산업용 IoT의 감지 및 측정: 에지 노드

2017-07-20
산업용 IoT의 감지 및 측정: 에지 노드
 
글. 이안 비버스(Ian Beavers)

산업용 사물인터넷(IoT)의 영역에서는 연결된 기기(connected machines)들 간의 편재형 센싱(pervasive sensing)이 단순히 경쟁 우위가 아닌 필수적이고 기본적인 서비스로 자리매김할 수 있도록 하는 광범위한 변화가 이루어지고 있다. 산업용 IoT는 에지 노드에서부터 시작하며, 이는 감지와 측정으로 가는 출발점이 된다. 에지 노드는 물리 세계와 컴퓨터 데이터 분석 간의 상호 작용이 이루어지는 곳이기도 하다. 온라인으로 연결된 산업 기기들은 중요한 결정을 내리는 데 사용되는 광범위한 정보를 감지할 수 있다. 이러한 에지 센서는 기존의 분석을 저장하고 있는 클라우드 서버로부터 멀리 떨어져 있을 가능성이 높다. 이상적인 환경에서라면 에지 센서 노드는 소형 공칭 폼 팩터 내에서 그다지 눈에 띄지 않기 때문에 공간 제약을 받는 환경에서 쉽게 설치가 가능하다.
 
감지, 측정, 해석, 연결
산업용 IoT 시리즈 중 첫 번째인 이 글에서는 에지 노드 감지 및 측정 성능이 지니는 기본적인 측면과, 전력 관리 및 보안 요소를 추가적으로 고려했을 때의 데이터 감지, 측정, 해석 및 연결 문제를 보다 큰 IoT 틀에서 분석하고 살펴본다. 또한 각 사안에 해당하는 어려운 문제점을 제시한다. 경우에 따라 초저전력(ULP)이 가장 중요한 성능 기준이 되기도 한다. 잠재 데이터의 대부분은 센서가 주요 이벤트로 인해 대기 모드에서 깨어나는 순간 필터링될 수 있다.
 
센서는 산업용 IoT 전자 생태계에서 입력단을 구성한다. 측정은 센서로 감지된 정보를 압력, 변위, 회전 같은 정량화할 수 있는 유의미한 값으로 변환하는 과정을 말한다. 해석 단계에서는 에지 분석 및 처리를 통해 측정된 데이터가 작동을 활성화시키는 이벤트로 바뀐다.1 가장 가치 있는 정보만이 노드를 지나 예측이나 기록 처리를 위한 클라우드에 연결되어야 한다. 신호 체인에서 데이터는 수용 가능한 최초 범위를 바탕으로 제거되거나 필터링될 수 있다. 이상적인 상황에서라면, 센서 노드는 반드시 필요한 정보만을 전송하며, 핵심 데이터를 사용할 수 있게 되는 즉시 중요한 결정이 이루어져야 한다. 
 
에지 노드는 유선, 또는 무선 센서 노드(wireless sensor node, WSN)를 통해 외부 네트워크와 연결되어야 한다. 데이터 무결성(data integrity)은 이러한 신호 체인 블록에서 주요한 요소이다. 최적으로 감지 및 측정된 데이터라도 통신이 일정하게 유지되지 않거나 유실되거나 통신에 오류가 생긴다면 쓸모 없는 것이 되고 만다. 통신 과정에서 사라지는 데이터는 고려할 여지가 없다. 전기적으로 잡음이 많이 발생하는 산업 환경은 금속을 많이 사용하는 장치의 무선 주파수 통신에 있어 특히 가혹할 수 있다. 따라서 시스템 아키텍처 설계 시 사전에 통신 프로토콜을 견고하게 설계해야 한다.
 
ULP 시스템의 전력 관리는 최대 효율을 달성할 수 있도록 전압조정기 부품을 선택하는 것에서부터 시작한다. 그러나 에지 노드의 대기 모드와 작동 모드 전환 주기를 빠르게 하는 방법도 있기 때문에, 시동 및 정지 시간 역시 무시할 수 없다. 외부 트리거나 웨이크업 명령은 데이터 감지와 측정을 시작하도록 에지 노드를 빠르게 깨우는 데 도움이 된다.  
 

