Chapter 14

디지털 트윈과 IoT

13장의 자산 정보 모델은 "무엇이 어디에 있는가"를 압니다. 하지만 지금 7층이 몇 도인지, 공조기 베어링이 떨리기 시작했는지는 모릅니다. 건물에 센서를 달고 그 측정을 모델에 이어 붙이면 모델은 현재 상태를 따라가는 살아 있는 모델이 됩니다. 이것을 흔히 디지털 트윈이라 부르지만, 그 말에는 과장도 많습니다. 이 장은 디지털 트윈을 데이터가 흐르는 방향으로 정의하고, 센서와 데이터 흐름, 샘플링과 앨리어싱, 잡음 속에서 상태를 추정하는 칼만 필터, 이상 탐지와 관리도, 잔여 수명 추정, 공조 제어 루프, 3D 센서 대시보드, 데이터 품질과 보안을 B-10 공조 시스템의 교육용 트윈으로 하나씩 계산합니다.

이 정보가 없었다면건물은 고장이 난 뒤에야 말을 했다

1960년 루돌프 칼만(R. E. Kalman)은 잡음 섞인 측정에서 시스템의 상태를 순차적으로 추정하는 방법을 발표했고, 이 필터는 곧 아폴로 계획의 항법 계산에 쓰였습니다. 측정과 모델을 함께 써서 "보이지 않는 현재 상태"를 추정한다는 생각이 디지털 트윈의 뿌리입니다. 물리 제품과 그 가상 짝을 데이터로 잇는다는 개념은 2002년 무렵 미시간 대학의 마이클 그리브스(M. Grieves)가 제품 수명 주기 관리 강의에서 제시한 것으로 알려져 있고, "디지털 트윈"이라는 말은 2010년대 초 미국 항공우주국(NASA)의 기술 로드맵과 관련 논문에서 널리 쓰이기 시작했습니다.

건물에서는 오래전부터 건물 자동화 시스템이 온도와 설비 상태를 읽어 왔지만, 그 자료는 대개 화면에 잠시 보였다가 사라지거나, 어느 공간·어느 자산의 값인지 모델과 연결되지 않은 채 쌓였습니다. 센서와 통신이 싸지고 13장의 자산 정보 모델이 생기면서, 측정을 공간·자산에 붙여 상태를 추정하고, 고장을 미리 보고, 설비를 조정하는 것이 가능해졌습니다. 그러나 센서는 틀리고, 자료는 빠지고, 모델은 단순화된 것입니다. 이 장의 계산은 그 한계를 숫자로 보이는 데 목적이 있습니다.

센서 측정(온도·진동·전력)→샘플링 · 칼만 필터 · 관리도 · 회귀 · 1차 모델 · 3D 대시보드→상태 · 경보 · 잔여 수명 · 제어 · 작업 지시(13장)

디지털 트윈이란: 모델·그림자·트윈

대시보드는 트윈인가

B-10 운영팀에 "디지털 트윈 플랫폼" 제안서가 세 건 들어왔습니다. 하나는 3D 모델 위에 센서 값을 띄우는 화면, 하나는 매일 밤 에너지 시뮬레이션을 돌리는 모델, 하나는 측정으로 모델을 보정하고 공조 설정값을 자동으로 바꾸는 시스템입니다. 모두 디지털 트윈이라 부를 수 있을까요?

디지털 트윈이라는 말은 분야마다, 회사마다 다르게 쓰입니다. 쓸모 있는 구분 하나는 물리 대상과 디지털 모델 사이에 데이터가 자동으로 흐르는가입니다. 제조 분야의 문헌(Kritzinger 등, 2018)이 정리한 세 단계 구분이 널리 인용됩니다.

정의 14.1 (디지털 모델·그림자·트윈, 데이터 흐름 형태) 디지털 모델(digital model): 물리 대상과 모델 사이의 데이터 교환이 모두 사람 손으로 이루어진다(설계 BIM, 에너지 시뮬레이션). 디지털 그림자(digital shadow): 물리 → 디지털 방향은 자동(센서 자료가 모델에 들어감), 디지털 → 물리 방향은 사람이 판단해 조치한다(센서 대시보드, 경보). 디지털 트윈(digital twin): 양방향이 모두 자동이다. 측정이 모델의 상태를 갱신하고, 모델의 판단이 물리 대상의 제어나 작업 지시로 돌아간다. 실무에서는 "트윈"이라 불리는 것의 상당수가 그림자 단계이며, 그것만으로도 쓸모가 크다. 단계보다 중요한 것은 어떤 결정을 돕는가, 얼마나 자주 갱신하는가, 모델이 얼마나 정확한가, 누가 조치하는가이다.
디지털 모델디지털 그림자디지털 트윈 물리 B-10 모델 물리 B-10 모델 물리 B-10 모델 수동수동자동사람 조치자동자동 점선 = 사람이 옮김 · 실선 = 자동 데이터 흐름
그림 14-1. 데이터 흐름으로 본 세 단계(Kritzinger 등의 분류 형태). 위는 물리 대상(B-10), 아래는 디지털 모델이다. 그림자는 측정이 자동으로 들어오지만 조치는 사람이 하고, 트윈은 조치까지 자동으로 돌아간다. 같은 시스템 안에서도 공조 제어는 트윈, 교체 판단은 그림자처럼 섞여 있는 것이 보통이다.
"트윈"이라는 말에 속지 않기 제안서를 볼 때는 다음을 묻습니다. ① 이 시스템이 바꾸려는 결정은 무엇인가(에너지 절감, 고장 예방, 공간 재배치)? ② 모델은 무엇이고 측정으로 어떻게 보정되는가(아니면 3D 화면에 값만 띄우는가)? ③ 갱신 주기와 지연은 결정에 충분한가? ④ 모델·센서가 틀렸을 때 어떻게 아는가? ⑤ 누가 경보를 받고 조치하는가? ⑥ 운영 수십 년 동안 자료와 형식을 누가 유지하는가? 건물 디지털 트윈의 효과는 사례마다 크게 다르며, 이 장은 확인되지 않은 절감률을 제시하지 않습니다.

센서와 데이터 흐름

B-10에 센서 700개를 달면 하루에 얼마가 쌓이나

B-10 운영팀은 층마다 온도·습도·CO₂·재실 센서와 공조기 상태 점, 전력 계량기를 달고, 펌프와 공조기에는 진동 센서를 붙이려 합니다. 1분마다 저장하면 하루 몇 MB일까요? 진동 파형까지 그대로 올리면?

건물의 측정 자료는 센서(온도, 습도, CO₂, 재실, 압력·차압, 유량, 전력, 진동 가속도) → 수집(제어기·게이트웨이 같은 엣지 컴퓨팅(edge computing) 장치, 아날로그 신호를 숫자로 바꾸는 표본화와 양자화) → 전송(건물 자동화 프로토콜 BACnet(ISO 16484-5)·Modbus, 메시지 전달 방식 MQTT 같은 형태) → 저장(시각–값 쌍을 쌓는 시계열 데이터베이스(time-series database)) → 분석·모델(필터, 이상 탐지, 예측) → 표시·조치(대시보드, 경보, 작업 지시, 제어)로 흐릅니다. 각 단계에서 지연이 생기고 자료가 빠지거나 틀릴 수 있습니다.

