Smoothie-Qwen3-8B-DTRO-Edition

대구교통공사 3호선 전력설비 전문가 AI 모델
Fine-tuned for Daegu Metro Line 3 Power Facility Expert System

---

🎯 모델 개요

본 모델은 장애 분석 프로그램에서 RAG(검색 증강 생성)와 결합하여 사용하기 위해 개발된 전력설비 전문 AI 모델입니다.

개발 의도

• 문제 인식: RAG만으로는 정확도와 전문성이 부족
• 핵심 아이디어: 파인튜닝 + RAG 결합으로 시너지 창출
• 목적: 장애 분석 프로그램에서 호출 시 전문가 수준의 정확한 답변 생성
• 개발 주체: 개인 연구 결과물 (대구교통공사 공식 입장과 무관)

주요 특징

• ✅ 도메인 전문성: 전력계통, 급전계통, 전차선로, 수배전설비, 변전소 운영 관리
• ✅ 실전 검증 완료: Gemma-3n-4EB 대비 우수한 성능 확인
• ✅ 현장 특화: 실제 장비명(K50, DCP2, RTU HUB 등) 및 운영 파라미터 반영
• ✅ 즉시 활용 가능: 장애 분석, 원인 진단, 조치 방법 안내
• ✅ 순수 한글 응답: 한자 없이 이해하기 쉬운 한글로 답변

개발 배경

4차례의 파인튜닝 시도 끝에 성공한 모델입니다:

시도	모델	결과	비고
1차	Gemma-3n-4EB	❌ 실패	파인튜닝 실패
2차	kanana-1.5-2.1b	❌ 실패	답변 품질 불량
3차	Llama3 Bllossom-3B	❌ 실패	답변 미생성
4차	Smoothie-Qwen3-8B	✅ 성공	Gemma-3n-4EB 대비 우수

💸 개발 비하인드 스토리

• 개발 환경: 집에서 개인 GPU로 학습
• 전력 소비: 1~3차 시도 시 월 1,000kWh 전기 사용 (전기료 부담)
• 중단 기간: 전기료 부담으로 한동안 시도 중단
• 재개 계기: 2026년 1월 11일 겨울, 난방 겸용으로 GPU 가동 😄
• 4차 시도: 겨울철 전기 히터 대신 GPU 학습으로 일석이조
• 최종 성공: RTX 3080 Ti로 약 4시간 학습 완료

핵심 인사이트 (개인 연구 성과)

"기술 지식으로 파인튜닝 + 동일 기술 지식으로 RAG 분석 = 최적의 시너지"

• 파인튜닝: 도메인 지식 내재화 (Long-term Memory)
• RAG: 실시간 컨텍스트 보강 (Short-term Memory)
• 시너지: RAG 단독 대비 정확도 및 전문성 비약적 향상
• 적용: 장애 분석 프로그램에서 실시간 호출하여 심층 분석 수행

---

📊 성능 비교

원본 모델 vs 파인튜닝 모델

비교 항목	원본 모델	파인튜닝 모델
주요 특징	논리적 구조와 표준 기술 용어 중심	현장 특화 데이터 및 운영 파라미터 중심
장치 명칭	HSCB, SCADA, PLC 등 일반 명칭	K50, K10/K11 Port, DCP2, S-RTU 등 상세 명칭
분석 깊이	전기공학적 현상 설명 위주	시스템 간 로직 및 시퀀스 영향 분석
실용성	신입/일반 정비원 교육용으로 적합	숙련된 현장 전문가 및 운영 설계용으로 적합

📊 상세 비교 보고서: model_comparison_report.md

테스트 결과 예시

질문: "PLC 통신 장애 시 조치 방법은?"

원본 모델:

• 일반적인 전기공학 원론 기반 답변
• "고속도차단기(HSCB)", "절연 저항" 등 표준 용어 사용

파인튜닝 모델:

• Master PLC(K50)와 RTU HUB(CU-A) 간의 절체 로직 상세 설명
• SCADA-FEP-RTU 연동 체계 분석
• "관제에서 89-M_PLC 전원 OFF 명령을 통한 절체 시도" 등 구체적 운영 팁 제공

---

🚀 사용법

1. Ollama (권장)

가장 간단한 사용 방법입니다.