 
그림 1. 에지 노드 장치는 클라우드로 가는 인터넷 게이트웨이를 감지, 측정, 해석하고 연결하는 지능을 제공해 준다. 데이터는 일부 분석 방식을 사용해 전처리를 거친 다음 더욱 심도 있는
데이터 마이닝 처리를 위해 전송될 수 있다.
 
데이터 보안 역시 산업용 IoT 시스템에서 반드시 고려해야 하는 사항이다. 에지 내에서의 데이터 보호에 보안이 이루어져야 할 뿐 아니라, 네트워크 게이트웨이에 대한 접근 역시 악의적인 공격으로부터 보호되어야 한다. 범죄 행위를 목적으로 네트워크에 접근하는 스푸핑이 에지 노드에서 발생해서는 안 된다. 
 
지능의 시작은 에지로부터
에지에는 수많은 감지 솔루션들이 있으나, 이들이 반드시 하나의 개별 장치일 필요는 없다. 에지에서는 서로 관련이 없지만 동시에 발생한 다양한 정보가 수 차례 수집될 수도 있다. 온도, 소리, 진동, 압력, 습도, 움직임, 오염물질, 음향, 영상 등의 변수들은 추가적인 이력 분석이나 예측 분석을 위해 감지 및 처리된 뒤 게이트웨이를 통해 클라우드로 전송될 수 있다.  
 
센서가 산업용 IoT의 중요한 요소를 담당한다고 말해도 과장이 아니다.2 하지만 이보다는 센서를 통찰력을 끌어내기 위한 중추신경계로 보는 것이 더 정확하다. 해당 기술은 에지 노드의 감지 및 측정 기술로부터 파생했다. 부적절하거나 부정확한 데이터가 솔루션 체인의 감지 및 측정 단계에서 기록된다면, 클라우드의 이후 처리 과정이 아무리 많더라도 잃어버린 값들을 되찾기란 불가능하다.  
 
의료 및 공장 작업 라인 중지를 위한 모니터링 같이 미션 크리티컬(mission critical)한 시스템의 경우, 문제 발생 시 피해가 막심하기 때문에 고품질 데이터 측정값의 무결성이 요구된다. 데이터의 품질은 다른 무엇보다도 중요하다. 오탐지 또는 생략은 비용 및 시간 손실을 초래하거나 심한 경우 생명을 위협할 수도 있다. 이처럼 손실이 발생하는 오류는 결국 예기치 않은 유지 보수나 비효율적인 노동력 활용, 또는 전체 IoT 시스템의 작동을 완전히 중단해야 하는 결과로 이어진다. 지능은 에지 노드에서 시작되며, 여기에는 '불필요한 정보를 입력하면, 불필요한 정보밖에 출력되지 않는다(garbage in, garbage out)’는 오랜 격언이 여전히 적용된다. 
 

 
그림 2. 대다수의 유무선 에지 노드 출력들은 게이트웨이 노드에 자체적으로 연결되어 통합된 뒤
클라우드 서버로 전송될 수 있다.
 
수집된 데이터로의 접근에는 상당한 책임감 필요
지능형 에지 노드가 없는 기존의 신호 체인 솔루션에서 데이터는 그냥 데이터로 남는다. 지능적이지 않은 노드는 동작을 야기하는 결정을 내리기 위한 지혜나 지식을 도출하는 데에 결코 도움이 되지 않는다.1 이러한 시스템에서는 성능에 아무런 영향을 미치지 않으면서, 가공되지 않고 조잡한 데이터가 대량으로 존재할 수 있다.3 이 모든 데이터를 변환하고 최종적으로 클라우드 저장 공간으로 전송하는 데에는 많은 전력이 소모되며 대역폭도 집중적으로 필요할 수 있다.  
 
반면, 지능형 스마트 분할을 통한 에지 노드의 감지 및 측정 방식은 동작을 야기할 수 있는 정보로 데이터를 변환한다. 지능형 노드는 전반적인 전력 소모를 낮추고 지연 시간을 단축시켜주며, 대역폭의 낭비를 줄여준다.4 이를 통해 지연 시간이 긴 반응형 IoT로부터 실시간의 예측형 IoT 모델로의 이행이 가능해진다. 기본적인 아날로그 신호 체인 회로의 설계 철학은 IoT에도 여전히 적용된다. 복잡한 시스템의 경우, 처리된 데이터를 해석하기 위한 심도 깊은 어플리케이션 지식이 요구되는 경우가 많다. 
 
