AI › 산업 AI 응용 › 가상 계측

소프트 센서Soft Sensor

재기 어렵거나 결과가 늦게 나오는 품질 변수(성분 농도 · 순도)를, 늘 재는 공정 변수(온도 · 압력 · 유량)로 그 자리에서 추정하는 모델이다.

1요약

  1. 소프트 센서는 정유 · 화학 · 하수 · 제약 공정에서 보조 변수(온도 · 압력 · 유량)로 주 변수(성분 · 순도)를 1분 단위로 추정하는 모델로, 1978년 추론 제어(Joseph 1978)에서 출발해 지금은 PLS · 신경망 회귀가 그 위에서 돌며 그 출력이 제어기 · 감시 화면 · 분석기 대체 값으로 들어간다.
  2. 분석기 결과가 늦으면 제어는 지나간 공정을 보고 움직인다 — 공개 벤치마크인 정유 탈부탄탑은 가스 크로마토그래프가 다음 탑 위에 있어 측정 지연이 30 ~ 75분이고(Siddharth 2018), 본문의 합성 사례에서 분석기 마지막 값의 오차(RMSE 0.171 mol%)를 소프트 센서가 0.113 mol% 로 줄였다.
  3. 「소프트 센서가 안 맞는다」는 추정과 분석기 값의 어긋남이 시각 차이인가, 크기 차이인가로 가른다 — 모양은 같은데 앞뒤로 밀려 있으면 측정 지연 맞춤이 틀린 것이고, 어느 시점부터 한쪽으로 치우치면 학습 범위 밖 운전이라 모델 갱신으로 넘긴다.

2등장 배경

증류탑 하부 제품의 불순물 농도를 재는 가스 크로마토그래프는 시료를 뽑아 분석하는 데 수십 분이 걸리고, 실험실 분석은 교대 근무마다 몇 번뿐이다. 그 사이 원료가 바뀌면 운전원은 지난 결과를 보고 밸브를 움직이게 되고, 불순물이 규격을 넘은 제품이 결과가 나올 때까지 계속 나온다. 1978년 Joseph · Brosilow 는 재기 쉬운 보조 측정값(단 온도 등)으로 품질 변수를 추정해 그 추정값으로 제어하는 «추론 제어»를 정리했다(Joseph 1978).

2005년 Fortuna · Graziani · Xibilia 가 정유 탈부탄탑의 부탄(C4) 농도를 공정 변수 7개로 추정하는 소프트 센서를 냈고(Fortuna 2005), 2007년 책에 그 데이터와 황 회수 공정(SRU · 입력 5개 · 출력 H2S · SO2 · 1분 간격 10,081개) 데이터를 실어 지금도 공개 벤치마크로 쓰인다(Fortuna 2007 · Urhan 2019 3.1절). 2009년 Kadlec · Gabrys · Strandt 는 데이터 기반 소프트 센서의 쓰임을 온라인 예측 · 공정 감시 · 센서 고장 감지와 대체 세 가지로 묶고, 결측 · 이상값 · 측정 지연 · 드리프트를 풀어야 할 문제로 꼽았다(Kadlec 2009).

제약에서는 미국 FDA 가 2004년 PAT 지침에서 공정 데이터로 제품 품질을 판정하는 «실시간 출하»를 인정하고 그 수단으로 다변량 방법을 들었다(FDA PAT 2004 IV.C.4). 반도체에서 같은 생각을 웨이퍼 계측에 쓴 것이 가상 계측이고, 여기서는 연속 공정 일반의 소프트 센서를 다룬다.

3쉽게 이해하기 — 수영장 관리인의 염소 어림

동네 실내 수영장 관리인 한 명이 물의 염소 농도를 맞춘다. 물 한 컵을 떠서 구청 검사소에 보내면 결과지가 1시간 뒤에 오므로, 관리인은 지금 입장객 수 · 물 온도 · 넣은 약품 양을 보고 «지금 농도»를 어림해 약품을 더 넣거나 줄인다. 10시에 결과지가 오면 관리인은 10시의 어림이 아니라 물을 뜬 9시의 어림과 맞춰 보고, 검사소가 쉬는 날에는 어림만으로 하루를 버틴다.