# 모델 다운로드
ollama pull bluejude10/smoothie-qwen3-8b-dtro

# 실행
ollama run bluejude10/smoothie-qwen3-8b-dtro

# 대화 예시
>>> PLC 통신 장애 시 조치 방법은?
>>> 회생제동저항장치 장애 발생 시 어떻게 해야 하나요?
>>> DCP2 설정값은 어떻게 되나요?

2. llama.cpp

GGUF 파일을 직접 사용할 수 있습니다.

# GGUF 파일 다운로드
wget https://huggingface.co/bluejude10/Smoothie-Qwen3-8B-DTRO-Edition/resolve/main/Smoothie-Qwen3-8B-DTRO-Edition-Q4_K_M.gguf

# 실행
./llama-cli -m Smoothie-Qwen3-8B-DTRO-Edition-Q4_K_M.gguf \
  -p "PLC 통신 장애 시 조치 방법은?" \
  --temp 0.7 \
  --top-p 0.9 \
  --repeat-penalty 1.1

3. Python (Transformers + PEFT)

LoRA 어댑터를 사용한 추론입니다.

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel
import torch

# 베이스 모델 로드
base_model = AutoModelForCausalLM.from_pretrained(
    "dnotitia/Smoothie-Qwen3-8B",
    torch_dtype=torch.float16,
    device_map="auto",
    trust_remote_code=True
)

# 토크나이저 로드
tokenizer = AutoTokenizer.from_pretrained(
    "dnotitia/Smoothie-Qwen3-8B",
    trust_remote_code=True
)

# LoRA 어댑터 로드 (선택사항 - 어댑터가 업로드된 경우)
# model = PeftModel.from_pretrained(base_model, "bluejude10/Smoothie-Qwen3-8B-DTRO-Edition")

# 추론
prompt = """<|im_start|>system
당신은 대구교통공사 3호선 전력설비 전문가 AI 어시스턴트입니다.
<|im_end|>
<|im_start|>user
회생제동저항장치 장애 시 조치 방법은?<|im_end|>
<|im_start|>assistant
"""

inputs = tokenizer(prompt, return_tensors="pt").to(base_model.device)
outputs = base_model.generate(
    **inputs,
    max_new_tokens=512,
    temperature=0.7,
    top_p=0.9,
    repetition_penalty=1.1,
    do_sample=True
)

response = tokenizer.decode(outputs[0], skip_special_tokens=False)
print(response)

4. Python (Ollama API)

Ollama가 실행 중일 때 Python에서 사용할 수 있습니다.

import ollama

def analyze_fault(fault_description: str) -> str:
    """전력설비 장애 분석"""
    response = ollama.chat(
        model='bluejude10/smoothie-qwen3-8b-dtro',
        messages=[{
            'role': 'user',
            'content': f"다음 장애 상황을 분석하고 조치 방법을 안내해주세요:\n\n{fault_description}"
        }]
    )
    return response['message']['content']

# 사용 예시
fault = "89-M 변전소에서 PLC 통신 이상 알람이 발생했습니다."
result = analyze_fault(fault)
print(result)

---

📚 학습 데이터

데이터셋 정보

• 데이터셋: 대구교통공사 전력설비 관련 QnA 및 관련 사규
• 항목 수: 1,273건
• 포맷: Alpaca (instruction, input, output)
• 내용:
  • 전력설비 장애 유형 및 원인
  • 전력계통 운영규정등 관련 사규
  • 장애 발생 시 조치 방법
  • 안전 수칙 및 운영 절차
  • 장비별 운영 파라미터

