TIO 측정 데이터 분석 - 디지털 입출력

 

이 글은 Jupyter 노트북으로 작성되었습니다. 

 

tio_measure_data_analysis - digital.ipynb

0.68MB

 

 

 

TIO 측정 데이터 분석 - 2. 디지털 입출력 점검¶

• TIO의 디지털 입출력 성능을 보기 위해 아래 실험을 하였다.
  • TSMaster에서 TIO로 500msec 주기로 출력 요청용 CAN 메시지를 전송한다.
  • 디지털 출력 신호가 on/off로 토글하도록 요청 메시지의 해당 신호값을 토글시킨다.
  • TIO의 디지털 출력 포트를 TIO의 디지털 입력 포트에 직접 연결한다. 
  • TIO는 입력 포트의 상태를 10msec 주기로 CAN 메시지로 전송한다.
  • 위 과정의 CAN 메시지들을 측정하여 파일로 저장한다.
• 출력을 요청한 CAN 메시지의 요청 신호와 입력 신호를 전송한 CAN 메시지의 입력 신호를 비교한다. 아래 항목들을 확인한다.
  • 지연 시간은 몇 msec인가?
  • 요청 대비 출력 오차는 몇 % 인가?

 

In [1]:

# import

from pathlib import Path
import h5py
import pandas as pd
import numpy as np
import plotly.express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots

 

In [2]:

# 블로그에 올리기 위해 plotly renderer의 설정이 필요하다. 

import plotly.io as pio
pio.renderers.default = "notebook_connected" 

 

In [3]:

# constant

# 데이터 파일 저장 경로
k_dir_data = Path('data')
k_dir_data.mkdir(exist_ok=True)

# data 디렉토리의 첫 번째 .mat 파일을 대상으로 한다.(파일 이름을 기억하기가 귀찮다.^^)
mats = list(Path(k_dir_data).rglob('*.mat'))

if len(mats) == 0:
    print('No mat files found in data directory')
else:
    print('mats =')
    for i, mat in enumerate(mats):
        print(f'{i}: {mat.name}')
        
# 1개 mat 파일을 대상으로 데이터를 처리한다.
i_mat = 0
mat = mats[i_mat] 
print(f'{mat = }')

 

 

mats =
0: tio_2025_08_28_17_44_55.MAT
mat = WindowsPath('data/tio_2025_08_28_17_44_55.MAT')

 

 

mat 파일을 읽어서 데이터프레임으로 변환하기¶

• digital output request, digitial input, analog output request, analog input 신호들을 pandas df(DataFrame)으로 만든다.
• 메시지별로 전송 주기가 다르다. 전송 주기를 맞춰야 계산이 편리하다.
• 메시지별로 데이터프레임을 만들고, 데이터프레임들을 합친다.

 

In [4]:

# Read mat file. So simple
trace = h5py.File(mat, 'r')
trace_keys = list(trace.keys())
for key in trace_keys:
    print(key)

 

 

CAN1_TIO9011_N01_REP_DI_LEVEL_TIO9011_CH7_Level
CAN1_TIO9011_N01_REP_DI_LEVEL_TIO9011_CH9_Level
CAN1_TIO9011_N01_SET_DO_LEVEL_REQ_TIO9011_Channel_Index
CAN1_TIO9011_N01_SET_DO_LEVEL_REQ_TIO9011_IO_LEVEL
CAN1_TIO9015_N02_REP_AI_CHN1_4_Voltage_CH2
CAN1_TIO9015_N02_REP_AO_CHN1_4_Voltage_CH1
CAN1_TIO9015_N02_SET_AO_VALUE_REQ_A_Value
CAN1_TIO9015_N02_SET_AO_VALUE_REQ_Channel

 

 

노트¶

• 신호의 정의는 아래와 같다.