센서온도·CO₂·진동 엣지표본화·특징 추출 네트워크BACnet·MQTT 형태 시계열 저장시각 · 값 · 품질 분석·모델필터·탐지·예측 표시·조치경보·제어·작업 지시 제어 명령 · 설정값 변경(트윈) → 다시 측정 각 화살표마다 지연 · 결측 · 오류가 생길 수 있다 → 품질 표시(마지막 절) IfcSensor ↔ 공간
그림 14-2. 건물 측정 자료의 흐름. 엣지(현장 게이트웨이)에서 진동 파형을 특징값(실효값 등)으로 줄이면 전송·저장량이 수백 배 준다. 모든 측정점은 모델의 공간·자산(IFC4의 IfcSensor, 13장의 Component)에 연결되어야 "어디의 값"인지 안다.
정의 14.2 (표본화 주기와 데이터 양)
Vday=N⋅86,400Δt⋅B,Vvib=M⋅nb⋅(fs Tb)⋅bV_{day} = N\cdot\frac{86{,}400}{\Delta t}\cdot B, \qquad V_{vib} = M\cdot n_b\cdot (f_s\,T_b)\cdot b
NN: 일반 측정점 수, Δt\Delta t: 샘플링 주기(sampling interval)(s), BB: 1개 기록의 바이트(시각 8 + 값 4–8 + 측정점 ID + 품질 표시, 압축 전). 진동은 MM개 센서가 하루 nbn_b번 길이 TbT_b(s)의 파형을 표본화 진동수 fsf_s(Hz), 표본당 bb 바이트로 기록한다. 엣지에서 파형 대신 특징값 몇 개만 보내면 fsTbf_s T_b가 특징 수로 바뀐다. 저장소는 원자료를 정해진 기간만 두고 그 뒤로는 15분 평균 같은 집계만 남기는 보존 정책을 쓴다.
SIMULATOR

데이터 양 계산기: 센서 수 × 주기 × 바이트, 엣지 처리와 보존 정책

진동 자료 전송
일반 측정 / 일—
진동 / 일—
초당 기록 수—
1년 뒤 저장량—
해볼 것: 기본값(700점, 1분, 24 B)에서 일반 측정은 하루 약 24 MB입니다 · 진동 원 파형(24개, 10 kHz, 2 s를 10분마다, 16비트)은 하루 약 138 MB로 일반 측정의 다섯 배가 넘지만, "엣지 특징값"으로 바꾸면 약 0.28 MB로 500분의 1이 됩니다 · Δt를 1초로 줄이면 일반 측정도 60배가 됩니다 — 결정에 필요한 주기보다 촘촘히 재는 것은 비용입니다 · 모델: 정의 14.2, 진동은 10분마다 2 s 버스트(하루 144회), 표본당 2 B, 특징값 1개 8 B, 보존 기간 뒤에는 15분 평균(같은 B)만 남김, 압축 무시(교육용).
예제 14.1 (B-10 측정 자료의 양) 층마다 실 7개 × (온도·습도·CO₂·재실) 28점 + 공조기 상태 20점 + 계량 10점 = 58점 × 10개 층 + 기계실 120점 ≈ 700점, Δt=60\Delta t = 60 s, B=24B = 24 B.

① 일반 측정 700×1,440×24=24.2700\times1{,}440\times24 = 24.2 MB/일 → 1년 약 8.8 GB. 오늘의 저장 장치로는 작은 양이다.

② 진동 펌프·공조기·팬 24곳, 10 kHz × 2 s 버스트를 10분마다(하루 144회), 16비트: 24×144×20,000×2=13824\times144\times20{,}000\times2 = 138 MB/일. 엣지에서 버스트마다 특징값 10개(실효값, 첨도, 특정 대역 에너지 등, 각 8 B)만 보내면 24×144×80=0.2824\times144\times80 = 0.28 MB/일.

③ 판단 양 자체보다 얼마나 자주 재야 결정에 충분한가가 설계 질문이다. 실내 온도는 몇 분에 한 번이면 충분하고, 베어링 손상의 고주파 징후는 kHz 표본화가 필요하지만 그 결과는 특징값 몇 개로 충분하다. 다음 절의 샘플링 이론이 하한을 정한다.

샘플링과 앨리어싱

1초마다 잰 펌프 진동이 느리게 출렁인다

B-10 냉수 펌프는 1,780 rpm(약 29.7 Hz)으로 돕니다. 건물 자동화 시스템이 진동을 25 Hz로 표본화했더니 4.7 Hz의 느린 진동이 보입니다. 이 4.7 Hz는 실제 진동일까요?

원리 14.3 (나이퀴스트 조건과 앨리어싱)
fs>2fmax,fa=∣f−kfs∣,  k=round⁡(f/fs),0≤fa≤fs2f_s \gt 2 f_{max}, \qquad f_a = \left|f - k f_s\right|,\ \ k = \operatorname{round}(f/f_s), \qquad 0 \le f_a \le \frac{f_s}{2}
표본화 진동수 fsf_s로 잰 신호에서 fs/2f_s/2(나이퀴스트 진동수(Nyquist frequency))보다 높은 성분은 사라지지 않고 faf_a라는 낮은 진동수로 둔갑한다. 이것이 앨리어싱(aliasing)이다. 표본만으로는 진짜 낮은 진동과 둔갑한 진동을 구별할 수 없으므로, 표본화 전에 fs/2f_s/2 이상의 성분을 아날로그 저역 통과 필터(앤티앨리어싱 필터(anti-aliasing filter))로 걸러야 한다. 표본화 정리(나이퀴스트–섀넌)는 대역이 제한된 신호를 fs>2fmaxf_s \gt 2f_{max}로 재면 원래 신호를 복원할 수 있다고 말하며, 실무에서는 대개 그보다 훨씬 높게(수 배–10배 이상) 잰다.
실제 신호 f (빠름) 표본(●)이 그리는 신호 fa (느림) 표본 간격 1/fs가 신호 주기보다 약간 짧다(f = 1.1 fs)
그림 14-3. 앨리어싱. 실제 신호의 진동수가 표본화 진동수의 1.1배이면, 표본(주황 점)은 진동수 0.1 fs의 느린 사인파(주황 점선) 위에 정확히 놓인다. 표본만 받은 사람은 느린 진동이 있다고 믿게 된다.
SIMULATOR

