설치와 실시간 연결 — 예지보전 실습

배포본의 두 프로그램, 가상 RTU 시뮬레이터와 설비 고장 예측 시스템을 설치하고 실행합니다. 예측 시스템은 실행되면 바로 RTU에 연결합니다. 이어서 받은 이력으로 첫 모델을 학습합니다. 그 뒤로는 1초마다 새 시점을 받아 분석하고, 30시점마다 모델을 다시 학습합니다.

무엇을 · 왜#

현장에서는 센서 값이 PLC나 RTU(원격 단말)를 거쳐 들어옵니다. 배포본은 이 구조를 두 프로그램으로 나누어 구현합니다.

프로그램	주소	하는 일	하지 않는 일
가상 RTU 시뮬레이터	`http://127.0.0.1:8766`	전류·진동 RMS·온도·압력 네 채널을 만들어 1초마다 한 시점(가상 1분)씩 내보내고, 누적 CSV·날짜별 CSV로 저장합니다	분석
설비 고장 예측 시스템	`http://127.0.0.1:8765`	RTU에서 데이터를 받아 학습·검증하고, 받을 때마다 분석해 알람과 리포트를 냅니다	설비 제어

두 프로그램은 HTTP로만 연결됩니다. 따라서 나중에 RTU 대신 다른 데이터 공급원을 연결할 수 있습니다. 5장에서는 교반기 고장 시나리오를 연결합니다.

가상 RTU의 정상 신호는 다음과 같습니다. 사인파에 잡음을 더한 값이며, 실제 설비를 대표하지 않습니다.

채널	중심값	흔들림	고정 규칙 경보
전류 `current`	8.4 A	사인 ±0.3, 잡음 σ 0.05	11.5 A 이상
진동 RMS `vibration_rms`	2.1 mm/s	사인 ±0.16, 잡음 σ 0.04	5.0 mm/s 이상
온도 `temperature`	52 °C	사인 ±0.6, 잡음 σ 0.12	70 °C 이상
압력 `pressure`	600 kPa	사인 ±5, 잡음 σ 0.8	500 kPa 이하

따라 하기#

배포본을 완전히 풀고 그 폴더로 이동합니다. ZIP 안에서 바로 실행하면 안 됩니다. Python 3.12가 있어야 합니다.
```
python3.12 -V          # Python 3.12.x
cd KANG_PdM_RTU_배포본_20261109
chmod +x macOS_전체_실행.command PDM_Program/*.command PDM_Program/*.sh rtu_simulator/*.command rtu_simulator/*.sh
```
Windows는 Windows_전체_실행.bat을 더블 클릭합니다. Linux는 Linux_전체_실행.sh를 씁니다.
두 프로그램을 설치합니다. 설치는 처음 한 번만 합니다. 프로그램마다 별도의 .venv를 만듭니다(이번 실행에서는 둘 합쳐 약 15초).
```
sh rtu_simulator/setup_unix.sh     # Flask 3.1.3
sh PDM_Program/setup_unix.sh       # scikit-learn 1.8.0, numpy 2.3.5, reportlab 5.1.0 …
```
두 프로그램을 실행합니다. ./macOS_전체_실행.command 하나로 둘 다 실행할 수 있습니다. 따로 실행하면 포트를 바꿀 수 있습니다.
```
rtu_simulator/.venv/bin/python -m rtu_simulator --no-browser &      # 8766
PDM_Program/.venv/bin/python -m pdm_web                              # 8765, 브라우저가 열림
```
8765 포트를 이미 다른 프로그램이 쓰고 있다면

예측 시스템은 8765가 열려 있으면 「이미 실행 중입니다」라고만 출력하고 그 주소를 엽니다. 다른 프로그램이 그 포트를 쓰고 있으면 엉뚱한 화면이 뜹니다. 이번 실습에 사용한 컴퓨터에서도 이 문제가 있었습니다. 그럴 때는 --port 18765처럼 포트를 바꿔 실행합니다. RTU 포트(8766)는 예측 시스템 화면의 「RTU 주소」 기본값이라 그대로 두면 편리합니다.

http://127.0.0.1:8766/healthz와 예측 시스템의 /healthz가 status: ok를 돌려주면 됩니다.
가상 RTU 화면(http://127.0.0.1:8766)을 엽니다. 오른쪽 위가 「정상 출력 중」이고, 네 채널 카드의 값이 1초마다 바뀝니다. 카드 아래의 「입력 레지스터 0 · RAW 864」는 통신 장비가 소수점을 정수로 보내는 방식을 흉내 낸 것입니다. 전류 8.64 A는 864로 전송됩니다.

「누적·일별 CSV 저장 폴더」에 경로를 넣고 시작/재시작을 누르면, 그 폴더에 virtual_rtu_live.csv(전체 누적)와 daily/virtual_rtu_날짜.csv(날짜별)가 쌓입니다. 시작하면 먼저 초기 이력 180시점(가상 3시간)을 한꺼번에 만들고, 그다음부터 1초마다 한 시점씩 추가합니다.

