[PLC] MCCB 온도 영향

PLC 제어반을 구성하는 요소 중 하나인 MCCB는 트립동작을 수행함에 있어 온도의 영향을 받습니다.


차단기의 트립 소자는 가열에 의한 바이메탈의 휨을 이용하므로, 동작에 필요한 바이메탈 온도의 상승은 주위온도의 변화에 영향을 받으며 특성도 변할 수 있습니다.


아래 그림은 MCCB의 온도보정 곡선의 한 예시입니다.


위 그래프는 주변 온도 40도일 때 정격전류 100%에서 트립이 되는 것을 기준으로 하고 있습니다. 위 그래프에 따르면 20도로 온도가 내려가면 정격전류가 110%가량, 50도로 온도가 올라가면 정격전류의 95%가량 되면 40도 기준의 트립 동작이 되는 것을 알 수 있습니다.


따라서 제어반의 온도는 제어반 회로 설계시 고려사항 중 하나이며, 쿨링 시스템 선정의 요인이 됩니다.


끝.

댓글

댓글 쓰기

이 블로그의 인기 게시물

공압 속도 제어: 미터인 vs 미터아웃

이미지
Understanding Flow Controls: Meter-In vs Meter-Out 에어실린더에 작용하는 힘은 압력조절기(pressure regulator)에 의해 결정됩니다. 그리고 피스톤이 움직이는 속도는 속도제어(flow control) 밸브를 통해 이루어집니다. 실린더의 각 포트마다 속도제어 밸브가 설치되어 인출과 인입 속도를 제어하게 됩니다. 아래는 속도제어 밸브의 구조입니다. 위 그림에 대한 기호는 아래와 같이 표기됩니다. 미터아웃(Meter-Out) 방식의 실린더 속도제어 아래 그림은 미터아웃 방식에 대한 도식입니다. 미터인(Meter-In) 방식의 실린더 속도제어 아래 그림은 미터인 방식에 대한 도식입니다. 끝.
Read more »

[주식] 한국거래소(KRX) 데이터 API 입문 가이드

  한국거래소(KRX) 데이터 API 입문 가이드 안녕하세요! 오늘은 한국거래소(KRX)에서 제공하는 공식 데이터 API에 대해 알아보려고 합니다. 주식, 지수, 채권 등 다양한 금융 데이터를 손쉽게 가져올 수 있는 KRX Open API 활용법과 사용 절차, 그리고 간단한 파이썬 예제까지 모두 정리했으니, 금융 데이터 분석이나 자동화 작업에 관심 있는 분들은 꼭 참고해 보세요. 1. KRX 데이터 API란? 한국거래소는 자사 금융 데이터를 누구나 활용할 수 있도록 KRX 정보데이터시스템 이라는 포털을 운영 중입니다. 이곳에서는 주식 시세 지수 정보 채권 및 파생상품 시세 ETF/ETN 거래 정보 공매도 현황 등 다양한 금융 데이터를 API 형태로 제공합니다. 즉, 개발자나 데이터 분석가가 직접 데이터를 요청해서 받을 수 있는 RESTful API 서비스라고 생각하시면 됩니다. 2. 주요 제공 데이터 종류 KRX Open API에서는 다음과 같은 데이터를 제공합니다. 주식 관련 데이터: 일별 시세, 종목 기본정보, 투자자별 매매동향 지수 데이터: KOSPI, KOSDAQ, KRX100 등의 지수 시세 채권 및 파생상품: 채권지수, 파생상품지수 시세 ETF/ETN: 상장된 ETF 및 ETN 거래정보 공매도 정보: 일별 공매도 거래량 및 잔고 기타: ELW, DLS/DLF, 배출권, 해외 연계시장 시세 등 3. API 사용 방법 1) 회원가입 및 로그인 우선 KRX 정보데이터시스템 에 접속해 회원 가입 및 로그인을 진행합니다. 2) API 인증키 신청 로그인 후 마이페이지에서 ‘API 인증키 신청’을 통해 인증키를 발급받습니다. 3) 데이터 서비스 이용 신청 원하는 데이터 서비스에 대해 추가 이용 신청을 해야 합니다. 예를 들어 ‘KOSPI 일별 시세 정보’를 사용하려면 해당 서비스에 별도로 신청해야 합니다. 4) API 호출 발급받은 인증키와 필요...
Read more »

[PLC] 서보 모터 브레이크 결선, 왜 릴레이 터미널을 써야 할까?