데이터 예시

{
  "instruction": "PLC 통신 장애 시 조치 방법을 설명하세요.",
  "input": "",
  "output": "PLC 통신 장애 발생 시 다음과 같이 조치합니다:\n\n1. 현장 상태 확인\n- 현장 장비의 동작 상태 확인\n- 제어반 내 PLC 및 I/O 모듈의 LED 점등 상태 확인\n\n2. PLC 절체 및 이중화 절체\n- Master PLC(K50)와 RTU HUB(CU-A) 간 통신 상태 확인\n- 필요 시 관제에서 89-M_PLC 전원 OFF 명령으로 절체 시도\n\n3. 원인 파악 및 조치\n- PLC 이상 시 제조사 연락하여 부품 교체\n- 현장 장비 이상 시 점검 및 부품 교체\n\n※ 주의: 작업 시 안전 수칙을 철저히 준수해야 합니다."
}

---

🔧 파인튜닝 상세

기술 스택

• 베이스 모델: dnotitia/Smoothie-Qwen3-8B
• 파인튜닝 방법: QLoRA (4-bit Quantized Low-Rank Adaptation)
• 프레임워크:
  • TRL 0.26.2
  • Transformers 4.57.3
  • PEFT (latest)
  • BitsAndBytes (latest)
• 하드웨어: NVIDIA RTX 3080 Ti (12GB VRAM)
• OS: Windows 11

하이퍼파라미터

파라미터	값	설명
LoRA Rank (r)	16	LoRA 행렬의 랭크
LoRA Alpha	32	LoRA 스케일링 팩터 (보통 r의 2배)
LoRA Dropout	0.05	드롭아웃 비율
Target Modules	q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj	LoRA 적용 레이어
Batch Size	1	디바이스당 배치 크기
Gradient Accumulation	16	효과적 배치 크기: 16
Learning Rate	2e-4	학습률
Epochs	20	전체 에폭 수
Max Sequence Length	1024	최대 시퀀스 길이
Optimizer	paged_adamw_8bit	8비트 AdamW 옵티마이저
LR Scheduler	cosine	코사인 학습률 스케줄러
Warmup Steps	50	워밍업 스텝 수

양자화 설정

BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",           # NormalFloat4
    bnb_4bit_compute_dtype=torch.bfloat16,
    bnb_4bit_use_double_quant=True,      # 이중 양자화
)

학습 결과

• Trainable Parameters: 43,646,976 (0.53% of total 8.2B)
• Total Steps: 1,600
• Training Time: ~4 hours (RTX 3080 Ti)
• Final Loss: 수렴 확인
• Model Size:
  • LoRA Adapter: ~87MB
  • Merged FP16: ~16GB
  • Q4_K_M GGUF: ~5GB

📖 상세 파인튜닝 가이드: FINETUNE_GUIDE.md

---

🔗 GitHub 프로젝트 연동

본 모델은 대구교통공사 3호선 전력관제 장애 관리 통합 플랫폼에서 핵심 AI 엔진으로 활용됩니다.

👤 개발자 정보

• 소속: 대구교통공사 3호선 경전철관제팀 전력관제
• 성명: 강동우 (GitHub: @aremany)
• 비고:
  • 본 모델은 개발자 개인의 연구 결과물입니다.
  • 대구교통공사의 공식 입장 및 의지와 무관하며, 개인의 의지와 아이디어로 개발되었습니다.
  • 모든 개발 과정 및 성과는 개인 연구 활동의 결과입니다.

📅 개발 배경 및 히스토리

본 모델은 약 9개월간의 개발 과정(2025.04 ~ 2026.01)을 거쳐 완성되었습니다:

시기	주요 활동	성과
2025.04-06	데이터 디지털화	HWP 장애 보고서 → DB 변환
2025.07-08	시뮬레이터 개발	Inkscape 독학 → 계통 시뮬레이터 제작
2025.09-10	통합 플랫폼 구축	RAG + Fine-tuning 결합
2025.11	AI 경진대회 출품	완성형 플랫폼 (챗봇 제외)
2026.01.03	GraphRAG 챗봇 완성	최종 퍼즐 완성
2026.01.11	Qwen3-8B 파인튜닝 (4차 시도)	4차 만에 성공 - Gemma-3n-4EB 대비 우수

💡 핵심 철학

"장애는 100% 예방할 수 없다. 그러나 100% 대비할 수는 있다."