최적화된 스마트 분할로 클라우드 값 최대화
측정된 정보 중 가장 중요한 것들만 최종 처리를 위해서 게이트웨이를 통해 클라우드로 전송되어야 한다. 어떤 경우에는 대부분의 데이터가 전혀 중요하지 않을 때도 있다.5 또한 시간의 제약을 받는 시스템 데이터는 국부적인 실시간 결정에 필요하기 때문에 원격 접속으로 멀리 있는 곳에서 수집하기 훨씬 전에 이들 데이터에 대한 조치가 이루어져야 한다. 반면, 기존의 데이터와 예측 모델을 사용하여 장기적인 이해에 영향을 미치는 정보라면 클라우드 처리에 사용하기 적합하다. 소급 적용되는 처리와 결정을 위해 데이터로 대량의 데이터베이스를 구축하면 강력한 클라우드 처리와 저장 능력을 갖추는 데 도움이 된다. 
 

 
그림 3. 에지 노드에서 스마트 분할을 사용하면 이전에는 해결하지 못했던 새로운 문제점들을 해결할 수 있다. 신호 체인에서 처리가 더 간결해지고 지능이 더 발달하면 더욱 효과적인 종합 IoT 솔루션이 등장할 수 있다. 
 
실시간 결정 방식의 위험성
IoT 센서는 아날로그 방식이 많다. 산업 어플리케이션의 구체적인 사양을 보면 에지 노드의 프론트 엔드에서 필요한 센서의 동적 범위와 대역폭이 명시되어 있다. 신호 체인의 프론트 엔드는 신호가 디지털 방식으로 변환되어 에지 밖으로 전송되기 전에는 아날로그 영역에 해당된다. 아날로그 신호 체인에서 각각의 부품은 제대로 선택하지 않을 경우 에지 노드의 전반적인 성능을 제한할 수 있다. 동적 범위는 잡음 플로어나 원치 않는 차상급 신호에 대한 해당 실제 센서 간의 변화량을 뜻한다.  
 
IoT 센서는 일반적으로 이미 알고 있는 활동뿐 아니라 알지 못하는 활동도 포착하기 때문에, 아날로그 필터의 사용이 언제나 옳은 선택은 아니다. 디지털 필터링은 신호를 샘플링한 뒤에 이루어지기 때문에 아날로그 필터가 센서의 프론트 엔드에 사용되지 않는 한 기본 신호나 기타 스퓨리어스 신호의 고조파는 감지된 정보에 포함되어 필요한 신호와 경쟁하게 될 수 있다. 따라서 측정된 데이터에서 원치 않는 결과물이 나타나는 것을 예방하려면, 시간과 주파수 영역 모두에서 예기치 않게 감지되는 신호에 대한 계획을 설계 단계에서 마련해야 한다.  
 
감지된 정보는 보통 신호 체인에서 뒤따라오는 ADC에 의해 측정된다. IoT 에지 노드가 개별 부품을 사용해 설계되었다면, 센서의 동적 범위를 줄이지 않는 측정용 ADC를 선택하도록 주의를 기울여야 한다. 내장된 ADC의 실제 입력은 센서의 출력 진폭과 일치하는 것이 보통이다. 이상적인 상황이라면, 센서 출력이 1dB 이내의 차로 ADC의 입력 범위를 거의 차지하며, ADC를 포화상태로 만들어서 범위의 양극단이 잘려나가는 일이 없도록 해야 한다. 그러나 증폭기 단계에서 센서의 출력 신호를 증가시키거나 약화시켜서 ADC 자체의 동적 범위를 최대화할 수도 있다. ADC의 실제 입력, 샘플링률, 비트로 나타낸 해상도, 입력 대역폭, 잡음 밀도는 모두 에지 노드의 신호 측정 성능에 영향을 미친다.  
 
프론트 엔드 증폭기는 노드의 측정 장치에 내장되어 있거나 ADC 이전에 개별 부품으로 추가될 수 있다. 증폭기의 이득, 대역폭, 잡음은 에지 노드의 성능을 향상시킬 수도 있다.  
 