이미지
[실무 가이드] 서보 모터 브레이크 결선, 왜 릴레이 터미널을 써야 할까? 서보 앰프 브레이크 배선 예시 (ex. MINAS-A6B 시리즈) 서보 시스템을 설계하거나 시운전(Try Run)을 할 때 가장 빈번하게 발생하는 사고 중 하나가 서보 드라이버의 출력 포트 소손 입니다. "그냥 24V 신호니까 브레이크에 바로 연결하면 안 되나?"라는 의문에서 시작해, 가장 안전하고 똑똑한 결선 방법까지 정리해 봅니다. 1. 서보 드라이버 출력(X4)의 한계: "생각보다 약하다" 대부분의 메이저 서보 드라이버(Panasonic, Mitsubishi 등) 출력 포트는 최대 정격이 30V 50mA 내외입니다. 반면, 모터 브레이크를 해제하는 데 필요한 전류는 소형 모터 기준 약 300~400mA 에 달합니다. 결론: 직접 연결하는 순간 정격의 6~8배가 넘는 전류가 흐르며 드라이버 내부 트랜지스터가 즉사합니다. 2. 해결사: 릴레이 터미널 선택의 기술 드라이버 보호를 위해 중간에 '릴레이'라는 다리를 놓아야 합니다. 이때 어떤 보드를 쓰느냐가 시스템의 안정성을 결정합니다. 브레이크 OFF 신호는 X4 커넥터의 핀 1, 2번을 사용해서 배선합니다. BRK-OFF-(2번 핀)에 DC24V의 0V를 연결하고 BRK-OFF+(1번 핀)을 릴레이 코일의 -단자에 연결합니다. 그리고 릴레이 코일의 +단자에는 DC24V+를 연결합니다. 중요한 점은 브레이크 코일용 DC 파워서플라이와 제어용 DC 파워서플라이는 별개의 것을 사용하는 것이 권장사항입니다. ① 소비전류를 체크하라 (앰프 보호) 범용 릴레이(HR7 등): 코일 소비전력이 약 0.9W(37.5mA)로, 드라이버 정격(50mA)에 너무 바짝 붙어 있어 위험 마진이 적습니다. 슬림 릴레이 터미널(R4T-YC, R4T-16P-S): 소비전력이 약 110~120mW (약 10mA) 수준입니다. 드라이버 정격의 20%만 사용하므로 매우 안전합니다. ② 유도성 부하(브레이크)에 강...
Read more »

[아두이노] 가변저항(Potential Divider)과 전압분배(Voltage Divider)

이미지
위 그림에서 (a)는 전압분배(Voltage Divider), (b)는 가변저항(Potential Divider)입니다. 전압분배는 고정된 두개의 저항으로 구성됩니다. 가변저항은 전압분배와 구조적으로 비슷하나 하나의 저항을 특정 지점을 기준으로 둘로 나누게 되며, 이 특정 지점은 임의로 조절 가능한 구조로 되어 있습니다. 위 그림에서 전압분배나 가변저항 모두 두 저항 사이에 Vd 포인트가 위치하고, 저항 R1, R2 크기를 조절할 수 있느냐 없느냐가 차이점입니다. 전압분배와 가변저항 둘 모두, 직렬로 연결된 두 저항의 크기에 따라 인가되는 공급 전압이 달라지는 원리를 이용하며, 공급전원을 원하는 크기로 출력하기 위해서 사용합니다. 아래 그림은 동일한 저항값을 가지는 R1, R2가 직렬로 연결되어 있는 회로입니다. Vin은 총 전압이고, R1, R2에 나누어 인가됩니다. 결론적으로 Vout은 Vin과 다른 전압을 가지게 됩니다. 각 저항 R1, R2에 얼마의 전압이 인가될지는 두 저항의 상대적인 크기와 총 저항의 크기로 결정됩니다. 그 공식은 아래와 같습니다. 아래 회로를 봅시다. Vin이 5V이고 R1 is 1KΩ and R2 is 10KΩ인 경우 Vout에 인가되는 전압은 얼마일까요?  가변저항은 다양한 저항값을 가진 제품들이 있습니다. 예를 들어 10KΩ 가변저항의 경우 0Ω에서 최대 10KΩ까지 저항값을 변경할 수 있습니다. 그럼 아두이노와 가변저항을 이용하여 LED의 밝기를 조절해 보겠습니다. 우선 가변저항은 아래와 같은 구조를 가집니다. 3개의 핀으로 구성되어 있고, Vref-Ground 핀을 통해서 공급전원을 인가하면 ouput 쪽으로 가변저항에 의해 조정된 출력전압이 인가됩니다. 우선, 아두이노 우노와 220옴 저항, LED를 이용하여 위와 같은 회로를 구성합니다. 그리고 아두이노 IDE를 이용하여 아래와 같이 코드를 입력합니다. const int ledPin = 9;  //pin 9의 PWM 기능을 이용합니다. ...
Read more »

[수학] 자기주도 학습: AI를 활용할 것인가, AI에게 지배당할 것인가?