• 예측: GRU/KNN/선형회귀 기반 장애 발생 예측
• 훈련: 시뮬레이터를 통한 이미지 트레이닝
• 분석: 파인튜닝 모델 + RAG 기반 심층 분석

1. 장애 분석기 (Failure Analyzer)

독립 실행형 장애 원인 분석 시스템

• 레포지토리: github.com/aremany/failure-analyzer
• 기능:
  • 통계 분석: 장애 발생 빈도, 연간 추이, 주요 원인 통계
  • AI 심층 분석: LLM + RAG 기반 상세 분석 보고서 작성
• 데이터:
  • incident_reports.db: 장애 이력 데이터베이스
  • dataset_from_data_txt.json: RAG 참조 지식 데이터

통합 예시:

import ollama
from qdrant_client import QdrantClient

# RAG 검색
def search_knowledge_base(query: str) -> str:
    """기술 문서 검색"""
    client = QdrantClient(host="localhost", port=6333)
    results = client.search(
        collection_name="power_facility_docs",
        query_text=query,
        limit=3
    )
    return "\n".join([r.payload['text'] for r in results])

# 장애 분석
def analyze_with_rag(fault_description: str) -> str:
    """파인튜닝 모델 + RAG 기반 장애 분석"""
    # 1. RAG로 관련 문서 검색
    context = search_knowledge_base(fault_description)
    
    # 2. 파인튜닝 모델로 분석
    prompt = f"""다음 참고 자료를 바탕으로 장애를 분석하세요:

참고 자료:
{context}

장애 상황:
{fault_description}

분석 결과:"""
    
    response = ollama.chat(
        model='bluejude10/smoothie-qwen3-8b-dtro',
        messages=[{'role': 'user', 'content': prompt}]
    )
    
    return response['message']['content']

# 사용 예시
if __name__ == "__main__":
    fault = "89-M 변전소에서 PLC 통신 이상 알람이 발생했습니다."
    result = analyze_with_rag(fault)
    print(result)

2. 통합 플랫폼 (Integrated Platform)

대구교통공사 3호선 전력관제 장애 관리 통합 플랫폼

• 레포지토리: github.com/aremany/integrated-platform
• 주요 모듈:
  1. 장애 예측기: GRU/KNN/선형회귀 기반 시계열 예측
  2. 장애 분석기: 본 파인튜닝 모델 + RAG 기반 심층 분석
  3. 시뮬레이터: Inkscape 기반 계통 시뮬레이터 (훈련용)
  4. 지식 검색기: RAG 기반 기술 문서 검색
  5. GraphRAG 챗봇: 대화형 장애 상담 인터페이스
  6. 보고서 뷰어: 과거 장애 이력 조회

시스템 아키텍처:

┌─────────────────────────────────────────────────────────┐
│         통합 플랫폼 (FastAPI + Streamlit)                │
├─────────────────────────────────────────────────────────┤
│  ┌──────────┐  ┌──────────┐  ┌──────────┐  ┌─────────┐ │
│  │ 장애예측 │  │ 시뮬레이터│  │ 지식검색 │  │ 챗봇    │ │
│  └────┬─────┘  └──────────┘  └────┬─────┘  └────┬────┘ │
│       │                            │             │      │
│       └────────────┬───────────────┴─────────────┘      │
│                    ▼                                     │
│         ┌──────────────────────┐                        │
│         │   장애 분석기 (Core)  │                        │
│         │  Fine-tuned Model    │                        │
│         │  + RAG Engine        │                        │
│         └──────────────────────┘                        │
├─────────────────────────────────────────────────────────┤
│  Data Layer: incident_reports.db + knowledge_base.json  │
└─────────────────────────────────────────────────────────┘

💰 개발 성과 (Value)

• ✅ 저사양 최적화: i3-13100, No GPU 환경에서도 원활한 Local LLM 구동
• ✅ 예산 절감: 1인 개발로 통합 플랫폼 구축 (외주 비용 수억 원 절감)
• ✅ 실무 적용: 실제 현장에서 즉시 활용 가능한 수준의 답변 품질

🎯 커스터마이징 가이드

본 모델과 통합 플랫폼은 누구나 수정하여 사용할 수 있습니다:

1. 모델 교체: ollama pull bluejude10/smoothie-qwen3-8b-dtro
2. 데이터 교체:
   • incident_reports.db: 본인의 장애 이력 데이터로 교체
   • dataset_from_data_txt.json: 자체 매뉴얼/기술 문서로 교체
3. UI 커스터마이징:
   • index.html: 회사명/타이틀 수정
   • io.png: 로고 파일 교체

---

💡 사용 예시

실전 예시: 장애 분석 프로그램 통합

본 모델은 장애 분석 프로그램에서 다음과 같이 호출됩니다:

import ollama

def generate_fault_analysis_report(
    fault_type: str,
    causes_text: str,
    actions_text: str,
    qa_text: str = ""
) -> str:
    """
    장애 분석 프로그램에서 호출하는 실제 함수
    
    Args:
        fault_type: 장애 유형 (예: "PLC 통신 장애")
        causes_text: 통계 데이터 기반 주요 원인
        actions_text: 통계 데이터 기반 주요 조치
        qa_text: RAG로 검색된 과거 유사 사례 Q&A
        
    Returns:
        상세 기술 종합 보고서
    """
    
    # 실제 프로덕션 프롬프트
    prompt = f"""당신은 30년 경력의 철도 전력 설비(모노레일/경전철 수변전 및 전차선) 장애 분석 전문가입니다.
당신의 임무는 제공된 [통계 데이터]와 [과거 사례(Q&A)]를 종합하여, 모노레일 경전철 전력 시스템에서 발생한 '{fault_type}' 장애에 대한 '상세 기술 종합 보고서'를 작성하는 것입니다.

### 1. 분석 대상 정보
- **장애 유형**: {fault_type}
- **데이터 기반 주요 원인**:
{causes_text}
- **데이터 기반 주요 조치**:
{actions_text}

### 2. 참고 지식 (과거 유사 사례 Q&A)
{qa_text if qa_text else "(참고할 만한 유사 사례 Q&A 데이터가 없습니다. 전력 공학적 지식과 경전철 설비 특성에 기반하여 분석하십시오.)"}

### 3. 작성 지침
- **상세성 강화**: 요약하지 말고, 각 항목을 논리적 근거와 함께 최대한 상세하고 길게 서술하십시오. (단답형 지양, 서술형 지향)
- **전문성**: 전력설비 운영팀과 경영진이 신뢰할 수 있도록 전문적인 기술 용어(예: 보호계전기, 정류기, SCADA, 절연파괴, 고조파 등)를 적극 사용하십시오.
- **도메인 특화**: 일반적인 전산 장애가 아닌, '전력 공급 및 배전 시스템'의 관점에서 물리적/전기적 원인을 심층 분석하십시오.
- **포맷 준수**: 아래의 [출력 형식]을 그대로 따르십시오.

### 4. 출력 형식 (이 형식을 엄격히 따를 것)

# [{fault_type}] 전력 설비 장애 상세 분석 보고서

## 1. 전기공학적 원인 분석 (Root Cause Analysis)
(단순 나열이 아닌, 장애 발생 메커니즘을 서론-본론-결론 구조로 **최소 15문장 이상** 아주 상세히 기술하십시오. 통계적 원인과 전기적 특성을 결합하여 논리적으로 설명하십시오.)

## 2. 단계별 현장 대응 및 복구 가이드
(현장 유지보수 요원이 수행해야 할 조치를 단계별로 상세히 기술하십시오. 각 단계마다 구체적인 작업 내용과 안전 수칙을 포함하여 작성하십시오.)
- **현장 조치 매뉴얼(응급/복구)**: ...
- **재발 방지 대책(설비 보강/교체)**: ...