약품이 물을 바꾼다 1 수영장 입장객 · 물 온도 · 약품 양 공정 · 보조 변수 2 관리인의 어림 지금 농도를 바로 짐작 소프트 센서 모델 3 약품 넣기 어림이 낮으면 더 넣음 추론 제어 9시에 한 컵 4 물 한 컵 보내기 뜬 시각을 적어 둠 시료 채취 5 검사소에서 1시간 쉬는 날은 결과 없음 분석기 측정 지연 6 결과지 맞춰 보기 10시 결과 ↔ 9시 어림 시간 맞춤 · 검증 어림 고치기 공정 데이터 모델 제어 · 사람 실측 · 검증 늦음 · 빠짐(위험)

그림 1 · 관리인은 입장객 · 물 온도로 지금 농도를 어림해 약품을 넣고, 1시간 뒤 오는 결과지는 물을 뜬 시각의 어림과 맞춰 본다.

물 보기입장객 · 온도 확인
어림지금 농도 짐작
약품어림대로 넣기
한 컵9시에 떠서 보냄
기다림검사소 1시간
맞춰 보기9시 어림과 비교
비유 — 결과지는 언제의 물인가 9시 10시 검사소 1시간 0.8 10시 어림과 견줌 결과 0.8 · 어림 1.2 차이 0.4 — 틀린 비교 9시 어림과 견줌 결과 0.8 · 어림 0.8 차이 0 — 맞는 비교 막대 = 결과지 − 견준 어림 숫자 = 염소 농도(ppm · 이야기 속 값) 실제 — 대응 이름 물 뜬 시각 시료 채취 시각 결과지 도착 분석기 보고 시각 1시간 측정 지연 50분 어림 장부 추정값 이력 9시와 견주기 시간 맞춤

그림 2 · 10시에 온 결과지는 9시 물의 값이다 — 10시 어림과 견주면 0.4 가 틀린 것처럼 보이고, 물을 뜬 9시 어림과 견주어야 어림이 맞았는지 알 수 있다.

비유 속 역할실제 이름실제로 하는 일
입장객 · 물 온도보조 변수1분마다 재는 단 온도 · 압력 · 유량
관리인의 어림소프트 센서 모델(PLS · 신경망)보조 변수로 지금의 성분 농도를 추정한다
약품 넣기추론 제어 · APC추정값으로 리보일러 열량 · 환류량을 고친다
9시에 뜬 물 한 컵시료 채취분석기 · 실험실이 재는 시료가 공정에서 빠지는 시각
검사소 1시간측정 지연 · 분석 주기시료가 분석기에 닿고 분석이 끝나기까지 30 ~ 75분(탈부탄탑)
9시 어림과 맞춰 보기시간 맞춤 · 검증보고값을 채취 시각으로 당겨 학습 정답 · 오차 확인에 쓴다
검사소 쉬는 날분석기 정지 · 대체 운전분석기 정비 중에는 추정값이 측정값을 대신한다

⚠ 비유가 맞지 않는 곳: 관리인의 어림은 경험이지만 소프트 센서는 학습 기간의 데이터가 덮은 운전 범위 안에서만 맞는 통계 모델이라, 원료 · 촉매가 학습 때와 다르면 어림이 한쪽으로 치우친다. 또 검사소 결과는 하루 몇 번이 아니라 분석기라면 10분마다 오므로, 맞춰 보기도 사람 손이 아니라 모델 갱신 규칙이 자동으로 한다.

4구조 — 보조 변수 · 시간 맞춤 · 추정 모델 · 기준 측정

소프트 센서는 공정 변수를 모아 다듬는 앞단, 지연을 맞춘 학습 데이터로 만든 추정 모델, 추정값을 쓰는 제어 · 감시 · 대체, 그리고 분석기 · 실험실의 기준 측정으로 나뉜다(Kadlec 2009). 기준 측정은 학습 정답이자 운전 중 치우침을 알려 주는 유일한 값이라, 소프트 센서가 생겨도 분석기는 남는다.