샘플링과 앨리어싱: 신호 진동수 · 표본화 진동수 → 보이는 진동수

예
나이퀴스트 fs/2—
보이는 진동수 fa—
fs / f—
판정—
해볼 것: 펌프(29.67 Hz)를 25 Hz로 재면 4.67 Hz가 보입니다 — fs를 60 Hz 이상으로 올리면 앨리어싱이 사라집니다 · "B-10 1차 진동"(StructureBook의 해석값 1.00 Hz)을 1 Hz로 재면 fa = 0, 건물이 전혀 흔들리지 않는 것처럼 보입니다 · fs를 신호의 정확히 2배로 하면 위상에 따라 0만 잴 수도 있습니다 — 2배는 "넘어야" 하는 하한입니다 · 모델: 원리 14.3, 신호 cos(2πft + 0.6), 앨리어스 곡선 cos(2π(f − kfs)t + 0.6)는 모든 표본을 지난다.
예제 14.2 (펌프와 건물의 표본화)

① 펌프 f=1,780/60=29.67f = 1{,}780/60 = 29.67 Hz, fs=25f_s = 25 Hz → k=round⁡(1.19)=1k = \operatorname{round}(1.19) = 1, fa=∣29.67−25∣=4.67f_a = |29.67 - 25| = 4.67 Hz. 실제로 없는 4.67 Hz 진동이 기록된다. 회전 진동수의 2배·3배 성분(정렬 불량, 날개 통과 등)까지 보려면 fs>2×3×29.67=178f_s \gt 2\times3\times29.67 = 178 Hz가 필요하고, 베어링 손상의 kHz 대역을 보려면 더 높아야 한다.

② B-10 흔들림 StructureBook 7장의 해석 모델에서 B-10의 1차 고유 주기는 1.00 s(1.00 Hz)이다. 지붕 가속도를 1초마다 재면 fa=0f_a = 0이 되어 진동이 보이지 않는다. 고차 모드(0.34 s → 2.9 Hz, 0.21 s → 4.8 Hz)까지 보려면 적어도 fs>9.6f_s \gt 9.6 Hz, 실무에서는 수십–100 Hz로 잰다.

③ 판단 실내 온도처럼 느린 신호는 분 단위로 충분하지만, 같은 시스템의 같은 저장 주기로 진동을 재면 숫자는 나오는데 의미가 없다. 측정점마다 신호의 최고 진동수에서 표본화 진동수를 정하고, 엣지에서 앤티앨리어싱 필터와 특징 추출을 한다.

상태 추정: 잡음과 칼만 필터

온도 센서가 ±0.3 °C씩 흔들린다

B-10 5층 사무실 A의 온도 센서는 1분마다 값을 보내지만 잡음이 ±0.3 °C쯤 섞여 있습니다. 공조 제어기가 이 값을 그대로 쓰면 냉방 밸브가 쉴 새 없이 열렸다 닫힙니다. 평균을 내면 잡음은 줄지만 설정값을 바꿨을 때 늦게 따라갑니다. 얼마나 믿고 얼마나 평균할지 어떻게 정할까요?

측정은 참값에 잡음이 더해진 것이고, 참값 자체도 시간에 따라 변합니다. 둘을 함께 모델로 쓰면, 새 측정이 들어올 때마다 "지금까지의 추정"과 "새 측정"을 각자의 불확실성에 비례해 섞을 수 있습니다. 그 섞는 비율을 매 순간 최적으로 정하는 것이 칼만 필터(Kalman filter)입니다.

정의 14.4 (상태 공간 모델, 1차원 랜덤 워크)
xk=xk−1+wk,  wk∼N(0,q),zk=xk+vk,  vk∼N(0,r)x_k = x_{k-1} + w_k,\ \ w_k \sim N(0, q), \qquad z_k = x_k + v_k,\ \ v_k \sim N(0, r)
xkx_k: 시각 kk의 참 상태(실내 온도), zkz_k: 측정, qq: 과정 잡음(process noise) 분산(한 단계 동안 참값이 얼마나 움직일 수 있나, °C²), rr: 측정 잡음(measurement noise) 분산(센서 잡음, 표준편차 0.3 °C면 r=0.09r = 0.09 °C²). 상태 추정(state estimation)은 측정 z1,…,zkz_1, \dots, z_k에서 xkx_k와 그 불확실성 PkP_k를 구하는 일이다.
원리 14.5 (1차원 칼만 필터: 예측과 갱신)
P−=Pk−1+q,Kk=P−P−+r,x^k=x^k−1+Kk (zk−x^k−1),Pk=(1−Kk) P−P^- = P_{k-1} + q, \qquad K_k = \frac{P^-}{P^- + r}, \qquad \hat x_k = \hat x_{k-1} + K_k\,(z_k - \hat x_{k-1}), \qquad P_k = (1 - K_k)\,P^-
예측: 상태는 그대로 두고 불확실성만 qq만큼 키운다. 갱신: 측정과 예측의 차이(혁신)에 칼만 이득(Kalman gain) KK를 곱해 더한다. KK는 0–1 사이로, 추정을 덜 믿을수록(P−P^-가 클수록) 1에 가깝고 측정을 덜 믿을수록(rr가 클수록) 0에 가깝다. 시간이 지나면 PP와 KK는 일정한 값으로 수렴한다. P∞−=q+q2+4qr2,K∞=P∞−P∞−+rP^-_\infty = \frac{q + \sqrt{q^2 + 4qr}}{2}, \qquad K_\infty = \frac{P^-_\infty}{P^-_\infty + r} 정상 상태의 필터는 이득 K∞K_\infty의 지수 이동 평균과 같다. 측정이 빠진 시각에는 갱신을 건너뛰고 예측만 한다(PP가 커져 다음 측정을 더 믿는다). CB.bim.kalman1D(z, q, r, x0, P0)가 이 계산을 한다.
이전 추정x̂ₖ₋₁, Pₖ₋₁ ① 예측P⁻ = P + q ② 갱신K = P⁻/(P⁻ + r) 측정 zₖ (잡음 r) 새 추정x̂ₖ, Pₖ 다음 시각으로 갱신 뒤 분포가 좁아진다(P < P⁻)
그림 14-4. 칼만 필터의 순환. 예측 단계에서 불확실성 P가 q만큼 커지고(넓은 분포), 갱신 단계에서 측정과 섞여 좁아진다(좁은 분포). 이득 K는 두 불확실성의 비로 정해진다. 다차원(위치·속도, 온도·열부하)으로 넓히면 같은 식이 행렬이 된다.
SIMULATOR

센서 데이터 스트림: 원 신호 vs 칼만 필터(q · r 조절)

정상 이득 K∞—
RMSE 원 측정—
RMSE 필터—
설정 변경 추종(63 %)—
해볼 것: 예제 14.3 값(q 10⁻³, r 0.09)에서 K∞ = 0.10을 확인하세요 — 전체 RMSE는 원 측정 약 0.29 °C에서 약 0.17 °C로 줄고(잡음 구간만 보면 약 3분의 1), 나머지는 설정 변경 직후의 지연 오차입니다 · q를 10⁻⁵로 줄이면 아주 매끄럽지만 120분의 설정값 변경(26 → 24 °C)을 수십 분 늦게 따라갑니다 · q를 10⁻¹로 키우면 K가 1에 가까워져 잡음을 거의 그대로 통과시킵니다 · 결측을 40 %로 하면 빈 구간에서 띠(±2√P)가 넓어지고 다음 측정을 더 크게 믿습니다 · 모델: 정의 14.4·원리 14.5, 갱신은 한 단계씩 CB.bim.kalman1D([z], q, r, x, P), 결측 시 예측만(페이지 계산), 참 온도는 1차 응답(시상수 25분) + 완만한 변동(교육용).
예제 14.3 (정상 이득과 잡음 감소) q=0.001q = 0.001 °C²(1분에 참값이 약 0.03 °C 움직일 수 있음), r=0.09r = 0.09 °C²(σ = 0.3 °C).