디지털 신호¶

• 나는 디지털 아웃풋으로 CH7을 디지털 인풋으로 CH9를 사용했다.
• CAN1_TIO9011_N01_SETDO_LEVELREQTIO9011Channel_Index:
  • SET 메시지에 있는 Digitial Output 채널 지정
  • SET 메시지는 TSMaster가 TIO로 필요할 때마다 전송한다.
  • df 컬럼명: do_ch_set
• CAN1_TIO9011_N01_SETDO_LEVELREQTIO9011_IOLEVEL:
  • SET 메시지에 있는 Digitial Output 요청값
  • SET 메시지는 TSMaster가 TIO로 필요할 때마다 전송한다.
  • df 컬럼명: do_req_set
• CAN1_TIO9011_N01_REPDI_LEVEL_TIO9011_CH9Level: do_act_req
  • REP 메시지에 있는 Digital Input 신호값
  • REP 메시지는 TIO가 주기적으로 전송한다.
  • REP 메시지의 전송 주기는 SET 메시지로 설정 가능하다.
  • df 컬럼명: do_act_req
• CAN1_TIO9011_N01_REPDI_LEVEL_TIO9011_CH7Level:
  • REP 메시지에 있는 Digital Output의 요청값 <-- 아웃풋으로 설정된 경우, Input 값이 아닌 Output 요청이다.
  • REP 메시지는 TIO가 주기적으로 전송한다.
  • REP 메시지의 전송 주기는 SET 메시지로 설정 가능하다.
  • df 컬럼명: do_req_rep

 

 

digital 신호들을 한 df로 만든다.¶

 

In [5]:

# 측정 주기 (= 메시지 전송 주기)에 따라 각각 df를 만든다.

df_d1 = pd.DataFrame(
    {
        'ts': trace['CAN1_TIO9011_N01_REP_DI_LEVEL_TIO9011_CH7_Level'][0],
        'do_req_rep': trace['CAN1_TIO9011_N01_REP_DI_LEVEL_TIO9011_CH7_Level'][1],
        'di_act_rep': trace['CAN1_TIO9011_N01_REP_DI_LEVEL_TIO9011_CH9_Level'][1]
    }
)

df_d2 = pd.DataFrame(
    {
        'ts': trace['CAN1_TIO9011_N01_SET_DO_LEVEL_REQ_TIO9011_Channel_Index'][0],
        'ch': trace['CAN1_TIO9011_N01_SET_DO_LEVEL_REQ_TIO9011_Channel_Index'][1],
        'do_req_set': trace['CAN1_TIO9011_N01_SET_DO_LEVEL_REQ_TIO9011_IO_LEVEL'][1]
    }
)

 

In [6]:

px.line(
    x=df_d1['ts'],
    y=df_d1['ts'].diff(),
    labels={'x': 'ts', 'y': 'ts_diff'},
    title='ts_diff of df_d1',
    range_y=[df_d1['ts'].diff().mean()*0.8, df_d1['ts'].diff().mean()*1.2],   
    width=600,
    height=400
)

 

 

 

 

 

In [7]:

px.line(
    x=df_d2['ts'],
    y=df_d2['ts'].diff(),
    labels={'x': 'ts', 'y': 'ts_diff'},
    title='ts_diff of df_d2',
    range_y=[df_d2['ts'].diff().mean()*0.8, df_d2['ts'].diff().mean()*1.2],
    width=600,
    height=400
)

 

 

 

 

 

노트¶

• df_d1 ts의 주기는 10msec이다.
• df_d2 ts의 주기는 500msec이다.