## 3. 설비 운영 전문가 제언
(전력 설비의 장기적 안정성 확보 방안, 예방 정비 주기 최적화, 최신 진단 기법 도입 등 운영 효율화를 위한 심도 있는 제언을 **장문으로** 작성하십시오.)
"""
    
    # Ollama로 모델 호출
    response = ollama.chat(
        model='bluejude10/smoothie-qwen3-8b-dtro',
        messages=[{
            'role': 'user',
            'content': prompt
        }],
        options={
            'temperature': 0.7,
            'top_p': 0.9,
            'num_ctx': 8192  # 긴 보고서 생성을 위한 컨텍스트
        }
    )
    
    return response['message']['content']

# 실제 사용 예시
if __name__ == "__main__":
    # 통계 데이터 (DB에서 조회)
    causes = """
    1. PLC 통신 케이블 노후화 (35%)
    2. 전원 공급 불안정 (25%)
    3. 환경 요인 (온습도, 먼지) (20%)
    4. 소프트웨어 오류 (15%)
    5. 기타 (5%)
    """
    
    actions = """
    1. PLC 재부팅 및 통신 케이블 점검
    2. 전원 공급 장치 점검 및 교체
    3. 환경 개선 (청소, 온습도 조절)
    4. 펌웨어 업데이트
    """
    
    # RAG로 검색된 과거 사례 (Qdrant에서 검색)
    qa_cases = """
    Q: PLC 통신 장애 시 조치 방법은?
    A: Master PLC(K50)와 RTU HUB(CU-A) 간 통신 상태를 확인하고, 
       필요 시 관제에서 89-M_PLC 전원 OFF 명령으로 절체를 시도합니다...
    
    Q: SCADA-FEP-RTU 연동 체계는?
    A: SCADA는 중앙 관제 시스템이며, FEP는 프론트엔드 프로세서로 
       RTU와의 통신을 중계합니다...
    """
    
    # 보고서 생성
    report = generate_fault_analysis_report(
        fault_type="PLC 통신 장애",
        causes_text=causes,
        actions_text=actions,
        qa_text=qa_cases
    )
    
    print(report)

출력 예시 (일부):

# [PLC 통신 장애] 전력 설비 장애 상세 분석 보고서

## 1. 전기공학적 원인 분석 (Root Cause Analysis)

PLC(Programmable Logic Controller) 통신 장애는 모노레일 경전철 전력 시스템에서 
가장 빈번하게 발생하는 장애 유형 중 하나로, 그 근본 원인은 복합적이고 다층적입니다. 

통계 데이터에 따르면 PLC 통신 케이블 노후화가 전체 장애의 35%를 차지하는 것으로 
나타났는데, 이는 경전철 시스템의 특성상 진동과 온도 변화가 심한 환경에 케이블이 
지속적으로 노출되기 때문입니다. 특히 RS-485 통신 방식을 사용하는 구간에서는 
케이블의 특성 임피던스 변화가 신호 감쇠를 유발하며, 이는 결국 통신 오류로 
이어집니다.

전원 공급 불안정(25%)은 두 번째 주요 원인으로, Master PLC(K50)와 Slave PLC 간의 
전원 품질 차이가 통신 동기화 문제를 야기합니다. 특히 변전소에서 공급되는 DC 110V 
전원의 리플 전압이 허용 범위를 초과할 경우, PLC의 내부 통신 모듈이 오동작하여 
SCADA-FEP-RTU 연동 체계 전체에 영향을 미칩니다...

(이하 15문장 이상 계속...)

## 2. 단계별 현장 대응 및 복구 가이드

### 현장 조치 매뉴얼(응급/복구)

**1단계: 즉시 조치 (0~5분)**
- 관제실에 즉시 보고하고 장애 발생 시각 및 위치를 기록합니다.
- SCADA 화면에서 해당 PLC의 통신 상태(Online/Offline)를 확인합니다.
- Master PLC(K50)의 LED 상태를 원격으로 확인합니다 (RUN, ERR, COMM 램프).

**2단계: 원격 진단 (5~15분)**
- 관제에서 89-M_PLC 전원 OFF 명령을 통한 소프트 리셋을 시도합니다.
- RTU HUB(CU-A)의 통신 로그를 확인하여 패킷 손실률을 분석합니다.
- 이중화 절체 기능이 정상 작동하는지 확인합니다...

(이하 상세 단계별 가이드 계속...)

