IoT 센서 기반 산업 설비 예지보전(Predictive Maintenance) 시스템
산업용 설비에 장착된 IoT 센서에서 실시간으로 수집한 진동, 주파수, 전류 데이터 등을 분석하여 설비의 이상 상태를 조기에 감지하고 예방하는 예지보전 시스템이다.
- 실시간 센서 데이터 수집: Modbus RTU 및 Snap7 프로토콜 지원
- 신호 처리: FFT 필터, Kalman 필터를 통한 노이즈 제거
- 이상치 탐지: 통계 기반(3-sigma), LSTM, AutoEncoder 기반 탐지
- 실시간 시스템: PostgreSQL + Redis Stream 기반 고속 데이터 파이프라인
- 시계열 예측: ARIMA 모델을 활용한 미래값 예측 및 편차 분석
J-system/
├── 📄 README.md # 프로젝트 소개
├── 📄 제이시스템_예지보전시스템.pdf # 최종 보고서
├── 📊 modeling_visualization.ipynb # 모델링 시각화
│
├── 🔧 frequency.py # PLC 기반 주파수/전류 데이터 수집
├── 🔧 vibration.py # Modbus 기반 센서 데이터 수집 (가속도, 각속도, 진동)
│
├── 📂 file/ # 초기 데이터 분석 파일
│ ├── __acceleration_velocity_speed.ipynb
│ └── __frequency.ipynb
│
└── 📂 final/ # 최종 프로젝트 결과
│
├── 📂 anomaly_detection/
│ │
│ ├── 🤖 Modeling/ # 머신러닝 기반 이상탐지
│ │ ├── AutoEncoder_Modeling.ipynb # 딥러닝(AutoEncoder) 기반 이상탐지
│ │ ├── LSTM_Modeling.ipynb # 시계열 예측(LSTM) 기반 이상탐지
│ │ └── preprocessed_data0912(symbolic).csv
│ │
│ └── ⚡ real_time/ # 실시간 이상탐지 알고리즘
│ ├── 3sigma.py # 3-Sigma 기반 이상치 판정 (✓ 최신)
│ ├── arima_predict.py # ARIMA 시계열 예측
│ └── arima_predict-v2.py # ARIMA v2 개선 버전
│
├── 📊 data_analysis/ # 데이터 분석 및 필터 검증
│ ├── FFTfilter_KALMANfilter.ipynb # FFT vs Kalman 필터 비교 분석
│ ├── modeling_visualization.ipynb
│ ├── 1024_final.csv # 실제 센서 데이터
│ ├── 1024_sensor7_3sigma.csv
│ └── sample_data.csv
│
└── 📚 NAS/ # 센서/장비 관련 조사 자료
└── readme.md
┌─────────────────────────────────────────────────────────────┐
│ 산업 설비 센서 │
│ (진동, 주파수, 전류 센서 - 모니터링) │
└─────────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────────┐
│ 데이터 수집 계층 │
│ • Modbus RTU (vibration.py) │
│ • Snap7 PLC (frequency.py) │
└─────────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────────┐
│ 신호 처리 계층 │
│ • FFT 필터 (고주파 노이즈 제거) │
│ • Kalman 필터 (동적 신호 추적) │
│ • 동적 상한/하한선 계산 │
└─────────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────────┐
│ 이상탐지 계층 │
│ • 3-Sigma (통계 기반, 실시간) │
│ • ARIMA (시계열 예측) │
│ • LSTM / AutoEncoder (심층학습) │
└─────────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────────┐
│ 저장 계층 │
│ • PostgreSQL (분석용 히스토리) │
│ • Redis Stream (실시간 모니터링) │
└─────────────────────────────────────────────────────────────┘
- 목적: 설비의 전류, 주파수(CV/SV) 실시간 수집
- 기술: Snap7 라이브러리를 이용한 PLC 통신
- 주요 센서:
- Sensor ID 3: 전류 (Current) [A]
- Sensor ID 4: 주파수 실제값 (Frequency CV) [Hz]
- Sensor ID 5: 주파수 목표값 (Frequency SV) [Hz]
# 사용 방법
python frequency.py # PLC에서 0.5초 간격으로 데이터 수집- 목적: 가속도, 각속도, 진동 속도 3축 데이터 수집
- 기술: Modbus RTU 프로토콜
- 주요 센서:
- ID 7-9: 가속도 (X, Y, Z축) [m/s²]
- ID 10-12: 각속도 (X, Y, Z축) [deg/s]
- ID 13-15: 진동 속도 (X, Y, Z축) [mm/s]
# 사용 방법
python vibration.py # Modbus 센서에서 0.5초 간격으로 데이터 수집# 용도: 고주파 노이즈 제거
# 방식: Fast Fourier Transform으로 주파수 성분 분석 후 5번째 이후 제거
filtered_value = apply_fft_filter(data_queue)# 방식: 시계열 데이터의 평균과 표준편차 기반