① 정상 예측 분산 P∞−=(0.001+0.0012+4×0.001×0.09)/2=(0.001+0.019)/2=0.010P^-_\infty = (0.001 + \sqrt{0.001^2 + 4\times0.001\times0.09})/2 = (0.001 + 0.019)/2 = 0.010 °C².

② 이득 K∞=0.010/(0.010+0.09)=0.10K_\infty = 0.010/(0.010 + 0.09) = 0.10. 새 측정을 10 %만 반영하는 지수 이동 평균과 같다(유효 기억 약 1/K = 10분).

③ 추정 오차 P∞=(1−0.10)×0.010=0.009P_\infty = (1 - 0.10)\times0.010 = 0.009 → 표준편차 0.095 °C. 원 측정 0.3 °C의 약 3분의 1이다.

④ 판단 이 필터는 설정값 변경 같은 빠른 변화를 약 10분 늦게 따라간다. 제어에는 지연이 해롭고 경보에는 잡음이 해롭다. 그래서 같은 센서라도 용도마다 q를 다르게 둘 수 있다. rr는 센서 사양이나 정지 상태의 측정 분산에서, qq는 참값이 움직이는 빠르기에서 정한다. 둘 다 "조절 손잡이"이지 진리가 아니다.

이상 탐지: 임계값·이동 평균·관리도

경보가 하루 30번 울리면 아무도 보지 않는다

B-10 냉수 펌프 CHWP-1의 진동 실효값을 1시간마다 잽니다. 평소 2.0 mm/s 안팎입니다. 정비 뒤 정렬이 틀어져 0.35 mm/s 올라가거나, 베어링이 닳아 조금씩 올라가는 것은 잡고 싶습니다. 그러나 센서가 가끔 튀는 값까지 경보로 울리면 운영자는 곧 경보를 꺼 버립니다. 어떤 규칙이 좋을까요?

이상 탐지(anomaly detection)는 정상 상태의 자료로 기준선(평균과 흩어짐)을 정하고, 새 측정이 기준선에서 우연으로 보기 어려울 만큼 벗어나면 경보를 내는 일입니다. 품질 관리의 관리도(SiteBook 14장)와 같은 생각입니다. 규칙이 민감할수록 이상을 빨리 잡지만 거짓 경보(false alarm)도 늘어납니다.

정의 14.6 (세 가지 탐지 규칙, 교육용 형태) 기준 기간(이상이 없다고 확인한 기간)의 평균 μ0\mu_0, 표준편차 σ0\sigma_0에 대해
① 고정 임계값: zt>A,② 이동 평균: ∣zˉt(m)−μ0∣>k σ0m,③ 관리도: ∣zt−μ0∣>kσ0 또는 연속 8점이 한쪽\text{① 고정 임계값: } z_t \gt A, \qquad \text{② 이동 평균: } \left|\bar z_t^{(m)} - \mu_0\right| \gt k\,\frac{\sigma_0}{\sqrt m}, \qquad \text{③ 관리도: } |z_t - \mu_0| \gt k\sigma_0 \ \text{또는 연속 8점이 한쪽}
① 설비 사양·진동 심각도 기준(기계 종류별 구역 기준, ISO 20816 계열 형태 — 값은 현행 기준과 제조사 자료 확인) 같은 절대값 AA를 넘으면 경보. 단순하지만 그 설비의 평소 수준을 모른다. ② 최근 mm개 평균은 잡음 표준편차가 σ0/m\sigma_0/\sqrt m로 줄어 작은 이동을 잡지만 mm만큼 늦다. ③ 개별 값 관리도에 SiteBook 정의 14.4의 규칙 1(3σ 밖)과 규칙 4(연속 8점이 중심선 한쪽)를 쓴다. 정규 잡음에서 3σ 규칙 하나의 거짓 경보 확률은 표본마다 약 0.27 %다.
경보 한계 정상이상 한계를 왼쪽으로 → 탐지 ↑ · 거짓 경보 ↑ 거짓 경보 비율 → 탐지 비율 → 좋은 특징·평균화나쁜 특징
그림 14-5. 탐지와 거짓 경보의 맞바꿈. 정상과 이상의 분포가 겹치면 어떤 한계도 둘 다 0으로 만들 수 없다(왼쪽). 한계를 옮겨 가며 그린 탐지–거짓 경보 곡선(오른쪽)이 왼쪽 위로 붙을수록 좋은 방법이다. 평균화와 좋은 특징(온도 보정 잔차 등)은 두 분포의 겹침을 줄여 곡선 자체를 낫게 한다.
SIMULATOR

이상 탐지: CHWP-1 진동 60일, 탐지와 거짓 경보

방법
탐지한 이상—
평균 탐지 지연—
거짓 경보(묶음)—
경보 켜진 시간—
—
해볼 것: 고정 임계값 2.8 mm/s는 정렬 불량(+0.35)을 놓치고 마모를 80시간 넘게 늦게 잡으며, 센서 튐 두 번을 경보로 냅니다 · 이동 평균(m 6, k 3)은 세 이상을 모두 잡지만 튐이 창 안에 들어오면 거짓 경보가 납니다 · 관리도에서 "연속 8점" 규칙을 끄면 마모 탐지가 약 57시간, 켜면 약 13시간으로 빨라지지만 거짓 경보가 4회에서 8회로 늘어납니다 — 일교차 같은 느린 변동이 연속 규칙을 건드리기 때문입니다 · k를 2로 낮추면 거짓 경보가 20회를 넘습니다 · 모델: 기준 기간 1–7일(평균·표준편차), 1시간 표본, 이상 ① 20–22일 수준 이동 +0.35, ② 38일부터 하루 +0.02 마모, ③ 50일 6시간 공동 현상 +1.0, 센서 튐 3회(이상 아님), 탐지 = 이상 시작부터 끝 + 24시간 안의 경보, 교육용 생성 자료(CB.rng).
예제 14.4 (경보 피로와 평균화) 기준선 μ0=2.0\mu_0 = 2.0, σ0=0.15\sigma_0 = 0.15 mm/s, 표본 1시간.