## 3. 설비 운영 전문가 제언

장기적 관점에서 PLC 통신 장애의 근본적 해결을 위해서는 예방 정비 체계의 
고도화와 설비 현대화가 필수적입니다. 현재 운영 중인 RS-485 통신 방식은 
1980년대 기술로, 노이즈에 취약하고 전송 속도가 제한적입니다. 

따라서 차세대 통신 프로토콜인 Profinet 또는 EtherCAT으로의 단계적 전환을 
검토할 필요가 있습니다. 이를 통해 통신 속도를 100배 이상 향상시키고, 
진단 기능을 강화하여 장애 예측이 가능해집니다...

(이하 장문의 전문가 제언 계속...)

---

예시 1: PLC 통신 장애 (간단한 질문)

입력:

PLC 통신 장애 시 조치 방법은?

출력:

PLC(Programmable Logic Controller) 장애 처리 방법은 다음과 같습니다:

### 1. 현장 상태 확인
- 현장 장비(예: 수전반, 연계반, 축전지 등)의 동작 상태를 확인합니다.
- 제어반 내 PLC 및 I/O 모듈의 LED 점등 상태를 확인합니다.

### 2. PLC 절체 및 이중화 절체
- PLC가 이상 없을 경우 현장 장비에 이상이 있을 가능성이 높습니다.
- PLC 절체 및 이중화 절체를 통해 정상 상태를 확인합니다.

### 3. 원인 파악 및 조치
- PLC에 이상이 있을 경우 제조사에 연락하여 부품 교체를 요청합니다.
- PLC에 이상이 없을 경우 현장 장비를 점검하고 필요 시 부품 교체를 합니다.

### 4. 시스템 점검 및 모니터링
- PLC 및 관련 시스템을 다시 점검합니다.
- 장애 예방을 위해 시스템 모니터링을 강화합니다.

※ 주의: 작업 시 안전 수칙을 철저히 준수해야 합니다.

예시 2: 회생제동저항장치 장애

입력:

회생제동저항장치 장애 시 조치 방법은?

출력:

회생제동저항장치(Regenerative Braking Resistor)는 전동차의 회생제동으로 인한 
전차선 급전전압 상승을 방지하기 위한 중요한 설비입니다. 
장애 발생 시 즉시 정전 상태로 전환하고 현장 점검을 지시해야 합니다.

장애 종류 및 조치 방안:

• 회생저항기 절연저항 저하
  - 고장표현: 회생저항기 절연저항 저하
  - 원인분석: 회생저항기 절연저항 저하
  - 조치방법: 회생저항기 절체 및 절연저항 측정 / 회생저항기 불량 시 교체

• 회생저항기 반내 철구 열화
  - 고장표현: 회생저항기 반내 철구 열화
  - 원인분석: 회생저항기 반내 철구 열화
  - 조치방법: 철구 열화 상태 확인 및 필요 시 교체

• 회생저항기 반내 절연물 열화
  - 고장표현: 회생저항기 반내 절연물 열화
  - 원인분석: 회생저항기 반내 절연물 열화
  - 조치방법: 절연물 상태 확인 및 필요 시 교체

• 회생저항기 반내 온도계 이상
  - 고장표현: 회생저항기 반내 온도계 이상
  - 원인분석: 회생저항기 반내 온도계 이상
  - 조치방법: 온도계 동작상태 확인 및 필요 시 교체

예시 3: 64P 지락 계전기 동작

입력:

64P 지락 계전기 동작 시 조치 방법은?

출력:

64P 지락 계전기는 변전소 NBF반에서 전차선로의 지락 사고를 감지하는 
보호 장치입니다. 동작 시 다음과 같이 조치합니다:

### 1. 즉시 조치
- 관제에 즉시 보고
- 해당 구간 열차 운행 중지
- 현장 안전 확보 (패널 접촉 금지 지시)

### 2. 설정값 확인
- DCP2 설정값: 150V, 0.4S
- TD B21 동작 확인
- 변전소 NBF반 상태 확인

### 3. 원인 파악
- 전차선로 절연 상태 점검
- 접지 BUS와 Negative BUS 간 저항값 측정
- 강우, 강설 등 기상 조건 확인

### 4. 복구 조치
- 지락 원인 제거 후 절연 저항 측정
- 정상 확인 후 시험 송전
- 이상 없을 시 운행 재개

※ 주의: 64P 동작 시 반드시 현장 안전 확보 후 작업을 진행해야 합니다.