신호 체인에서 센서 뒤에 위치하는 측정용 ADC는 대부분 나이퀴스트율 또는 연속 시간 Σ-Δ(CTSD)의 두 가지 샘플링 아키텍처 유형 중 하나에 해당되며, 후자라면 ADC에 내장되어 있는 경우가 더 일반적이다. 나이퀴스트율 ADC는 샘플링률 주파수의 절반(fs/2)과 동일한 공칭 플랫 잡음 플로어값을 가진다. CTSD ADC는 오버샘플링률과 동적 범위 증가를 위해 잡음을 원하는 대역폭 밖으로 보내는 노치 통과 대역을 함께 사용한다. 측정용 ADC 아키텍처와 그 해상도는 에지 노드의 아날로그 대역폭과 동적 범위를 이해하는 데 중요한 요소이다.  
 
그림 4. IoT 센서에서 프론트 엔드 아날로그 필터가 없는 경우, 나이퀴스트율 ADC는 1차 나이퀴스트 영역을 넘어선 고차원 주파수를 중첩(fold)하여 원하는 대역으로 포함시킬 수 있다. 반면, 오버샘플링 변조 클록을 사용하는 CTSD ADC 아키텍처의 경우, 잡음 정형을 사용해서 원하는 대역에서 동적 범위를 높일 수 있다. CTSD 아키텍처는 자체적으로 필터링을 제공하기 때문에 신호 앨리어싱에 덜 민감하다.
 
예를 들어, 주파수 영역에서 1Hz 단위 대역폭당 잡음 밀도는 ADC의 SNR과 ADC 샘플 스펙트럼에서 잡음이 퍼져 있는 범위에 따라 달라진다. 나이퀴스트율 ADC의 경우, 1Hz 대역폭 당 잡음 스펙트럼 밀도 = 0dB – ADC 신호대잡음비(SNR) – 10log(fs/2)이며, 이때 fs/2는 샘플링률을 2로 나눈 값, 또는 ADC의 나이퀴스트 영역 하나를 뜻한다. 이상적인 SNR은 SNR = 6.02 × N + 1.76dB의 식으로 계산할 수 있으며, 이때 N은 ADC의 비트수이다. 그러나 ADC의 실제 SNR 값에는 전기적 잡음과 트랜지스터 수준의 부품 결함 등 트랜지스터와 반도체 처리 과정에서 발생할 수 있는 상황들이 반영되어 있다. 이 경우 SNR 성능은 이상적인 상황에 비해 저하되기 때문에, 원하는 SNR 성능을 알아보기 위해서는 ADC의 데이터시트를 확인해야 한다.  
 
에지 노드의 동적 범위는 센서의 동적 범위, 신호의 증폭, ADC의 전체 동적 범위로 구성된다. 실제 센서 출력 신호가 ADC의 실제 범위 입력의 1dB 이내에 해당되지 않는 경우 ADC 동적 범위의 일부분이 사용되지 않는 상태로 남는다. 반대로, 센서로부터 범위를 넘어서는 ADC 입력이 들어오면 샘플링된 신호가 왜곡된다. 증폭기 대역폭과 이득, 잡음 역시 에지 노드의 동적 범위를 생각할 때 고려되어야 하는 요소이다. 센서와 증폭기, ADC의 전기 잡음을 모두 합하면 각 부품의 rms를 제곱해서 더한 값의 제곱근과 같다.7
 

 
그림 5. 센서 신호의 출력 진폭이 ADC의 실제 입력과 일치하지 않아서 동적 범위가 손실되는 예(파란색). 센서의 동적 범위를 최대화하면서도 ADC의 범위를 초과(빨간색)하지 않도록 하려면 증폭기가 필요하다. 신호를 일치시키는 작업은 에지 노드의 전체 신호 체인에서 대역폭, 동적 범위, 잡음을 고려해야 한다.
 