  자기주도 학습: AI를 활용할 것인가, AI에게 지배당할 것인가? - AI는 너의 경쟁자가 아니라 최고의 선생님이다 - 수학을 공부하다 보면, 공식 암기와 문제풀이 위주로 학습하는 경우가 많습니다. 그럴 때 개념적 이해가 제대로 잡히지 않는 문제가 생기죠. 하지만 AI를 선생님처럼 활용한 자기주도 학습 을 통해, 학습의 깊이를 극대화할 수 있습니다. 1. 문제점: 계산 중심 학습 공식 중심 : 개념의 직관적 이해보다 문제 풀이가 우선 시간 부족 : 방대한 범위를 다루다 보면 직관적 사고에 할애할 시간이 부족 심화 학습 부족 : 깊이 있는 개념 탐구나 다양한 예시 경험이 제한적 결과적으로, 학생들은 “계산 방법은 알지만, 왜 그런지, 직관적으로 이해하는 법”을 놓치기 쉽습니다. 2. 해결 전략: 자기주도 학습 + AI 활용 Step 1: 개념 중심 학습 먼저 개념을 직관적으로 이해 합니다. 이해를 돕는 비유와 예시 를 통해 직관 강화 예시: 어떤 과정이 반복될 때 결과가 어떻게 달라지는지 그림과 숫자로 확인 Step 2: AI를 사고 확장의 도구로 활용 중요한 원칙: 답을 얻는 데 AI를 사용하지 말고, 질문을 통해 사고를 확장 해야 합니다. AI에게 질문 → 추가 예시 → 비유 → 논리적 연결 예: “왜 이런 패턴이 반복되면 결과가 한계에 도달할까요?” “이 현상을 그림으로 표현하면 어떻게 보일까요?” AI를 답만 주는 도구 로 쓰면 사고가 제한됩니다. 질문을 통해 AI를 토론 상대, 사고 촉진자 로 활용하는 것이 핵심입니다. Step 3: 문제와 실험 병행 이해한 개념을 문제풀이와 연결 실험적 학습: 작은 실험, 모형, 시뮬레이션 등으로 직관 강화 AI에게 단계별 힌트, 풀이 검토 요청 가능 Step 4: 반복과 심화 AI를 활용해 추가 예시, 변형 문제, 직관적 설명 반복 문제와 개념을 연결하며 개념 이해 + 사...
Read more »

[스마트팜] RTD(측온저항체)의 원리와 실무 이야기

이미지
온실 환경 제어, 반도체 장비, 정밀 공정 제어 같은 산업 현장에서는 “정확한 온도 측정”이 시스템 품질을 결정합니다. 그리고 이런 현장에서 오랫동안 표준처럼 사용되어 온 센서가 바로 RTD(Resistance Temperature Detector, 측온저항체)입니다. 특히 PLC 엔지니어라면 한 번쯤은 반드시 만나게 되는 센서가 바로 PT100입니다. 오늘은 RTD가 왜 그렇게 신뢰받는지, 그리고 실제 제어 시스템에서는 어떤 원리로 동작하는지 정리해보겠습니다. RTD란 무엇인가? RTD는 온도 변화에 따라 저항값이 변하는 센서입니다. 온도가 올라가면 저항도 증가합니다. 가장 중요한 특징은 다음입니다. 온도와 저항 사이의 관계가 매우 안정적이다 반복 측정 시 재현성이 뛰어나다 시간이 지나도 특성이 거의 변하지 않는다 즉, “이번에 측정한 30°C”와 “1년 뒤 측정한 30°C”가 거의 동일하게 유지된다는 뜻입니다. 이 특성 때문에 RTD는 산업 현장에서 “신뢰 가능한 기준 온도 센서”처럼 사용됩니다. RTD는 스스로 전압을 만들지 못한다 여기서 열전대(Thermocouple)와 RTD의 가장 큰 차이가 등장합니다. 열전대는 온도차에 의해 스스로 전압을 생성하는 능동 소자(active device)입니다. (<= 관점에 따라 수동 소자로 분류되기도 함) 반면 RTD는 단순히 저항값만 변하는 수동 소자(passive device)입니다. 즉, RTD는 혼자서는 아무것도 출력하지 못합니다. 그래서 PLC 아날로그 입력 카드나 온도 모듈에서는 반드시 다음 과정을 수행해야 합니다. RTD에 아주 작은 전류를 흘린다 센서 양단의 전압을 측정한다 옴의 법칙으로 저항값을 계산한다 저항값을 온도로 변환한다 즉, 실제로 PLC는 “온도”를 직접 읽는 것이 아니라: 전류를 흘리고 전압을 읽고 저항을 계산한 뒤 테이블이나 공식으로 온도를 환산하는 것 입니다. RTD의 핵심은 “정전류(Constant Current)”이다 RTD 측정에서 가장 중요한 것은 일정한 전류를 유지하는...
Read more »