조작값(리보일러 열량 · 환류량) 공정 탈부탄탑 보조 변수 온도 · 압력 · 유량 전처리 이상값 · 지연 입력 추정 모델 PLS · 신경망 추정값 C4 mol% · 1분마다 쓰임 추론 제어(APC) 품질 감시 · 경보 분석기 정지 때 대체 시료 분석기 · 실험실 10분 주기 결과 50분 뒤 시간 맞춤 보고 시각 − 지연 = 채취 시각 학습 · 확인 학습 정답 · 잔차 치우침 → 모델 갱신 공정 입력 데이터 모델 · 학습 출력 · 실측 지연 처리 제어 · 업무 회색 선 = 되돌아감

그림 3 · 1분마다 오는 보조 변수가 추정 모델을 거쳐 제어 · 감시로 가고, 50분 늦게 오는 분석기 값은 채취 시각으로 당겨진 뒤에야 학습 정답과 치우침 확인에 쓰인다.

요소입력 → 출력사례 값(그림 4 · 5)근거
보조 변수현장 계기 → 1분 값5개(민감단 온도 · 탑저 온도 · 환류량 · 원료량 · 탑정 압력)Fortuna 2005(탈부탄탑 7개)
지연 입력보조 변수 → 지금 · 15분 전 · 30분 전 값5 × 3 = 15개Kadlec 2009(동특성)
시간 맞춤보고값 → 채취 시각 값지연 50분(교차 검증으로 찾음)Siddharth 2018(30 ~ 75분)
추정 모델표준화 입력 → 성분 농도PLS 3성분 · 학습 쌍 1,977개Geladi 1986
기준 측정시료 → 보고값분석기 10분 주기 · 교정 중 값 28개 제외Kadlec 2009(이상값 · 결측)
쓰임추정값 → 조작 · 경보 · 대체경보 한계 2.6 mol%(가정) · 분석기 정지 4시간Joseph 1978 · Kadlec 2009

🔑 소프트 센서의 학습 정답은 분석기가 «보고한 시각»이 아니라 시료를 «뜬 시각»에 붙어야 한다 — 그러지 않으면 모델은 50분 전 공정을 지금 값으로 배운다.

5동작 — 탈부탄탑 꼴 합성 공정 14일 학습과 하루 운전

설명용 합성 데이터를 Python 3.14.0 · NumPy 2.4.3(학습 default_rng(0) · 시험일 default_rng(1000))으로 만들어 직접 실행한 사례다. 탈부탄탑 하부 제품의 C4 농도(mol%)를 추정하며, 분석기 지연 50분 · 분석 주기 10분 · 경보 한계 2.6 mol% 는 모두 가정 값이고, 합성 데이터라 분석기가 재지 않은 순간의 실제 농도도 알아 오차를 1분마다 잰다. 추정 모델은 PLS1(NIPALS 반복)을 NumPy 행렬 연산으로 짜서 썼다(Geladi 1986).

  1. 14일 동안 1분 공정 변수 5개(20,160행)와 분석기 보고값 2,016개를 모으고, 하루 한 번 20분 교정 중에 나온 보고값 28개를 뺀다.
  2. 공정은 원인이 바뀐 뒤 15분 안팎에 걸쳐 따라 바뀌므로, 각 변수의 지금 · 15분 전 · 30분 전 값을 입력으로 써서 15개 입력을 만든다.
  3. 보고값을 «가정 지연 d 분 전»의 입력과 짝지어 d = 0 ~ 90분을 10분 간격으로 10겹 교차 검증한다 — R² 가 0분 0.836 에서 50분 0.929 로 가장 높아 50분을 지연으로 고른다(학습 쌍 1,977개).
  4. PLS 성분 1 · 2 · 3 · 4개의 교차 검증 RMSE 가 0.246 · 0.236 · 0.091 · 0.086 mol% 라, 크게 떨어지는 3개에서 멈춘다 — 셋째 성분이 원료 조성을 담은 민감단 온도 쪽 정보를 잡는다.
  5. 시험일 10:00 원료 조성이 바뀌어 실제 C4 가 10:46 에 2.6 mol% 를 넘는다. 소프트 센서는 11:36, 분석기 마지막 값은 11:40 에 경보를 낸다(10분 연속 초과 기준) — 바뀐 조성(0.48 ~ 0.88)이 학습 범위(최대 0.46) 밖이라 추정이 평균 0.11 mol%p 낮게 나와 앞선 시간이 4분뿐이다.
  6. 14:00 ~ 18:00 분석기를 정비로 세우면 마지막 보고값을 그대로 쓴 오차는 RMSE 0.217 mol%, 소프트 센서 추정은 0.127 mol% 다.
  7. 하루(01:00 ~ 24:00) 전체로는 소프트 센서 0.113 mol%, 분석기 마지막 값 0.171 mol% 이고, 외란 뒤 남은 −0.11 mol%p 치우침은 맞춘 보고값과의 잔차로 드러나 모델 갱신(드리프트 대응)이 맡는다.
탈부탄탑 하부 C4 농도 · 시험일(합성 데이터 · 5분마다 표시) 분석기 정지 2.0 2.4 2.8 3.0 경보 2.6 06:00 10:00 14:00 18:00 20:00 원료 조성 변화 5 6 5 경보 시각 실제 10:46 추정 11:36 분석기 11:40 6 정지 4시간 분석기 0.217 추정 0.127 실제 농도 소프트 센서 추정 분석기 마지막 값(50분 지연) 정지 구간 · RMSE mol%