① 거짓 경보의 수 3σ 규칙 하나: 표본당 0.27 % × 8,760시간 = 센서 하나에 연 약 24회. 센서 500개면 연 약 11,800회, 하루 약 32회다. 모두 거짓이다.

② 작은 이동 +0.35 mm/s는 2.33σ02.33\sigma_0. 개별 값이 3σ를 넘을 확률은 표본마다 P(Z>0.67)≈25P(Z \gt 0.67) \approx 25 %로, 평균 4시간쯤 걸려 잡힌다. 6시간 이동 평균은 잡음이 0.15/6=0.0610.15/\sqrt6 = 0.061이고 한계는 3×0.061=0.183\times0.061 = 0.18이므로, 이동이 창을 채우면(약 6시간) 거의 확실히 잡는다.

③ 판단 경보 규칙은 "놓쳐도 되는 시간"과 "하루에 감당할 거짓 경보 수"로 정한다. 측정점이 수백 개면 측정점당 거짓 경보 확률을 훨씬 낮게(한계를 넓게, 평균화를 길게) 해야 운영자가 경보를 믿는다. 경보는 13장의 작업 지시로 이어질 때만 쓸모가 있다.

예측 유지보수: 잔여 수명 추정

공조기 필터를 언제 갈까

B-10 5층 공조기 AHU-05의 필터 차압은 먼지가 쌓이며 매일 조금씩 오릅니다. 교체 기준(교육용 250 Pa)에 언제 닿을까요? 60일치 자료로 앞을 내다볼 때 얼마나 확신할 수 있을까요?

상태 측정에 추세가 있으면 그 추세를 늘려 한계에 닿는 시각을 예측할 수 있습니다. 지금부터 그때까지가 잔여 수명(remaining useful life, RUL)입니다. 예측은 점 하나가 아니라 구간이어야 하며, 추세 모양을 잘못 가정하면 구간까지 틀립니다.

원리 14.7 (선형 회귀 외삽과 예측 구간, 교육용) 최근 nn개 측정 (tj,yj)(t_j, y_j)에 최소 제곱 직선 y^=b0+b1t\hat y = b_0 + b_1 t를 맞추면
t^f=ylim−b0b1,y^(t)±tα/2, n−2  s1+1n+(t−tˉ)2Stt\hat t_f = \frac{y_{lim} - b_0}{b_1}, \qquad \hat y(t) \pm t_{\alpha/2,\,n-2}\; s\sqrt{1 + \frac1n + \frac{(t - \bar t)^2}{S_{tt}}}
ylimy_{lim}: 한계값, 오른쪽 식이 예측 구간(prediction interval), ss: 잔차 표준편차, Stt=∑(tj−tˉ)2S_{tt} = \sum(t_j - \bar t)^2. 예측 구간의 위·아래 경계가 한계에 닿는 시각이 고장 시각 구간의 끝이 된다(위 경계가 먼저 닿는 시각 = 이른 쪽). 멀리 외삽할수록 (t−tˉ)2(t - \bar t)^2 항이 커져 구간이 넓어진다. 추세가 가속하면(필터 차압은 보통 그렇다) 직선은 고장 시각을 늦게(낙관적으로) 본다.
한계 ylim 오늘 이른 쪽t̂f늦은 쪽 RUL = t̂f − 오늘
그림 14-6. 잔여 수명 추정. 측정(점)에 맞춘 직선을 한계(빨강)까지 늘리고, 예측 구간(띠)의 두 경계가 한계에 닿는 시각으로 구간을 잡는다. 정비 계획은 보통 이른 쪽 경계에 맞춘다.
SIMULATOR

잔여 수명 추정: 필터 차압 추세 → 예측 고장 시점과 구간

예측 구간 신뢰 수준
기울기 b1—
예측 도달일 (구간)—
잔여 수명 RUL—
실제 도달일—
해볼 것: 60일 전체로 맞추면 예측 도달일이 실제(100일)보다 늦습니다 — 가속하는 추세를 직선으로 본 낙관 편향입니다 · 회귀 기간을 최근 30일로 줄이면 편향은 줄지만 구간이 넓어집니다 · 오늘을 90일로 밀면 구간이 좁아지고 실제와 가까워집니다 · 잡음을 키우면 구간이 넓어집니다 — 기본값의 90 % 구간이 실제 100일을 포함하지 않는 것에 주의하세요(모델 모양의 오류는 구간에 들어 있지 않음) · 모델: 원리 14.7, 참 추세 ΔP = 120 + 0.9t + 0.004t² Pa(교육용, 250 Pa에 100일째 도달), 정규 잡음, t 분포 분위수는 코니시–피셔 근사.
예제 14.5 (필터 차압의 직선 외삽, 잡음 없음) 참 추세 ΔP=120+0.9t+0.004t2\Delta P = 120 + 0.9t + 0.004t^2 Pa, 한계 250 Pa(실제 도달 t=100t = 100 일).

① 0–60일 전체로 맞춤 b1=1.14b_1 = 1.14 Pa/일, b0=117.6b_0 = 117.6 Pa → t^f=(250−117.6)/1.14=116\hat t_f = (250 - 117.6)/1.14 = 116 일. 16일 늦게 본다.

② 최근 30–60일로 맞춤 b1=1.26b_1 = 1.26, b0=112.2b_0 = 112.2 → t^f=109\hat t_f = 109 일. 편향이 줄었다.

③ 판단 잡음이 없어도 모델 모양의 오류만으로 16일이 틀린다. 시뮬레이터에서 보듯 90 % 예측 구간(약 110–125일)조차 실제 100일을 포함하지 않는다 — 예측 구간은 잡음만 반영하고 모델 모양의 오류는 반영하지 못하기 때문이다. 그래서 RUL은 ① 최근 자료에 더 무게를 두고, ② 구간의 이른 쪽으로 정비를 계획하고, ③ 새 측정마다 다시 계산한다. 필터는 싸고 교체가 쉬워 이른 쪽을 쓰는 비용이 작다. 13장의 원리 13.8에서 pdp_d와 LL이 바로 이 예측의 성능이다.

공조 제어 루프: 실내 온도의 1차 모델

설정값은 24 °C인데 오후에는 25.6 °C

B-10 5층 사무실 A는 오후 내내 설정값보다 1.5 °C쯤 높습니다. 냉방 용량이 모자란 걸까요, 제어 방식의 문제일까요? 트윈의 간단한 물리 모델로 따져 봅니다.