 

In [8]:

# 두 데이터프레임을 ts 기준으로 합친다. (outer join)
df = (
    pd.merge(df_d1, df_d2, on='ts', how='outer', suffixes=('_d1', '_d2'))
    .sort_values('ts')
    .reset_index(drop=True)
)

# 합쳐진 df_digital을 출력한다.
df.head()

 

Out[8]:

	ts	do_req_rep	di_act_rep	ch	do_req_set
0	26.998460	1.0	1.0	NaN	NaN
1	27.008549	1.0	1.0	NaN	NaN
2	27.018482	1.0	1.0	NaN	NaN
3	27.028371	1.0	1.0	NaN	NaN
4	27.038503	1.0	1.0	NaN	NaN

 

 

타임스탬프를 살펴본다.¶

• 주기가 다른 두 타임스탬프들이 합쳐진 것이라 타임스탬프의 간격이 들쭉날쭉할 것으로 예상된다.

 

In [9]:

# ts의 diff를 구한다.
df['ts_diff'] = df['ts'].diff()
df['ts_diff'].describe()

 

Out[9]:

count    3009.000000
mean        0.009854
std         0.001141
min         0.000090
25%         0.009963
50%         0.009979
75%         0.010025
max         0.012109
Name: ts_diff, dtype: float64

 

In [10]:

px.line(
    df, 
    x='ts', 
    y='ts_diff', 
    title='ts_diff of df (= df_d1과 df_d2가 합쳐짐)', 
    labels={'ts': 'Timestamp', 'ts_diff': 'Difference'},
    width=800,
    height=600
)

 

 

 

 

 

발견¶

• ts_diff는 mean은 9.85msec이다. std, min을 보면 주기에 큰 변동이 있는 것을 알 수 있다. 그래프로 보면 분명하다.
• df에는 df_d1 메시지들과 df_d2 메시지들이 합쳐져 있다. df_d1 메시지와 df_d2 메시지가 합쳐진 부근의 주기는 df_d1의 10msec나 df_d2의 500msec와 크게 다를 수 있다. 이것이 df ts_diff에 영향을 미쳤을 것이다.

 

 

두 메시지 사이의 전송 시간 차이¶

• df_d1과 df_d2의 타임스탬프가 일치하지 않는다는 것을 확인했다.
• df_d1과 df_d2를 합쳐서 df를 만들었다. 각 df 관점에서 보면 없던 타임스탬프가 유입된다. 새로 유입된 타임스탬프의 신호값은 None이다.
• ts와 df_d2의 임의의 신호로 연산을 하면, 원래 있던 타임스탬프의 신호 값은 None이 아니라 정상적으로 연산이 될 것이다. 새로 유입된 타임스탬프의 신호 값은 None이라 연산 결과가 None이 될 것이다.
• 위 특징을 이용하면 df_d1 메시지와 df_d2 메시지 전송 시간 사이의 간격을 알 수 있다.

 

In [11]:

# df_d1 메시지와 원래 타임스탬프가 있는 df_d2 메시지 사이의 시간 차이를 구할 수 있다.
filt = (df['ts'] - df['do_req_rep']).notnull() 
df.loc[filt, ['ts_diff']].describe()

 

Out[11]:

	ts_diff
count	2965.000000
mean	0.009985
std	0.000305
min	0.000268
25%	0.009966
50%	0.009979
75%	0.010027
max	0.012109

 

 

발견¶

• 위 계산의 평균은 0.00103 sec, 즉, 1.03msec 이다.
• 즉, df_d1 메시지와 df_d2 메시지 사이에 간격은 1msec 정도이다.

 

 

그래프¶

 

In [12]:

# plotly로 do_req_rep, do_req_rep, di_act_rep 시각화한다.
# 세 신호를 분리해서 표시한다.

fig = make_subplots(rows=3, cols=1, shared_xaxes=True, vertical_spacing=0.02,
                    subplot_titles=('DO Req Set', 'DO Req Rep', 'DI Act Rep'))

fig.add_trace(go.Scatter(x=df['ts'], y=df['do_req_set'], name='DO Req Set'), row=1, col=1)
fig.add_trace(go.Scatter(x=df['ts'], y=df['do_req_rep'], name='DO Req Rep'), row=2, col=1)
fig.add_trace(go.Scatter(x=df['ts'], y=df['di_act_rep'], name='DI Act Rep'), row=3, col=1)

fig.update_layout(title='DO Req Set/Rep and DI Act Rep over Time', height=800)
fig.update_traces(marker=dict(size=6, symbol='circle'))
fig.show()

 

 

 

 

 

발견¶

• None 값들 때문에 그래프가 위와 같이 보인다.
• ffill을 한다. 디지털 신호의 경우, 메시지가 전송된 순간부터 다음 메시지가 전동될 때까지 현재 값이 지속될 테니까.