그림 4 · 소프트 센서는 실제 농도를 1분마다 따라가고 분석기 마지막 값은 50분 늦은 계단으로 따라간다 — 다만 학습 범위 밖 조성에서는 추정이 0.11 mol%p 낮아 경보가 4분만 앞선다.

가정 지연별 교차 검증 R²(PLS 3성분 · 합성 데이터 14일) 공개 탈부탄탑 지연 범위 30 ~ 75분 0.84 0.88 0.92 0.836 0.929 0.850 3 0 20 40 60 80 가정 지연(분) — 보고값을 이만큼 앞 입력과 짝지음 고른 지연 0분 = 맞추지 않은 경우

그림 5 · 보고값을 몇 분 앞 입력과 짝짓느냐에 따라 같은 데이터 · 같은 모델의 R² 가 0.836 에서 0.929 까지 바뀌고, 가장 높은 50분이 분석기의 실제 지연이다.

🔑 소프트 센서가 분석기를 이기는 것은 더 정확한 측정이어서가 아니라 같은 순간의 값을 지연 없이 내기 때문이다 — 그래서 운전 범위가 학습 때와 같을 때만 그 이점이 남는다.

6비교 — 실험실 분석 · 온라인 분석기 · 두 가지 소프트 센서

기준실험실 분석온라인 분석기(GC 등)데이터 기반 소프트 센서기본 원리 모델 소프트 센서
값이 나오는 간격교대마다 몇 번분석 주기(사례 10분)공정 변수 주기(사례 1분)공정 변수 주기
지연시료 운반 · 분석 시간30 ~ 75분(탈부탄탑 · Siddharth 2018)거의 없음거의 없음
정확도의 근거표준 분석법장비 교정학습 데이터와 운전 범위물질 · 에너지 수지 모델
무너지는 때시료 채취 실수정비 · 교정 · 고장 정지학습 범위 밖 원료 · 촉매(사례 −0.11 mol%p)모델 변수(효율 · 오염) 변화
만드는 데 드는 것분석 인력장비 · 시료 배관 · 정비기준 측정 수천 개 · 지연 맞춤공정 설계 자료 · 상태 추정(Kalman)
주로 쓰는 곳출하 판정 · 분석기 교정제어 · 감시의 기준값추론 제어 · 감시 · 분석기 대체신규 공정 · 데이터가 적을 때

분석공정이 오래 같은 원료로 돌고 기준 측정이 쌓여 있으면 데이터 기반, 운전 이력이 짧거나 운전 범위를 자주 넘으면 기본 원리 모델을 고르고, 둘 다 분석기를 없애지 않고 그 사이를 메운다. 근거는 표의 「무너지는 때」 행 — 데이터 기반 모델은 학습 범위 밖에서 치우치고(사례 5단계), Kadlec 2009 는 이를 데이터 기반 소프트 센서의 유지 문제로 꼽았다.

반도체 웨이퍼 계측을 대신하는 같은 방식은 가상 계측이 맡고, 학습 뒤 치우침을 기준 측정으로 고치는 방법은 모델 갱신(드리프트 대응)이 맡는다.

7실무 진단 — 소프트 센서 오차의 단계 가르기

분석입력 → 시간 맞춤 → 모델 → 운전 범위 순으로 본다. 입력 계기 하나가 틀리면 지연 · 모델을 아무리 고쳐도 추정이 맞지 않고, 지연이 틀리면 모델 성분 수를 바꿔도 R² 가 오르지 않기 때문이다(사례 3단계 · Kadlec 2009 의 센서 고장 대체).