정의 14.8 (실내 온도의 1차 모델, 교육용)
CdTdt=UA (To−T)+Qg−Qc,τ=CUAC\frac{dT}{dt} = UA\,(T_o - T) + Q_g - Q_c, \qquad \tau = \frac{C}{UA}
CC: 실의 유효 열용량(공기 + 가구 + 노출된 구조체, kJ/K), UAUA: 외피·침기의 열 손실 계수(kW/K), ToT_o: 외기 온도, QgQ_g: 내부 발열과 일사(kW), QcQ_c: 냉방 열량(0–QmaxQ_{max}), τ\tau: 시상수(time constant). 제어 방식: 온–오프(T>Ts+δ/2T \gt T_s + \delta/2이면 QmaxQ_{max}, T<Ts−δ/2T \lt T_s - \delta/2이면 0), 비례(P) Qc=Kp(T−Ts)Q_c = K_p (T - T_s), 비례–적분(PI)(PI 제어(proportional-integral control)) Qc=Kpe+Ki∫e dtQ_c = K_p e + K_i\int e\,dt(e=T−Tse = T - T_s). P 제어는 정상 상태에서 T∞−Ts=UA (To−Ts)+QgUA+KpT_\infty - T_s = \frac{UA\,(T_o - T_s) + Q_g}{UA + K_p} 만큼의 정상 편차를 남기고, 적분 항이 이를 없앤다. 용량 한계에서 적분이 계속 쌓이지 않도록 막는 처리(적분 와인드업 방지)가 필요하다.
설정 Ts Σ 제어기온–오프 · P · PI 냉방 코일0 ≤ Qc ≤ Qmax 실(사무실 A)C dT/dt = … 센서 + 필터(14.4절) 외기 To · 발열 Qg (외란) −T
그림 14-7. 공조 제어 루프. 센서가 잰 실온(필터를 거친 추정)을 설정값과 비교해 오차를 만들고, 제어기가 냉방 열량을 정한다. 외기와 내부 발열은 루프 밖에서 들어오는 외란이다. 트윈은 이 루프의 모델을 측정으로 보정해 설정값 스케줄이나 고장 진단에 쓴다.
SIMULATOR

공조 제어 루프: 설정 온도 · 외기 · 제어 방식 → 실내 온도 응답

제어 방식
14시 실온 − 설정—
쾌적 이탈(재실 중, °C·h)—
냉방 열량(일)—
냉방 켜짐 횟수—
해볼 것: 비례(P), Kp 5 kW/K에서 오후 실온이 설정보다 약 1.6 °C 높습니다(정상 편차) — Kp를 20으로 올리면 약 0.4 °C로 줄고, PI로 바꾸면 0.2 °C 안팎으로 줄어듭니다 · 온–오프는 평균은 맞지만 ±0.5 °C 사이를 오가며 하루 17번쯤 켜고 끕니다(기기 수명에 해로움) · 용량을 7 kW로 줄이면 어떤 제어로도 오후에 설정값을 지키지 못합니다 — 제어 문제가 아니라 용량 문제입니다 · 모델: 정의 14.8, C = 8,000 kJ/K, UA = 0.35 kW/K(τ ≈ 6.3 h), 외기 일교차 8 °C(15시 최고), 발열은 9–18시 재실 + 일사(13시 최고), 공조 운전 7–19시, PI의 Ki = Kp/2 h⁻¹, 온–오프 차등 1 °C, 1분 오일러 적분(교육용).
예제 14.6 (P 제어의 정상 편차) UA=0.35UA = 0.35 kW/K, To=32T_o = 32 °C, Ts=24T_s = 24 °C, Qg=6Q_g = 6 kW, C=8,000C = 8{,}000 kJ/K.

① 시상수 τ=8,000/0.35=22,900\tau = 8{,}000/0.35 = 22{,}900 s ≈ 6.3 h. 실은 느리게 반응한다.

② 필요 냉방 설정값을 지키려면 Qc=0.35×8+6=8.8Q_c = 0.35\times8 + 6 = 8.8 kW. 용량 15 kW면 충분하다.

③ P 제어의 편차 Kp=5K_p = 5: 8.8/(0.35+5)=1.648.8/(0.35 + 5) = 1.64 °C. Kp=20K_p = 20: 8.8/20.35=0.438.8/20.35 = 0.43 °C. 이득을 키우면 줄지만 센서 잡음도 그만큼 밸브에 실린다(14.4절의 필터가 필요한 이유).

④ 판단 문제의 "오후 25.6 °C"는 용량 부족이 아니라 P 제어의 정상 편차일 가능성이 크다. 적분 항을 넣으면 해결된다. 트윈은 이런 진단을 측정 자료와 모델의 비교로 한다: 모델이 예측한 실온과 측정이 맞으면 모델이 쓸 만하고, 어긋나면(예: 7층 오후) 설비 이상을 의심한다.

3D 센서 대시보드: 모델 위의 데이터

60개 숫자 중 무엇이 이상한가

B-10의 각 층에는 사무실 온도 4개, 회의실 CO₂ 1개, 공조기 진동 1개, 모두 60개 센서가 있습니다. 표로 보면 숫자의 바다입니다. 모델의 공간 위에 색으로 올리면 무엇이 보일까요?

센서 값을 모델 위에 그리려면 센서마다 위치(공간)와 대상(자산)이 정해져 있어야 합니다. IFC4는 센서를 IfcSensor로 표현하고 공간과 관계를 맺을 수 있으며, 측정점 이름에 의미 태그를 붙이는 공개 의미 모델(Brick, Project Haystack 같은 형태)도 쓰입니다. 13장의 공간 번호(501–1007)와 자산 태그(AHU-01–10)가 그 연결 열쇠입니다. 3D 화면은 공간적인 패턴(한 층 전체, 남쪽 실, 한 공조 계통)을 한눈에 보여 주지만, 정확한 값과 추세는 여전히 그래프로 봐야 합니다.

SIMULATOR

3D 센서 대시보드: B-10 층별 센서 60개, 시간 슬라이더

측정량
평균 / 최고—
범위 밖 센서—
선택 센서—
—
해볼 것: 끌어 돌려 보세요(터치는 가로로 끌기) · "공조기 진동"에서 10시부터 AHU-07이 노랑 → 빨강으로 바뀌다가 13시에 멈춥니다(0) — 그 뒤 "온도"로 바꾸면 7층 사무실이 오후 내내 붉어집니다: 징후 → 고장 → 영향의 순서입니다 · "CO₂"에서 7층 회의실은 오후 회의 때 1,000 ppm을 크게 넘습니다(환기 정지) · 3층 사무실 D(304)의 온도는 6시부터 한 값에 붙어 움직이지 않습니다 — 색만 보면 정상이지만 고장 난 센서입니다(마지막 절) · 장면의 점을 눌러도 선택됩니다 · 모델: 10분 간격 24시간 교육용 생성 자료(외기 27 ± 5 °C, 재실 9–18시, 공조 7–19시, AHU-07 13시 정지, T-304 고착), 쾌적 범위 22–26 °C(재실 중), CO₂ 1,000 ppm(실내 공기질 기준 형태, 현행 확인), 진동 경보 2.8 mm/s(교육용), CB.orbit.
B-10 공조 트윈 요약(교육용) 측정점 약 700개(1분, 하루 24 MB)와 진동 24곳(엣지 특징값, 하루 0.28 MB). 온도 센서 σ 0.3 °C → 칼만 필터(q 10⁻³, r 0.09) K∞ 0.10, 추정 σ 0.095 °C, 약 10분 지연. CHWP-1 진동 기준선 2.0 ± 0.15 mm/s, 3σ 관리도 + 연속 8점 규칙. AHU-05 필터 차압 250 Pa 도달 예측: 60일 직선 외삽 116일(실제 100일) → 최근 30일 109일 → 구간의 이른 쪽으로 교체 계획. 사무실 A: τ ≈ 6.3 h, 오후 냉방 8.8 kW, P 제어 편차 1.6 °C → PI. 시나리오: AHU-07 진동 징후(10시) → 정지(13시) → 7층 실온 상승·회의실 CO₂ 상승, T-304 센서 고착. 경보는 13장의 작업 지시(AHU-07 점검)로 이어진다. 구조: B-10 1차 고유 진동수 1.00 Hz(StructureBook 해석값)를 지붕 가속도로 추적(다음 절). 모든 값은 교육용이다.