 

In [13]:

df['do_req_set'] = df['do_req_set'].ffill()
df['do_req_rep'] = df['do_req_rep'].ffill()
df['di_act_rep'] = df['di_act_rep'].ffill()

 

In [14]:

# plotly로 do_req_rep, do_cmd_rep, di_act 시각화한다.
# 세 신호를 분리해서 표시한다.

fig = make_subplots(rows=3, cols=1, shared_xaxes=True, vertical_spacing=0.02,
                    subplot_titles=('DO Req Set', 'DO Req Rep', 'DI Act Rep'))

fig.add_trace(go.Scatter(x=df['ts'], y=df['do_req_set'], name='DO Req Set'), row=1, col=1)
fig.add_trace(go.Scatter(x=df['ts'], y=df['do_req_rep'], name='DO Req Rep'), row=2, col=1)
fig.add_trace(go.Scatter(x=df['ts'], y=df['di_act_rep'], name='DI Act Rep'), row=3, col=1)

fig.update_layout(title='DO Req Set/Rep and DI Act Rep over Time', height=800)
fig.update_traces(marker=dict(size=6, symbol='circle'))
fig.show()

 

 

 

 

In [15]:

# 지연 시간을 알기 위해서 do_req_rep과 do_req_rep의 차이를 계산한다.
# do_req_rep과 di_act의 차이도 계산한다.
df['do_req_set-req_rep'] = df['do_req_set'] - df['do_req_rep']
df['do_req_set-act_rep'] = df['do_req_set'] - df['di_act_rep']
df['do_req_rep-act_rep'] = df['do_req_rep'] - df['di_act_rep']

 

In [16]:

# do_req_set-req_rep를 그래프로 그린다.
px.line(df, x='ts', y='do_req_set-req_rep', title='Time Series Difference', labels={'ts': 'Timestamp', 'value': 'do_req_set-req_rep'}, markers=True)

 

 

 

 

 

발견¶

• 위 그래프를 확대하면, 1 틱 차이임을 알 수 있다.
  

 

In [17]:

# do-cmd-act를 그래프로 그린다.
px.line(df, x='ts', y='do_req_set-act_rep', title='Time Series Difference', labels={'ts': 'Timestamp', 'value': 'do_req_set-act_rep'}, markers=True)

 

 

 

 

In [18]:

px.line(df, x='ts', y='do_req_rep-act_rep', title='Time Series Difference', labels={'ts': 'Timestamp', 'value': 'do_req_rep-act_rep'}, markers=False)

 

 

 

 

 

발견¶

• 1 틱만큼 지연이 있다.
• 이 실험에서 1 틱은 10msec이다. 전송 주기를 더 짧게 하여 1 틱의 크기를 줄이면 어떻게 될까? 전송 주기를 1msec로 했으면 지연 시간이 1msec로 줄었을까?
• on/off 라는 디지털 신호의 특성상 오차는 없다.

 

 

TODO¶

• TIO의 전송 주기를 더 짧게하여 최소 지연 시간을 찾는다.
• 1msec 이하가 가능할까?

 

 

 

목차 :: hsl's tsmaster 사용기    

TIO 측정 데이터 분석 - mat 파일을 데이터프레임으로 변환하기 (mdf2df) :: hsl's tsmaster 사용기    

https://tosunai.kr/hardware/category/tio-series/