#증상의심 원인단계확인 자료판정 기준(근거)
1추정이 혼자 튀거나 한 값에 멈춤입력 계기 고장(열전대 단선 · 고착)입력입력 변수별 값 · 변화량한 변수만 물리 범위 밖 또는 변화 0 → 그 입력을 다른 변수로 재구성(Kadlec 2009)
2모양은 같은데 분석기보다 앞서거나 늦게 움직임지연 맞춤 틀림(분석기 위치 · 주기 변경)시간 맞춤가정 지연별 교차 검증 R²최고점 지연이 쓰는 값과 10분 넘게 다르면 다시 맞춤(사례 50분 · 문헌 30 ~ 75분)
3학습 오차는 작은데 운전에서 흔들림공선성 · 성분 과다모델성분 수별 교차 검증 RMSE더 줄지 않는 최소 성분 수(사례 3개 · Geladi 1986)
4어느 시점부터 한쪽으로 치우침원료 · 촉매 · 운전 방식이 학습 범위 밖운전 범위입력별 학습 최소 · 최대 · 잔차 이력입력이 학습 범위 밖이면 표시하고 모델 갱신(사례 조성 0.48 > 0.46 · −0.11 mol%p)

진단은 첫 행부터 한다. 계기 한 개의 고장은 그 입력만 보면 바로 보이지만, 그것을 모르고 모델을 다시 학습하면 고장 난 값까지 학습해 다음 운전이 더 틀린다.

8시험 대비

시험에서는 보조 변수로 주 변수를 추정하는 원리와 쓰임을 묻는 정의 · 특징형, 그리고 심층 학습 · 적응형으로 가는 흐름을 묻는 동향 · 발전형이 나올 수 있다. 정의에 «측정 지연»과 «시간 맞춤»을 함께 쓰고 지연별 R² 처럼 수치를 붙이면 다른 답안과 갈린다.

답안 목차
  1. 개요 — 정의(주 변수 · 보조 변수) · 필요성(분석기 지연 30 ~ 75분 · 실험실 저빈도) · 등장(Joseph 1978 추론 제어)
  2. 구성 — 그림 3 보조 변수 → 전처리 · 지연 입력 → 추정 모델 → 추정값 → 추론 제어 · 감시 · 대체 · 기준 측정 고리
  3. 모델링 방식 — 기본 원리 모델 ↔ 데이터 기반(PLS · 신경망) · 성분 수 교차 검증(0.236 → 0.091 mol%)
  4. 측정 지연 보정 — 그림 5 가정 지연별 R²(0분 0.836 → 50분 0.929)
  5. 적용 효과와 한계 — 그림 4 RMSE 0.113 ↔ 0.171 mol% · 분석기 정지 대체 · 학습 범위 밖 치우침
  6. 동향 — 심층 학습(LSTM · Transformer 계열 · 공개 벤치마크 탈부탄탑 · SRU) · 적응형(모델 갱신) · 제약 PAT 실시간 출하

꼭 쓸 키워드
주 변수보조 변수추론 제어측정 지연시간 맞춤PLS공선성탈부탄탑분석기 대체학습 범위 밖 입력

다른 답안과 차이를 내는 한 가지는 그림 5 처럼 «지연을 맞추지 않으면 같은 모델도 R² 가 0.84 에 머문다»를 보이는 것이다 — 모델 이름을 늘어놓는 대신 데이터를 짝짓는 법이 정확도를 정한다는 점을 근거로 댄다. 동향은 공개 벤치마크(탈부탄탑 · SRU)에서 LSTM · Transformer 계열 신경망을 견주는 연구가 이어진다는 사실(Wang 2024 3.1절)로 붙인다.

9오해와 사실

  • 오해소프트 센서를 달면 분석기를 없앨 수 있다.
    사실학습 정답과 운전 중 치우침 확인은 분석기 · 실험실 값만 주며, 사례의 −0.11 mol%p 치우침도 맞춘 보고값과의 잔차로만 드러났다(Kadlec 2009 · 유지 문제).
  • 오해분석기 값과 같은 시각의 공정 변수로 학습하면 된다.
    사실분석기 결과는 시료를 뜬 뒤 30 ~ 75분 늦게 나오므로(Siddharth 2018) 그대로 짝지으면 사례 R² 가 0.836, 지연 50분을 맞추면 0.929 다.
  • 오해입력 변수를 많이 넣을수록 정확해진다.
    사실온도 · 유량은 서로 강하게 얽혀 있어 PLS 성분 수를 교차 검증으로 정하며, 사례에서 4개 이상은 오차를 0.005 mol% 밖에 줄이지 못했다(Geladi 1986 · PLS 성분 선택).