구조 건전성 모니터링 맛보기

건물의 진동수는 건강 지표가 될까

B-10 지붕에 가속도계를 달아 바람과 미진동에 흔들리는 응답에서 1차 고유 진동수를 매일 뽑습니다. 지진 뒤 진동수가 1 % 떨어졌다면 손상일까요, 날씨 탓일까요?

구조 건전성 모니터링(structural health monitoring, SHM)은 구조물의 응답을 계속 재서 손상을 찾는 일입니다. 구조물의 강성이 줄면 고유 진동수가 낮아집니다. 1자유도 근사 f=12πk/mf = \frac{1}{2\pi}\sqrt{k/m}에서 Δf/f≈12 Δk/k\Delta f/f \approx \frac12\,\Delta k/k이므로, 강성이 2 % 줄면 진동수는 약 1 % 줄어듭니다. 문제는 온도·습도·비구조 요소(마감·칸막이)의 강성 변화도 진동수를 그만큼 움직인다는 점입니다. 그래서 진동수를 그대로 감시하지 않고, 기준 기간에 온도와의 관계를 회귀해 그 몫을 뺀 잔차를 관리도로 봅니다. 교량에 대한 계산은 CivilBook 16장 스마트 계측에서 자세히 다루며(원리 16.7, 온도 보정 회귀와 7일 이동 평균), 그 방법이 이 장의 관리도와 같습니다.

가속도계(지붕 · 5층) 1차 모드 일별 1차 진동수 f (해석값 1.00 Hz 부근): 계절 변동 온도 보정 잔차 r = f − (a + bT): 손상 뒤 한계 밖 지진
그림 14-8. 건물 구조 건전성 모니터링(개념도). 지붕과 중간층의 가속도에서 1차 진동수를 매일 뽑으면 계절에 따라 오르내린다. 온도로 설명되는 몫을 뺀 잔차가 지진 뒤 관리 한계 밖으로 나가면 정밀 점검의 신호다.
예제 14.7 (B-10 진동수 추적의 해상도) StructureBook 7장의 해석 모델: T1=1.00T_1 = 1.00 s → f1=1.00f_1 = 1.00 Hz.

① 손상의 크기 강성 2 % 감소 → Δf≈0.5×2=1\Delta f \approx 0.5\times2 = 1 % → 0.990 Hz. 0.01 Hz의 차이다.

② 측정 길이 푸리에 변환의 진동수 해상도는 Δf=1/Trec\Delta f = 1/T_{rec}이다. 0.01 Hz를 가르려면 기록이 적어도 100 s, 실무에서는 잡음을 줄이려고 10분(600 s, 해상도 0.0017 Hz) 이상을 평균한다. 표본화는 고차 모드(약 4.8 Hz)까지 보려면 fs>9.6f_s \gt 9.6 Hz(예제 14.2).

③ 판단 측정 진동수는 비구조 요소의 강성 때문에 해석값과 다르게(대개 높게) 나오는 경향이 있으므로(StructureBook 7장), 기준선은 해석값이 아니라 측정한 기준 기간으로 잡는다. 진동수 변화는 "어딘가 달라졌다"는 신호일 뿐 위치와 원인을 알려 주지 않는다. 경보는 점검(13장 작업 지시, StructureBook 16장 안전 진단)으로 이어져야 한다.

데이터 품질과 보안

정상처럼 보이는 고장 센서

B-10 3층 사무실 D의 온도는 새벽 6시부터 하루 종일 26.3 °C입니다. 쾌적 범위 안이라 경보는 없습니다. 그러나 이 값은 측정이 아니라 멈춘 센서의 마지막 값입니다. 자료의 품질은 어떻게 검사할까요?

트윈의 판단은 자료보다 나을 수 없습니다. 센서 고장은 흔하며 모양이 정해져 있습니다: 튐(한 표본만 크게 벗어남), 고착(값이 멈춤), 결측(통신 끊김), 범위 밖(물리적으로 불가능한 값, 오류 코드), 표류(교정이 서서히 틀어짐), 시각 오류(시계 어긋남, 중복). 자료에는 값과 함께 품질 표시(정상·의심·불량·보간)를 붙여 두고, 분석과 경보가 그 표시를 따르게 합니다.

정의 14.9 (데이터 품질 규칙, 교육용) 각 표본에 대해 ① 범위: z∉[zmin,zmax]z \notin [z_{min}, z_{max}], ② 변화율: ∣zt−zt−1∣/Δt>rmax|z_t - z_{t-1}|/\Delta t \gt r_{max}, ③ 고착: 최근 ww분의 표준편차 <ϵ\lt \epsilon, ④ 결측: 기대 시각에 값이 없음, ⑤ 이웃 비교: 같은 공간 센서와의 차이 >δ\gt \delta가 30분 이상 지속. ①–④는 센서 하나로 검사할 수 있지만 표류는 ⑤처럼 중복 측정이나 모델 예측과의 비교로만 드러난다. 데이터 품질(data quality)은 완결성·정확성·적시성·일관성으로 나누어 보며, 이 장은 완결성(결측 제외 비율)과 규칙 위반 비율로 잰다.
SIMULATOR

데이터 품질 검사: 튐 · 고착 · 결측 · 범위 밖 · 표류

잡은 고장 종류—
잘못 표시한 시간—
완결성—
정상 표시 비율—
해볼 것: 기본값에서 다섯 고장을 모두 잡는지 보세요 · 이웃 비교를 끄면 표류(8시간째부터 서서히 +2.5 °C)를 잡지 못합니다 — 값이 범위 안이고 매끄럽기 때문입니다 · 고착 창을 120분으로 늘리면 1시간짜리 고착을 놓칩니다 · 이 센서는 잡음(0.05 °C)이 있어 짧은 창에서도 정상 구간이 고착으로 찍히지 않지만, 값을 0.1 °C로 반올림해 보내는 센서라면 안정된 실내에서 잘못 표시될 수 있습니다 · 변화율 한계를 크게 하면 튐을 놓칩니다 · 모델: 정의 14.9, 1분 표본 12시간, 센서 잡음 0.05 °C, 범위 10–40 °C, 결측 판정 5분, 고장 시나리오(튐 100분, 고착 200–260분, 결측 330–355분, 오류 값 −40 °C 420–424분, 표류 480분부터)는 교육용.