---

⚠️ 제한사항

도메인 특화

• 본 모델은 대구교통공사 3호선 전력설비에 최적화되어 있습니다.
• 다른 도메인(예: 의료, 법률, 금융)에서는 성능이 제한될 수 있습니다.
• 다른 철도 노선이나 전력 시스템에서도 일부 성능 저하가 있을 수 있습니다.

언어

• 한국어 전용: 한국어 응답에 최적화되어 있습니다.
• 영어나 다른 언어로 질문 시 답변 품질이 낮을 수 있습니다.

Thinking 모드

• Qwen3의 <think> 태그가 출력될 수 있습니다.
• Modelfile에서 enable_thinking=false 설정으로 비활성화 가능합니다.

안전성

• 본 모델의 답변은 참고용입니다.
• 실제 현장 작업 시 반드시 공식 매뉴얼 및 안전 규정을 준수해야 합니다.
• 중요한 의사결정은 반드시 전문가의 검토를 거쳐야 합니다.

---

📜 라이선스

모델 라이선스

• 라이선스: Apache 2.0
• 상업적 이용: 가능
• 수정 및 재배포: 가능 (라이선스 명시 필요)

베이스 모델

• dnotitia/Smoothie-Qwen3-8B: 해당 모델의 라이선스 준수 필요
• Qwen3: Alibaba Cloud의 Qwen 라이선스 준수 필요

학습 데이터

• 대구교통공사 내부 자료: 공개 불가
• 모델 가중치: 일반화된 지식만 포함 (원본 데이터 미포함)

---

🙏 감사의 말

기술 제공

• Qwen Team (Alibaba Cloud): 우수한 베이스 모델 제공
• dnotitia: Smoothie-Qwen3-8B 한글 최적화 버전 제공
• HuggingFace: TRL, PEFT, Transformers 라이브러리 제공
• Microsoft: BitsAndBytes 라이브러리 제공
• ggerganov: llama.cpp 및 GGUF 포맷 제공

커뮤니티

• Korean NLP Community: 한국어 AI 발전에 기여
• Open Source Community: 오픈소스 생태계 발전

---

📧 문의 및 피드백

개발자

• 성명: 강동우
• 소속: 대구교통공사 3호선 경전철관제팀 전력관제
• GitHub: @aremany
• HuggingFace: @bluejude10
• Email: bluejude10@naver.com

협업 및 기여

• 이건희 주임: 훈련 시뮬레이터 경보음 및 장애 시나리오 아이디어 제안 및 초기 구현 기여

이슈 및 개선 제안

• GitHub Issues를 통해 버그 리포트 및 기능 제안을 환영합니다.
• HuggingFace Discussions에서 모델 사용 관련 질문을 할 수 있습니다.

---

🔄 버전 히스토리

v1.0 (2026-01-11)

• ✅ 초기 릴리즈
• ✅ QLoRA 파인튜닝 완료 (1,273건 데이터)
• ✅ Q4_K_M GGUF 변환
• ✅ Ollama 지원
• ✅ 성능 검증 완료 (Gemma-3n-4EB 대비 우수)

---

📚 참고 자료

관련 모델

• dnotitia/Smoothie-Qwen3-8B - 베이스 모델
• bluejude10/Smoothie-Qwen3-8B-Original - 원본 비교용

과거 시도 (파인튜닝 실패 이력)

• 1차 시도: Gemma-3n-4EB (파인튜닝 실패)
• 2차 시도: bluejude10/kanana-1.5-2.1b-DTRO-3LINE-POWER-q4-k-m (답변 품질 불량)
• 3차 시도: bluejude10/Bllossom-3B-DTRO-3LINE-POWER-Q6 (답변 미생성)
• 4차 시도: Smoothie-Qwen3-8B (성공) ✅

문서

• 파인튜닝 가이드
• 성능 비교 보고서

---

Made with ❤️ for Daegu Metro Line 3