10핵심 정리

구분맡는 일주기 · 단위사례 값근거흔한 실패
보조 변수지금의 공정 상태1분 · ℃ · bar · m³/h5개 · 지연 입력 15개Fortuna 2005고장 계기를 그대로 입력
기준 측정학습 정답 · 치우침 확인10분 주기 · mol%보고값 2,016개 · 28개 제외Kadlec 2009교정 중 값까지 학습
시간 맞춤보고값을 채취 시각으로분50분 · R² 0.836 → 0.929Siddharth 2018지연 0 으로 짝지음
추정 모델보조 변수 → 주 변수mol%PLS 3성분 · RMSE 0.091Geladi 1986성분 과다 · 범위 밖 외삽
추론 제어 · 감시추정값으로 조작 · 경보1분경보 한계 2.6(가정)Joseph 1978치우친 추정으로 경보 늦음
분석기 대체정비 중 측정 대신시간4시간 RMSE 0.127 ↔ 0.217Kadlec 2009검증 없이 대체 운전 길어짐

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ Data-driven Soft Sensors in the process industry (Computers and Chemical Engineering 33(4) 795-814) — 데이터 기반 소프트 센서의 쓰임 세 가지와 데이터 문제(결측 · 이상값 · 지연 · 드리프트)를 볼 때
    Elsevier · 2009-04 · doi.org/10.1016/j.compchemeng.2008.12.012 · 확인 2026-11-12
  3. ★ Real-time quality monitoring in debutanizer column with regression tree and ANFIS (Journal of Industrial Engineering International 15(1) 41-51) — 공개 벤치마크 탈부탄탑 데이터(2,394개 · 분석기 지연 30 ~ 75분)의 구성을 볼 때
    Springer · 2018-05 · doi.org/10.1007/s40092-018-0276-4 · 확인 2026-11-12
  4. ★ Inferential control of processes: Part I. Steady state analysis and design (AIChE Journal 24(3) 485-492) — 보조 측정값으로 품질을 추정해 제어하는 추론 제어의 출발점을 볼 때
    Wiley · AIChE · 1978-05 · doi.org/10.1002/aic.690240313 · 확인 2026-11-12
  5. ★ Guidance for Industry PAT - A Framework for Innovative Pharmaceutical Development, Manufacturing, and Quality Assurance — 제약 공정에서 공정 데이터로 품질을 판정하는 실시간 출하(real time release)를 볼 때
    U.S. FDA · 2004-09 · www.fda.gov/media/71012/download · 확인 2026-11-12
  6. 본문 근거
  7. Soft sensors for product quality monitoring in debutanizer distillation columns (Control Engineering Practice 13(4) 499-508) — Elsevier · 2005-04 · doi.org/10.1016/j.conengprac.2004.04.013 · 확인 2026-11-12
  8. Soft Sensors for Monitoring and Control of Industrial Processes (Advances in Industrial Control) — Springer · 2007 · doi.org/10.1007/978-1-84628-480-9 · 확인 2026-11-12
  9. An Exploratory Analysis of Biased Learners in Soft-Sensing Frames (arXiv 1904.10753) — arXiv · 2019-04 · arxiv.org/abs/1904.10753 · 확인 2026-11-12
  10. Approximated Orthogonal Projection Unit: Stabilizing Regression Network Training Using Natural Gradient (arXiv 2409.15393) — arXiv · 2024-09 · arxiv.org/abs/2409.15393 · 확인 2026-11-12
  11. Partial least-squares regression: a tutorial (Analytica Chimica Acta 185 1-17) — Elsevier · 1986 · doi.org/10.1016/0003-2670(86)80028-9 · 확인 2026-11-12
  12. NumPy 2.4 Reference Random Generator — NumPy Developers · 2026-11 · numpy.org/doc/2.4/reference/random/generator.html · 확인 2026-11-12