스마트 공장
산업용 IoT 부문에서 중요하게 응용되는 영역 중 하나는 기계의 진동 상황을 모니터링하는 것이다. 신형, 구형에 관계 없이 기계 장치에는 높은 동적 범위의 MEMS 가속도계와 함께 회전 축이나 기어 같은 주요 기계 부품이 장착되어 있을 수 있다.8 이러한 다축 센서는 기계의 진동 변위를 실시간으로 샘플링한다. 진동의 특징은 측정한 뒤 처리를 거쳐 이상적인 기계 진동의 특징과 비교할 수 있다.9 공장에서 이러한 정보를 분석하면 효율을 높이고 작업 라인 작동 중지 상황을 줄이는 데 도움이 되며, 기계의 고장 또한 미리 예방할 수 있다. 극단적인 경우, 빠르게 마모되는 기계 부품을 사용하는 기계 장치가 심각한 손상을 야기하기 전에 즉시 작동을 중단할 수 있다. 
 

 
그림 6. 정기적인 기계 장치의 유지 보수가 일정한 시간 간격을 두고 이루어진다고 해도, 장치의 상태에 대해 지능적인 유지 보수가 이루어지지 않는 경우가 많다.10 특정 기계 부품의 동작으로부터 진동 성능을 분석하면 고장이 나는 시점과 유지 보수 시점을 예측하여 이를 에지 노드에 알릴 수 있다.  
 
에지 노드 분석을 사용하면 결정을 내릴 때 지연되는 시간을 크게 줄일 수 있다. 이러한 예로는 그림 7의 MEMS 센서를 들 수 있다. 여기서 MEMS 센서는 문턱 값 한계가 초과될 때 경고를 보내며, 이러한 경고는 즉시 전달된다. 이벤트가 지나치게 극단적이어서 위험하다고 간주되면, 노드는 자동으로 문제가 되는 장치의 작동을 중지시켜 시간에 민감한 기계 장치의 심각한 고장을 예방할 수 있다.  
 
또 다른 방법으로는 활성화 신호를 사용해서 부차적인 기계 부품에 위치하는 노드 등 다른 센서와 측정 노드에서 첫 번째 이벤트를 기반으로 하는 데이터를 분석하도록 할 수도 있다. 이렇게 하면 에지 노드에서 샘플링된 데이터의 전체 데이터 세트가 줄어든다. 평소와 다른 진동 이상이 발생했음을 판단하기 위해서는 프론트 엔드 노드가 요구되는 감지 성능을 갖추도록 설계해야 한다. 감지 및 측정 회로의 동적 범위, 샘플링률, 입력 대역폭 성능은 이상 상황을 파악할 수 있을 정도로 우수해야 한다. 
 

 
 
그림 7. 감지 및 측정된 데이터가 에지를 지나 전송될지 여부가 비교기 문턱 값에 의해 결정된다고 할때 샘플로 추출된 기계 진동 데이터를 시간 영역으로 나타낸 모습. 저전력 상태를 유지하면, 문턱 값을 넘어서는 이벤트가 발생하는 시점부터 데이터의 우월성이 달성되기 전까지 대부분의 정보를 필터링할 수 있다.  
 
스마트 시티
산업용 IoT 에지 노트가 응용되는 또 다른 분야는 동영상 분석이 내장된 스마트 시티의 산업 카메라다. 스마트 시티는 수많은 정보와 통신 지점을 결합된 시스템으로 통합시켜 도시의 자원을 관리할 수 있도록 한다. 흔히 사용되는 응용 방식에는 주차공간이 비어있는지 여부를 감지하는 기능이 있다. 요청을 받는 시점에서, 각각의 카메라들은 사전에 할당된 화면을 주시하고 있다. 경계선 감지는 다양한 물체와 그 물체의 움직임을 파악하기 위한 분석 방식 내에서 정의되고 사용될 수 있다. 지나간 물체의 움직임만 분석하는 것이 아니라 디지털 신호 처리(DSP) 알고리즘을 사용하여 에지에서 물체의 궤적을 바탕으로 예측 경로도 계산할 수 있다.  
 

 
그림 8. 에지 노드 동영상 분석, 물체 유형 감지, 경계 교차는 분석을 위해 전체 대역의 동영상 데이터를 전송하지 않는 저전력 시스템에서 사용될 수 있다. 브레드크럼(breadcrumb) 물체 좌표와 유형이 표시된 타임스탬프에 대해서만 통신이 이루어지면 된다. 
 