가상 RTU 시뮬레이터. 네 채널 값과 입력 레지스터, 전송 간격·초기 이력, 저장 폴더, 수동 이상 발생, 실시간 전송 로그
예측 시스템 화면을 엽니다. 「01 데이터 수집」의 「별도 RTU 시뮬레이터 연결」 카드가 RTU 주소(http://127.0.0.1:8766)로 스스로 연결합니다. 연결되면 상태가 「RTU 연결 · 수신 중」으로 바뀌고 다음 작업이 한꺼번에 진행됩니다.
- RTU의 누적 CSV를 받아 데이터로 씁니다(오른쪽 위 「virtual_rtu_live.csv 적용됨」).
- 받은 이력으로 첫 모델을 학습합니다. 학습 상태 줄에 「초기 학습 완료 · 모델 cc76ba2d · 다음 220시점」처럼 모델 ID 앞 여덟 자리와 다음 재학습 시점이 나옵니다.
- 그 아래 분석 줄의 「● 실시간 정상 · 실시간 4채널 정상 범위 · AI 점수 0.5…」가 1초마다 갱신됩니다.
연결 직후의 예측 시스템. 수신 시점·누적 행·네 채널 값, 실시간 자동 학습(30시점), 학습 상태와 분석 줄
30초쯤 기다립니다. 30시점이 더 들어오면 모델을 자동으로 다시 학습합니다. 이때 학습 상태 줄의 모델 ID와 「다음 ○○시점」이 바뀝니다(이번 실행에서는 cc76ba2d · 다음 220시점 → 8dfdce37 · 다음 250시점).

「초기 학습 완료」라는 글자는 그대로입니다

v0.5.1 화면은 자동 재학습 뒤에도 학습 상태 줄의 앞부분을 「초기 학습 완료」로 씁니다(재학습 문구를 쓴 직후 같은 줄을 다시 덮어씁니다). 재학습 여부는 모델 ID와 다음 시점이 바뀌었는지로 확인하세요.

단, 바로 그 시점에 고정 규칙 경보가 울리고 있으면 재학습을 미룹니다. 이상한 값으로 모델을 학습하지 않도록 하는 장치입니다.

왼쪽 03 결과 · 알람을 누르면 현재 사용하는 모델의 정보가 보입니다.

항목	이번 실행 값	뜻
알고리즘	IsolationForest	정상 패턴과 다른 정도를 점수로 냅니다(3장)
특징 창	20시점	최근 20분을 묶어 특징을 만듭니다
이상 임계값	0.606952	검증 구간 점수의 99% 지점. 점수가 이보다 크면 AI 이상
학습 시점 / 다음 재학습	220시점 / 250시점	30시점마다 다시 학습

「시간순 데이터 분할」 표에는 원시 시점을 시간 순서대로 학습 60% · 검증 20% · 최종 평가 20%로 나눈 범위가 나옵니다. 220시점이면 학습 132, 검증 44, 최종 평가 44입니다. 「생성 특징」에는 채널마다 다섯 개씩, 모두 20개 특징 이름(current.mean, pressure.slope_per_second …)이 나옵니다.

결과 · 알람 화면의 모델 카드. 알고리즘 IsolationForest, 특징 창 20시점, 이상 임계값 0.606952, 학습 시점 220, 다음 재학습 250. 생성 특징과 시간순 분할은 카드 안에서 아래로 내려 봅니다

무엇이 저장되나#

파일	언제	어디
`virtual_rtu_live.csv`	매 수신마다 누적	RTU 저장 폴더
`daily/virtual_rtu_YYYY-MM-DD.csv`	매 수신, 날짜가 바뀌면 새 파일	RTU 저장 폴더
이상 PDF + 그 시점 CSV 스냅숏	새 이상 알람이 시작될 때 한 번	예측 시스템 리포트 폴더(기본 `runtime/reports`)
기간 PDF, 학습 PDF	사용자가 버튼을 누를 때만	같은 리포트 폴더

CSV의 한 행은 한 시점의 한 채널을 나타냅니다. 열 순서는 schema_version, record_id, asset_id, channel_id, event_time, ingested_at, value_raw, unit_raw, quality_raw, source_ref, data_origin으로 고정되어 있습니다. 4장에서 이 형식에 failure_label 열을 더합니다.

확인 문제#

예측 시스템을 띄웠는데 다른 회사 프로그램 화면이 열렸습니다. 무엇을 의심하고 어떻게 고칠까요?

정답

8765 포트를 다른 프로그램이 이미 쓰고 있습니다. 예측 시스템은 포트가 열려 있으면 새로 실행하지 않고 그 주소를 엽니다. PDM_Program/.venv/bin/python -m pdm_web --port 18765처럼 사용하지 않는 포트로 실행합니다.
자동 재학습이 실제로 일어났는지 화면에서 어떻게 확인할까요?

정답

학습 상태 줄의 모델 ID(여덟 자리)와 「다음 ○○시점」이 바뀌었는지 봅니다. 「결과 · 알람」의 학습 시점·다음 재학습·모델 ID도 함께 바뀝니다. 앞부분 글자 「초기 학습 완료」는 그대로입니다.
220시점으로 학습한 모델의 임계값은 어느 구간의 점수로 정할까요? 학습 구간의 점수로 정하면 무엇이 문제일까요?

정답

학습 132시점 다음의 검증 44시점 점수로 정합니다(99% 지점). 모델은 학습 구간에 맞춰져 있어 그 구간 점수가 실제보다 낮게 나옵니다. 그 점수로 임계값을 정하면 새 데이터에서 헛알람이 많아집니다. 최종 평가 구간은 임계값을 다시 조정하지 않고 결과 확인에만 씁니다.