[파이썬] virtualenv 완벽 가이드

  🐍 Python virtualenv 완벽 가이드 – 설치, 사용법, VS Code 연동까지! Python 개발을 하다 보면 프로젝트마다 서로 다른 패키지 버전 이나 파이썬 버전 을 사용해야 할 때가 많습니다. 이럴 때 유용하게 쓰이는 것이 바로 virtualenv (가상환경) 입니다. 이 글에서는 virtualenv 의 개념부터 설치, 사용 방법, 그리고 VS Code와의 연동까지 전부 설명해드립니다. 📌 1. virtualenv란? virtualenv 는 파이썬 실행 환경을 격리 시켜주는 도구입니다. 하나의 컴퓨터에서 프로젝트마다 서로 다른 패키지와 파이썬 버전을 사용하고 싶을 때, 각각의 가상 환경(virtual environment) 을 만들어서 독립적으로 관리할 수 있게 도와줍니다. 왜 필요할까요? 프로젝트 A는 Django 3.2 , B는 Django 4.0 필요 전역 Python 환경에 패키지를 막 설치하면 충돌 발생 배포 환경과 동일한 구성 유지가 어려움 → 가상환경으로 격리하면 이런 문제가 사라집니다. ⚙️ 2. virtualenv 설치 방법 virtualenv 는 별도의 Python 패키지로 제공되며, pip로 간단히 설치할 수 있습니다. pip install virtualenv 설치 확인: virtualenv --version 🧪 3. virtualenv 사용법 ▶ 가상환경 생성 virtualenv venv venv 는 가상환경 폴더 이름 (원하는 이름 사용 가능) 기본적으로 현재 시스템의 Python을 복사해서 환경을 만듭니다 🔍 특정 Python 버전으로 만들기 virtualenv -p /usr/bin/python3.10 venv # 또는 (Windows) virtualenv -p C:\Python39\python.exe venv 💡 시스템에 해당 버전이 설치되어 있어야 합니다! ▶ 가상환경 활성화 Windows : .\venv\Sc...
Read more »

[알고리즘 트레이딩] Pairs Trading: 퀀트 및 알고리즘 트레이딩 관점에서의 소개

페어 트레이딩(Pairs Trading)은 퀀트 및 알고리즘 트레이딩에서 널리 사용되는 통계적 차익거래(Statistical Arbitrage) 전략 중 하나입니다. 두 자산의 가격이 역사적으로 특정한 관계를 유지한다고 가정하고, 일시적인 괴리를 이용해 매매하는 방식입니다. 이 글에서는 페어 트레이딩의 개념과 함께 관련 도서를 소개하겠습니다. 페어 트레이딩(Pairs Trading)이란? 페어 트레이딩은 두 개의 금융자산이 평균적으로 일정한 가격 차이를 유지한다는 가정 아래, 이 관계가 일시적으로 벗어날 때 진입하여 가격 차이가 다시 수렴할 때 수익을 얻는 전략입니다. 주요 개념은 다음과 같습니다: 공적분(Cointegration) : 두 개의 자산이 장기적으로 일정한 관계를 유지할 경우, 이를 공적분 관계라고 합니다. 공적분 관계가 성립하면 두 자산 간 가격 차이가 일정한 평균을 중심으로 움직이며, 이를 활용하여 매매 기회를 포착할 수 있습니다. 평균회귀(Mean Reversion) : 자산 가격이 장기적인 평균으로 회귀하는 특성을 이용하여 거래합니다. 가격 차이가 평균보다 벌어지면 롱/숏 포지션을 취하고, 다시 평균으로 수렴할 때 청산하여 수익을 실현합니다. 시장 중립(Market Neutral) : 롱(매수)과 숏(매도) 포지션을 동시에 가져가면서 시장 변동성의 영향을 최소화합니다. 이는 특정 시장 방향성에 의존하지 않고 안정적인 수익을 목표로 하는 전략입니다. 스프레드 모델링(Spread Modeling) : 두 자산 간 가격 차이(스프레드)를 분석하여 매매 타이밍을 결정합니다. 정규 분포를 따르는 스프레드를 기반으로, 특정 표준편차 이상으로 벌어지면 매매 기회를 포착합니다. 페어 트레이딩 예제 은행 주식 A와 B를 이용한 페어 트레이딩 과거 데이터 분석을 통해 은행 주식 A와 B가 높은 상관관계를 가짐을 확인합니다. 두 주식 간 스프레드가 일정한 범위를 유지하지만, 일시적으로 크게 벌어지는 순간이 발생합...
Read more »

