RMS—고정 경보 > 1.2 mm/s

━ AI 상대 이상 점수━ 고정 기준 대비 비율┄ 경보 기준 100

100 초과이면 해당 회차의 기준을 넘었습니다. AI 점수는 이상 거리 ÷ 경보 기준 × 100이며, 고장 확률이 아닙니다.

센서 변화 추적

1 → 120 CYCLES

모터 전류 A

문 닫힘 시간 s

진동 RMS mm/s

회색 영역: 마찰 주입 구간 · 세로선: 재생 위치 · 점선: 고정 임계값. 그래프는 전체 기록을 표시합니다.

학습과 검증을 분리했습니다

600회정상 기록으로 평균·공분산 학습
200회별도 정상 기록으로 경보 기준 설정
400회정상 200회 + 마찰 이상 200회 검증

검증 잡음은 1배, 마찰 강도는 15~100%입니다. 위의 120회 실험은 또 다른 기록입니다. 잡음을 바꾸면 실험 결과가 검증 성능과 달라질 수 있습니다.

이 실험에서 AI가 하는 일

정상 센서의 관계를 학습

통계적 머신러닝 모델이 세 센서의 평균과 함께 변하는 관계를 학습합니다. 마할라노비스 거리로 정상 패턴에서 얼마나 멀어졌는지 계산합니다. 하나의 센서가 고정 기준보다 낮아도 조합이 낯설면 경보를 낼 수 있습니다.

비교 기준을 공개

고정 방식은 전류 2.8A, 닫힘 3.8초, 진동 1.2mm/s 중 하나라도 넘으면 경보입니다. 두 방식 모두 3회 연속 초과를 지속 경보로 표시합니다. 이 수치는 교육용 가정이며 설비의 공인 기준이 아닙니다.

진단과 제어는 별도

이상 점수는 고장 원인이나 발생 날짜를 확정하지 않습니다. 모든 센서 기록은 합성 데이터이며 실제 설비에서 검증되지 않았습니다. 이 페이지는 기존 PLC의 모터·문 출력에 연결되지 않는 분석 실험입니다.

정상 패턴 학습 → 고장 징후 탐지 · 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
모터 전류A · 연속형1.8 + 0.23L + 0.8f + 0.07nz (최소 0.1). 마찰이 늘면 증가
문 닫힘 시간초 · 연속형2.5 + 0.25L + 1.3f + 0.08nz (최소 0.3). 마찰이 늘면 지연
진동 RMSmm/s · 연속형0.65 + 0.06L + 0.55f + 0.035nz (최소 0.05). f는 가상 마찰, n은 잡음 배율, L·z는 표준정규 난수

데이터 생성과 분리

정상 학습 600개(seed 71431), 정상 임계값 보정 200개(seed 52873), 고정 시험 400개(seed 93721: 정상 200, 마찰 200)를 분리합니다. 센서 간 공통 부하 L로 상관을 만들고 각 센서에 독립 잡음 z를 더합니다. 마할라노비스 거리는 학습 평균과 공분산으로 단위·상관을 반영하며 대각선에 10⁻⁶을 더합니다. 재생 기록 120회(seed 기본 42026)는 1~30회 정상, 31~90회 마찰 증가, 이후 유지입니다.

왜 이 모델인가?

센서 하나가 아니라 전류·시간·진동의 관계가 달라지는 것을 찾기 위해 마할라노비스 거리를 사용합니다. 계산이 가볍고 정상 사례만으로 학습할 수 있습니다. 고정 임계값 [2.8A, 3.8초, 1.2mm/s]와 비교합니다. 시험 지표는 단발 판정 기준이며 3회 연속 경보의 탐지 지연은 따로 계산합니다.

틀렸을 때와 실제 적용의 한계

정답인 마찰 주입 여부는 평가에만 사용합니다. 작은 마찰도 모두 이상으로 세므로 초기 미탐지가 많을 수 있습니다. 임계값을 시험 성능을 보며 반복 선택하면 시험 데이터에 맞추게 됩니다. 실제 데이터와 완전히 분리된 최종 외부 검증이 필요합니다.

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.