주파수 필터링과 비슷한 맥락으로, 동영상 분석 프레임의 전체 대역폭은 대부분 최종 처리에 필요하지 않다. 보안의 목적으로 사용되는 경우가 아니라면, 전체 동영상 프레임은 보통 아주 일부만이 사용된다. 고정된 설치 카메라에서 프레임이 변할 때 시각 데이터는 변하지 않는 경우가 대부분이며, 이렇게 변하지 않는 데이터는 필터링될 수 있다. 대부분의 경우, 경계를 넘은 횟수나 관심 물체의 움직임 좌표만이 분석의 대상이 된다. 이렇게 줄어든 데이터는 브레드크럼 좌표로서 신호 체인의 다음 게이트웨이로 전달될 수 있다.
 
에지 노드 동영상 분석은 차, 트럭, 자전거, 인간, 동물 등 다양한 물체 유형을 구분할 수 있도록 다양한 필터를 제공한다. 이러한 선별 제거(decimation)를 통해 클라우드 서버 내에서 다운스트림으로 보낸 전체 프레임률 동영상 데이터를 분석할 필요가 없어지므로, 데이터 대역폭과 계산 능력을 줄이는 데 기여하게 된다.
 
실내 카메라는 출입구를 통과하는 사람 수를 파악하고 조명, 난방, 냉방 등을 조정하는 데 사용될 수 있다. 실외의 경우, 비가 올 때처럼 극단적이거나 까다로운 조명 환경에서 높은 동적 범위의 카메라를 사용해야 할 수 있다. 일반적으로 픽셀당 8비트 또는 10비트의 이미징 센서는 조명 상태에 관계 없이 모든 감지 시나리오에서 충분한 조도 동적 범위를 제공하지 못할 수 있다. 움직임이 빠른 스포츠를 보려면 재생률이 240Hz가 되어야 하는 반면, 개별적인 분석 카메라에서 동작을 모니터링하는 데에는 프레임률이 이보다 더 느릴 수도 있다. 
 
그림 9. 에지 노드에서 DSP 물체 감지 알고리즘을 사용한 높은 동적 범위의 이미저는 빛이 적은 환경에서도 움직임과 경계 침입을 감지할 수 있다. 본 예시에서는 시각 대비를 이용하여 실내 공간인 공장/사무실(왼쪽)과 실외 공간인 주차장(오른쪽)의 경계 검출을 정의했다.  
 
플랫폼 차원의 솔루션
ADT7420은 4mm×4mm 디지털 온도 센서로 내부에 최대 해상도 0.0078°C의 16비트 ADC를 포함하는 뛰어난 성능을 자랑하며, 소비 전류가 210μA에 불과하다. ADXL362는 최저전력의 3축 MEMS 가속도계로 모션으로 활성화되는 웨이크업 모드에서 샘플링률이 100Hz일 때 소비 전류가 2μA에 불과하다. 또, 전력 사용 주기를 사용하지는 않지만 모든 데이터율에서 전 대역폭 아키텍처를 사용하며, 이를 통해 입력 신호의 앨리어싱 현상을 예방한다. ADIS16229는 2축의 18g 디지털 MEMS 진동 센서로, RF 트랜시버가 내장되어 있으며 512포인트 디지털 FFT 성능의 온보드 주파수 영역 신호 처리 기능을 제공한다. 
 
DSP가 가능한 블랙핀 저전력 이미징 플랫폼(BLIP)11을 사용하면 검증된 디지털 신호 처리 툴을 기반으로 하여 산업 시각 설계 시 시제품화에 걸리는 기간을 단축할 수 있다. 장치 제조업체는 소프트웨어 상품의 최적화된 라이브러리를 통해 움직임 감지, 유동인구 계수, 자동차 감지에 사용되는 뛰어난 솔루션을 제공받을 수 있다.  
 
저자에 대하여
이안 비버스(Ian Beavers, Ian.Beavers@analog.com)는 미국 노스캐롤라이나 주 그린즈버러에 위치한 아나로그디바이스 자동화 에너지 및 센서 팀의 제품 엔지니어링 매니저로 재직하고 있다. 1999년 아나로그디바이스에 입사했으며 반도체 분야에서 19년 간 경력을 쌓았다. 노스캐롤라이나주립대학에서 전기공학 학사학위를, 그린즈버러의 노스캐롤라이나대학에서 MBA를 취득했다. 
태그 :
IoT,에지노드,감지,측정,ADI,테크아티클,tech article,클라우드,이안비버스