[수학] AI 시대에 수학을 배워야 하는 이유

요즘 인공지능(AI)이 모든 산업의 중심으로 떠오르고 있다. ChatGPT 같은 대형 언어모델부터 이미지 생성, 자동화, 분석 툴까지 — "AI로 안 되는 게 뭐지?"라는 말이 나올 정도다. 이런 시대에 개발자든 기획자든, 혹은 창작자든 하나쯤은 스스로에게 묻게 된다. "AI 시대에 나는 뭘 준비해야 할까?" "코딩이 먼저일까, 수학이 먼저일까?" 여기에 대해 내 생각은 이렇다. 수학은 AI의 '언어'다 우리가 자연어로 대화하듯, AI는 수학이라는 언어로 작동한다. AI의 핵심인 딥러닝 , 머신러닝 , 통계 모델 은 겉으로 보면 멋진 코드로 이루어져 있지만, 그 밑바닥은 온통 수학이다. AI를 제대로 이해하고, 남들과 다른 방향으로 발전시키고 싶다면 수학은 선택이 아니라 필수 도구 다. AI에서 중요한 수학 분야 TOP 5 수학 분야 AI에서의 역할 선형대수 신경망의 구조, 데이터 표현, 행렬 연산 미적분학 최적화, 역전파(backpropagation), 경사하강법 확률 & 통계 모델 추정, 베이즈 추론, 분포 이해 정보이론 손실함수 설계 (예: 크로스 엔트로피), 압축 수치해석 수치적 안정성, 근사 계산, 수렴 조건 등 예를 들어, ChatGPT 같은 모델은 선형대수로 데이터 표현하고, 미분으로 학습하며, 확률통계로 출력값을 예측한다. 한마디로, 수학의 결정체 다. 꼭 수학을 먼저 배워야 할까? 수학이 중요하다고 해서 꼭 처음부터 수학만 파고들 필요는 없다. 오히려 많은 개발자들은 이렇게 배운다: 🔧 코딩으로 시작 → 🧠 개념에 호기심 생김 → 📘 수학으로 돌아감 예를 들어, PyTorch로 모델 하나 만들어보다 보면 이런 생각이 든다: "왜 이게 잘 작동하지?" "이 파라미터는 어떤 의미지?" "이 loss function은 어떤 수학적 원리로 만들어졌을까?" 이...
Read more »

[PLC] AWG => SQ 단위 변환

이미지
AWG는 American Wire Gauge의 약자로써 미국에서 사용되는 전선관련 규격입니다. 조작선으로 많이 사용되는 UL선의 경우 AWG 사이즈가 표기되어 있는데 해당 전선의 도체 단면적이 몇 SQ(\(mm^{2}\))인지 궁금할 때가 있습니다. AWG 번호를 가지고 해당 전선의 도체 단면적이 몇 SQ(\(mm^{2}\))인지 변환하는 방법과 변환표를 공유하고자 합니다. AWG => SQ 변환공식 우선 n은 AWG 번호를 의미합니다. 전선의 피복을 포함한 외경 지름은 아래와 같이 구할 수 있습니다. The metric wire outside diameter = \(0.127\ mm\ \times\ 92^{(32-n)/39}\ [mm]\) 전선내 도체의 단면적은 아래와 같이 구할 수 있습니다. The metric wire cross-section = \(0.012668\ mm^{2}\ \times\ 92^{(36-n)/19.5}\ [mm^{2}]\) 예를 들어, 1AWG의 전선에 대해 위 공식을 적용하면 아래와 같습니다. The metric wire outside diameter = \(0.127\ mm\ \times\ 92^{(32-1)/39}\ =\ 7.348 mm\) The metric wire cross-section = \(0.012668\ mm^{2}\ \times\ 92^{(36-1)/19.5}\ = 42.409 mm^{2}\) AWG => SQ 변환표 끝.
Read more »