교반기 PBL 문제와 합성 데이터

페인트 교반기 M-201(가상)의 16주 데이터를 만듭니다. 진동 센서 하나로 측정하며, 레시피 세 가지(5주차부터 신제품)와 고장 두 종류 6건을 포함합니다. 원료 투입 충격과 정비 뒤 기준 변화라는 함정도 넣습니다. 고장 시각과 종류만 적힌 정비 기록까지 갖춰, 회사 데이터가 오기 전에 같은 형태의 문제를 연습합니다.

무엇을 · 왜#

현장 전문가의 조언은 "실제 설비 데이터는 그만큼 없고 라벨링도 안 되어 있으니, 합성 데이터로 문제를 명확하게 만들어 연습하라"였습니다. 합성 데이터의 좋은 점은 정답(전조가 언제 시작했는지)을 우리가 안다는 것입니다. 정답은 모델에 공개하지 않고 채점과 해설에만 씁니다.

고장과 함정의 물리#

따라 하기#

1. 16주 데이터를 만들고 그림을 그립니다(약 6초).

```bash
.venv/bin/python textbook/06_mixer_data.py
# 8739 스냅숏 · {1: 576, 2: 576, 3: 480, …, 16: 480}
```

2. 그림을 봅니다. 빨간 실선은 정비 기록의 고장 시각이고, 점선은 전조 시작 시각(정답)입니다.

![교반기 M-201 16주: 속도 RMS · 첨도 · BPFO 성분 · 회전 1배 진폭, 레시피별 색](img/mixer-overview.webp)

- 베어링 고장(F1·F3·F5)은 BPFO 성분이 며칠 앞서 오르고 첨도가 뒤따릅니다. 속도 RMS가 ISO 구역 C(2.8 mm/s)를 넘는 것은 고장 몇 시간 전뿐입니다.
- 불균형 고장(F2·F4·F6)은 회전 1배 진폭이 2~3일 동안 커집니다.
- 첨도가 일시적으로 튀는 것은 원료 투입 충격입니다. 첨도만 보는 모델은 이 때문에 헛알람을 냅니다.
- 5주차부터 보라색(레시피 C)이 섞이면서 평소 진동 수준이 올라갑니다.

3. 한 주 데이터와 정비 기록을 열어 봅니다.

```python
import pandas as pd, json
w = pd.read_parquet("data/sim/inbox/week-03.parquet")
print(w[["time", "recipe", "rpm", "vel_rms", "kurtosis", "bpfo_db", "v1x"]].tail(3))
print(json.load(open("data/sim/inbox/week-03-maintenance.json")))
```

정비 기록의 형식은 다음과 같습니다. 전조가 언제 시작했는지는 적혀 있지 않습니다.

```json
[{"id": "F1", "time": "2026-03-20T15:30:00", "week": 3, "kind": "bearing",
  "kind_ko": "베어링 외륜 손상", "work": "소음·온도 상승으로 정지, 구동단 베어링 교체"}]
```

4. 특징 열을 확인합니다. 모든 모델이 같은 특징을 봅니다.

| 열 | 뜻 |
|---|---|
| `vel_rms` | 10~1,000 Hz 속도 RMS(mm/s) — ISO 10816 기준 |
| `acc_rms`, `peak`, `kurtosis`, `crest` | 가속도 세기와 충격성 |
| `v1x`, `v2x` | 회전 1·2배 속도 진폭(mm/s) |
| `bpfo_db` | 포락선 스펙트럼의 BPFO 성분(배경 대비 dB) |
| `b00`~`b31` | 로그 간격 32개 대역의 로그 에너지(오토인코더·패턴 검색 입력) |
| `recipe`, `rpm` | 운전 조건(모델 입력이 아니라 맥락) |

확인 문제#

1. 이 데이터에서 ISO 진동 등급 규칙(속도 RMS 2.8 mm/s)만으로 베어링 고장을 일찍 잡기 어려운 이유는 무엇인가요?

1. 원료 투입 충격을 고장으로 착각하지 않게 하려면 어떤 방법이 있을까요? 두 가지 이상 들어 보세요.