# 상한 = 평균 + 4σ (조정 가능)
# 하한 = 평균 - 4σ
upper_limit, lower_limit = calculate_limits_and_outlier_status(data_queue)- 위치:
final/anomaly_detection/real_time/3sigma.py - 특징:
- 실시간 처리 가능
- 연산량 최소
- 새로운 데이터 추가 시 동적 업데이트
- 원리: 정상 데이터가 평균±3σ 범위 내에 있다는 가정
# 이상치 판정
outlier = not (lower_limit <= value <= upper_limit)- 위치:
final/anomaly_detection/real_time/arima_predict.py - 특징:
- 미래값 예측 및 오차 분석
- 추세 변화 감지
- 원리: AutoRegressive Integrated Moving Average로 다음 예측값 계산
- 이상 판정: 실제값과 예측값의 오차가 임계값 초과 시
- 위치:
final/anomaly_detection/Modeling/LSTM_Modeling.ipynb - 특징:
- 장기 의존성(Long-term Dependency) 학습
- 복잡한 시계열 패턴 포착
- 학습 데이터: Simulation_data
- 참고: GPU 환경 필요
- 위치:
final/anomaly_detection/Modeling/AutoEncoder_Modeling.ipynb - 특징:
- 정상 패턴을 학습한 후 편차 탐지
- Hugging Face 사전 학습 모델 사용
- 모델: keras-io/timeseries-anomaly-detection
- 참고:
keras<3.x또는tf_keras필수
- 목적: FFT 필터 vs Kalman 필터 성능 비교
- 분석 데이터:
1024_final.csv - 평가 지표: RMSE (Root Mean Square Error)
- 결론: 더 적합한 필터 선정 기준 제시
Python 3.8+
pip install -r requirements.txt
# 데이터 수집
minimalmodbus==0.4.6 # Modbus 통신
snap7==1.3.0.1 # PLC 통신 (Snap7)
psycopg2-binary==2.9.x # PostgreSQL
redis==4.5.x # Redis
# 신호 처리 및 분석
numpy==1.23.x
scipy==1.9.x
# 머신러닝
tensorflow==2.12.x # LSTM, AutoEncoder
scikit-learn==1.3.x # ARIMA (statsmodels)
# 기타
jupyter==1.0.x
matplotlib==3.7.x
pandas==1.5.x
-- PostgreSQL 테이블 생성
CREATE TABLE vibration (
id SERIAL PRIMARY KEY,
sensor_id INT NOT NULL,
"time" TIMESTAMP NOT NULL,
value FLOAT NOT NULL,
filtered_value FLOAT,
upper_limit FLOAT,
lower_limit FLOAT,
outlier_status BOOLEAN,
created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);
CREATE INDEX idx_sensor_time ON vibration(sensor_id, "time");# PLC 설정
PLC_IP=<your_plc_ip>
PLC_RACK=0
PLC_SLOT=1
# 데이터베이스
DB_HOST=localhost
DB_NAME=postgres
DB_USER=postgres
DB_PASSWORD=your_password
DB_PORT=5432
# Redis
REDIS_URL=redis://localhost
REDIS_STREAM_NAME=sensorDataStream
# Modbus
MODBUS_PORT=COM3
MODBUS_SLAVE_ID=80
| 항목 | 내용 |
|---|---|
| 이상탐지 정확도 | 3-Sigma 90%+ (정상 데이터 기준) |
| 실시간 처리 | 0.5초 주기 센서 데이터 처리 |
| 데이터 처리량 | 초당 9개 센서 × 무한 스트림 저장 |
| 조기 경고 | ARIMA 기반 미래 편차 예측 |
| 이상 패턴 인식 | LSTM/AutoEncoder로 미지 이상 탐지 |
- Modbus RTU: 센서 데이터 수집
- Snap7: PLC 데이터 수집
- NumPy/SciPy: FFT, Kalman 필터
- Pandas: 시계열 데이터 관리
- Statistical: 3-Sigma, Z-Score
- Time Series: ARIMA, Exponential Smoothing
- Deep Learning: LSTM, AutoEncoder (Keras/TensorFlow)
- PostgreSQL: 장기 데이터 저장
- Redis: 실시간 스트림 처리
- Jupyter Notebook: 데이터 분석 및 실험
- Python 3.8+: 주 개발 언어
| 파일명 | 용도 |
|---|---|
frequency.py |
PLC 센서 수집 |
vibration.py |
Modbus 센서 수집 |
3sigma.py |
실시간 이상탐지 |
arima_predict.py |
ARIMA 예측 |
arima_predict-v2.py |
ARIMA v2 |
LSTM_Modeling.ipynb |
딥러닝 이상탐지 |
AutoEncoder_Modeling.ipynb |
AutoEncoder |
제이시스템_예지보전시스템.pdf |
IoT 예지보전 시스템 최종 보고서 |
| 파일 | 설명 |
|---|---|
제이시스템_예지보전시스템.pdf |
제이시스템 IoT 예지보전 시스템 최종 보고서 (센서 수집, 신호 처리, 이상탐지, 실험 결과 정리) |