보안은 품질의 다른 얼굴입니다. 건물 자동화망이 사무망이나 인터넷과 그대로 이어지면, 공격자가 설정값을 바꾸거나 거짓 값을 넣어 트윈의 판단을 흐릴 수 있습니다. 기본 원칙은 ① 운영 기술(OT)망과 정보 기술(IT)망의 분리와 경계에서의 통제, ② 기본 비밀번호 제거와 최소 권한, ③ 펌웨어·소프트웨어 갱신, ④ 원격 접속의 기록과 감시, ⑤ 제어 명령에 대한 범위 제한(트윈이 틀려도 위험한 값은 못 보내게)입니다. 산업 제어 시스템 보안은 IEC 62443 계열 같은 표준이 다룹니다. 재실·출입·위치 자료는 사람에 관한 정보이므로 「개인정보 보호법」(현행 확인)에 따라 수집 목적과 범위를 정하고, 가능하면 개인을 식별하지 않는 집계(인원 수, 점유 여부)로 다룹니다.

트윈이 틀릴 때를 대비하기 자동 제어로 가는 트윈일수록 ① 측정 품질이 나쁘면 제어를 안전한 기본값으로 되돌리고, ② 모델의 예측과 측정이 계속 어긋나면 사람에게 알리고, ③ 모든 자동 조치를 기록해 나중에 검토할 수 있게 해야 합니다. 디지털 트윈은 건물을 대신 운영하는 것이 아니라 운영자가 더 빨리, 더 근거 있게 결정하도록 돕는 도구입니다.

이 정보가 쓰이는 곳

핵심 정리

  1. 디지털 모델·그림자·트윈은 물리 ↔ 모델의 자동 데이터 흐름으로 구별한다. 이름보다 "어떤 결정을, 얼마나 자주, 얼마나 정확히, 누가 조치하나"가 중요하다.
  2. 자료는 센서 → 엣지 → 네트워크 → 시계열 저장 → 분석 → 조치로 흐르고, 측정점은 공간·자산 ID로 모델에 연결한다. 양 = N × (86,400/Δt) × B, 진동은 엣지 특징값으로 수백 배 줄인다(B-10: 24 MB + 0.28 MB/일).
  3. fs > 2fmax를 지키지 않으면 fa = |f − kfs|로 둔갑한다(펌프 29.67 Hz를 25 Hz로 → 4.67 Hz). 앤티앨리어싱 필터와 용도별 표본화가 필요하다.
  4. 칼만 필터: P⁻ = P + q, K = P⁻/(P⁻ + r), x̂ += K(z − x̂), P = (1 − K)P⁻. q가 작으면 매끄럽지만 늦고, 크면 잡음을 통과시킨다(q 10⁻³, r 0.09 → K∞ 0.10, σ 0.3 → 0.095 °C).
  5. 이상 탐지는 기준선 대비 임계값·이동 평균(σ/√m)·관리도(3σ, 연속 8점)로 한다. 3σ 하나도 센서 500개면 하루 약 32번 거짓 경보 — 경보 피로를 계산해 규칙을 정한다.
  6. 잔여 수명은 회귀선과 예측 구간이 한계에 닿는 시각으로 추정한다. 가속하는 추세를 직선으로 보면 낙관적이다(116일 vs 실제 100일). 이른 쪽 경계로 계획하고 매번 다시 계산한다.
  7. 실온 1차 모델 C dT/dt = UA(To − T) + Qg − Qc, τ = C/UA. P 제어는 정상 편차 (UA(To − Ts) + Qg)/(UA + Kp)를 남기고 PI가 없앤다. 모델과 측정의 어긋남이 고장 진단의 단서다.
  8. 데이터 품질(튐·고착·결측·범위 밖·표류)은 규칙으로 표시하고, 표류는 이웃·모델 비교로만 잡힌다. OT망 분리·최소 권한·명령 범위 제한과 개인정보 보호가 트윈의 전제다. SHM은 Δf/f ≈ ½Δk/k와 온도 보정 잔차로 본다.

확인 퀴즈

1. 센서 값이 자동으로 3D 모델에 표시되고, 운영자가 그것을 보고 직접 설정을 바꾼다. 정의 14.1의 어느 단계인가?

물리 → 디지털은 자동, 디지털 → 물리는 사람의 조치다. 조치까지 자동으로 돌아가야 트윈이다.

2. 센서 1,000개를 10초마다 기록하고 기록 하나가 20 B이다. 하루 데이터 양은?

1,000×8,640×20=1.73×1081{,}000\times8{,}640\times20 = 1.73\times10^8 B ≈ 173 MB.

3. 50 Hz 성분이 있는 신호를 60 Hz로 표본화하면 보이는 진동수는?

나이퀴스트 진동수는 30 Hz. k=round⁡(50/60)=1k = \operatorname{round}(50/60) = 1, fa=∣50−60∣=10f_a = |50 - 60| = 10 Hz.

4. 칼만 필터에서 측정 잡음 분산 r을 크게 가정하면?

K=P−/(P−+r)K = P^-/(P^- + r). r이 크면 K가 작아져 새 측정을 덜 반영한다. 잡음은 줄지만 지연이 는다.

5. q = 0.001, r = 0.09일 때 정상 칼만 이득은?

P∞−=(0.001+10−6+3.6×10−4)/2=0.010P^-_\infty = (0.001 + \sqrt{10^{-6} + 3.6\times10^{-4}})/2 = 0.010, K=0.010/0.100=0.10K = 0.010/0.100 = 0.10(예제 14.3).

6. 기준선 σ = 0.15에서 평균이 0.3 이동했다. 9시간 이동 평균에 3σ/√m 한계를 쓸 때 한계와 이동의 관계는?

3×0.15/9=0.153\times0.15/\sqrt9 = 0.15. 이동 0.3은 한계의 두 배라 창(9시간)이 채워지면 거의 확실히 잡힌다. 대신 9시간 늦다.

7. 가속하며 증가하는 열화 추세에 직선 회귀를 맞춰 한계 도달일을 예측하면 대체로?

과거의 완만한 기울기가 평균에 섞여 미래의 가파른 기울기를 과소평가한다(예제 14.5: 116일 vs 100일). 최근 자료에 무게를 두고 구간의 이른 쪽을 쓴다.

8. UA = 0.5 kW/K, To − Ts = 6 K, Qg = 4 kW, Kp = 6.5 kW/K인 P 제어의 정상 편차는?

(0.5×6+4)/(0.5+6.5)=7/7=1.0(0.5\times6 + 4)/(0.5 + 6.5) = 7/7 = 1.0 °C. 적분 항을 넣으면 0이 된다.