Monitoring Diagnostics Toolkit

온도·압력·유량·재고·위치 센서로 설비의 물리 성능과 정상 상태 편차를 감시하는 Python 툴킷입니다. 단위 설비 모듈을 독립적으로 사용하거나 공통 시계열 계약으로 연결합니다. 물질수지·열수지·저항·투수성·정상 잔차를 계산하고, 계산량·유효성·판단 이유·경보를 함께 반환합니다.

Equipment-specific process monitoring with explicit SI inputs, inspectable residuals, separate normal fitting/calibration, causal alarms and reproducible research records.

연구용 Alpha입니다. 계산 검증과 실제 고장 검증을 구분합니다. 경보는 고장 원인 확정이나 확률이 아닙니다. 최신 히트펌프 개선은 응축온도 0.3 K 차이에 의존하며 날짜·계측 편차와 유량 고장의 효과를 분리하지 못했습니다.

문서 바로가기

사용 설명서 · 모델 식·가정·출력 · 개발 이력 · 재검증 절차 · 데이터 출처 · 후속 연구 인수인계 · 전체 문서 지도

설비별 단위 모듈: CLI 11종과 Python API

아래 입력은 역할(role) 이름입니다. 실제 열 이름은 channels={역할: 열이름}으로 연결합니다. ?는 선택 센서입니다. 모든 진단은 공통 DiagnosticResult를 반환하며 정확한 설정 철자와 기본값은 API_REFERENCE에 있습니다.

공통 경보 설정은 persistence_s, max_gap_s, allowed_modes입니다. operating 역할을 선택 제공하면 값 1인 관측만 판정합니다. 기본 임계값이 현장에 적합하다고 보장하지 않습니다. 참조값이 필요한 모형은 정상 자료로 fit하거나 동결 기준을 set_reference로 복원합니다.

추가 Python 모듈

이들은 CLI 11종에 자동 등록되지 않습니다. from equipment_diagnostics import ...로 사용합니다.

설치와 실행

python -m pip install monitoring-diagnostics-toolkit
equipment-diagnose list --details
# 저장소에서 개발/검증
python -m pip install -e ".[dev]"
# 필요한 경우만 선택
python -m pip install -e ".[learning,physics,public-data]"

배포명은 변경했지만 기존 import·CLI·JSON의 equipment-diagnostics.* 식별자는 호환성을 위해 유지합니다. 공개 원자료와 기존 사용자 프로젝트는 기본 설치에 포함되지 않습니다.

최소 Python 예제: 기화기 저온 감시

import numpy as np
from equipment_diagnostics import SensorBatch, VaporizerDiagnostic

batch = SensorBatch(
    time_s=np.arange(5.0),
    values=np.column_stack((np.full(5, 270.0), np.full(5, 0.1))),
    channels=("gas_out_k", "flow"), units=("K", "kg/s"),
    clock_id="logger_elapsed_s", asset_id="vaporizer_01", origin="synthetic",
)
monitor = VaporizerDiagnostic(
    {"outlet_temperature": "gas_out_k", "mass_flow": "flow"},
    shortfall_limit_k=5.0, minimum_outlet_k=280.0,
    prediction_mode="minimum_only", persistence_s=2.0,
)
result = monitor.score(batch)
print(list(result.states))
print(result.to_dict()["summary"])

CSV/JSON 전체 실행: 원자료 없이 합성 데모

소스 저장소에서 실행합니다. 데모는 10개 모듈 연결 예시이며 물리적으로 결합한 공장이나 11종의 실제 검증이 아닙니다.

python examples/generate_demo.py --output outputs/demo
equipment-diagnose fit --config outputs/demo/config.json --data outputs/demo/normal.csv --output outputs/demo/reference.json
equipment-diagnose run --config outputs/demo/config.json --data outputs/demo/operation.csv --reference outputs/demo/reference.json --output outputs/demo/report.json

fit 입력은 호출자가 확인한 정상 학습 자료여야 합니다. calibrate가 있는 Python API에는 별도 정상 보정 배치를 사용합니다. CLI가 정상 여부를 자동 확인하거나 고장 자료를 자동 제외하지 않습니다. 설정·저장·스트리밍 설명을 참고하세요.

공통 입출력 계약

단위 문자열을 정확히 맞춰야 합니다: K, Pa, kg/s, m3/s, W, 1/s, 1 등. 섭씨→K, kPa→Pa, rpm→1/s 변환은 명시적으로 수행하세요. 절대압과 차압을 혼동하지 마세요.

UNKNOWN은 정상 음성 판정이 아닙니다. PENDING은 유효하지만 지속 시간 미충족입니다. 정확도와 함께 판단률을 보고하고, 시계·설비·출처가 다른 자료를 식별자만 바꿔 연결하지 마세요.

현재 검증 수준

아래 수치는 기록된 연구 결과입니다. 공개 배포 자체가 새 독립 고장 검증은 아닙니다. 최신 상세 비교와 개발 연표에 분할·모수·실패 후보가 있습니다.

정확도=(TP+TN)/유효 정답 표본, 검출률=TP/(TP+FN), 오경보율=FP/(FP+TN), 판단률=유효 판정/선언 대상입니다. 시동 제외 후 판단률과 원자료 대비 판단률은 구별합니다. 정상 표본 없는 고장 부분집합의 오경보율은 계산하지 않습니다. 학습·보정 표본을 분리해도 평가 결과를 보고 설계를 고쳤다면 재사용 개발 평가입니다. 검출 지연은 각 기록의 시작점 정의를 확인하세요.

검증·연동·라이선스

python -m pytest
python -m pytest -o addopts="" -m "not integration"
python scripts/verify_physics.py
python scripts/verify_stages.py

두 번째 명령은 선택 물리 의존성이 필요합니다. 외부 integration은 고정 리비전의 소스 체크아웃이 필요합니다. 실제 자료 재현은 REPRODUCIBILITY를 따르세요. 과거 해시 감사는 당시 소스 스냅샷으로 수행합니다.

equipment_diagnostics.adapters는 process-monitoring-toolkit, h2physics, pipeline-safety-toolkit의 명시적 객체 계약과 연결합니다. 고정 리비전, examples/project_bridge.py에 범위가 있습니다. 객체/직렬화 확인은 네이티브 솔버·공장 검증과 다릅니다. rotorvibe는 조사만 했으며 여기서 어댑터 시험을 주장하지 않습니다.

원본 코드와 자체 문서는 MIT입니다. 외부 자료·논문·물성 라이브러리 권리는 유지하며 원자료는 배포하지 않습니다. 모델 이름·식·인용·라이선스 고지는 유지합니다. 출처·권리 안내, 인용 메타데이터를 참고하세요. 후속 작업은 RESEARCH_HANDOFF의 실패 후보·필요 데이터·다음 우선순위부터 확인하세요.