기술기고문

빅데이터에서 스마트 데이터로! AI를 활용하는 스마트 센서

2021-06-08
글: 찌아니스 루카셰비치(Dzianis Lukashevich), 아나로그디바이스 플랫폼 및 솔루션 담당 디렉터 / 
 펠릭스 사워(Felix Sawo), 노션(Knowtion) CEO

 
인더스트리 4.0 애플리케이션은 엄청난 양의 복잡한 데이터를 만들어낸다. 이것을 빅데이터라고 한다. 점점 더 많은 센서를 사용할 수 있게 되고 그에 따라 활용할 수 있는 데이터도 늘어남으로써 기계, 시스템, 프로세스를 어느 때보다 더 상세하게 파악할 수 있게 되었다. 그만큼 전체적인 가치 사슬을 따라서 부가가치를 창출할 수 있는 가능성 또한 높아졌다. 하지만 그와 동시에, ‘그렇다면 어떻게 해야 이러한 부가가치를 극대화할 수 있을까?’라는 질문도 생긴다. 결국 데이터 프로세싱을 위한 시스템과 아키텍처는 갈수록 복잡해질 수밖에 없다. 잠재된 가능성과 기회를 실현하기 위해서는 관련성이 높고 품질이 우수하며 유용한 데이터, 즉 ‘스마트 데이터’를 사용해야 한다.

해결해야 할 과제
‘언젠가 나중에 평가, 분석, 구조화 해야지’ 하는 생각으로 일단은 가능한 모든 데이터를 수집하고 클라우드에 저장해 두는 것은 데이터로부터 가치를 끌어내기 위한 효과적인 접근법이 아니다. 데이터로부터 부가가치를 창출할 수 있는 잠재력은 충분히 활용되지 못한 채 그저 묵혀지고 있을 뿐이고, 나중에 솔루션을 찾으려고 하면 더 복잡해진다. 어떤 정보가 해당 애플리케이션과 관련성이 높은지, 데이터 플로우의 어느 지점에서 정보를 추출할지 등은 조기 단계에 고려해야 한다. 그러려면 데이터를 정제해야 한다. 다시 말해서, 전체적인 프로세싱 사슬을 따라서 빅데이터로부터 스마트 데이터를 추출하는 것이다. 그러려면 애플리케이션 차원에서 각각의 프로세싱 단계마다 어떤 인공지능(AI) 알고리즘이 적합할지 결정해야 한다. 이러한 결정은 가용한 데이터, 애플리케이션 유형, 활용할 수 있는 센서 방식, 물리적 프로세스에 대한 배경 정보 같은 것들에 따라 달라질 수 있다.

센서 신호로부터 진정한 부가가치를 창출하기 위해서는 각각의 프로세싱 단계마다 데이터를 적절하게 처리하고 해석해야 한다. 애플리케이션에 따라서는 여기저기 흩어져 있는 센서 데이터들을 적절하게 해석해서 원하는 정보를 추출하기가 어려울 수 있다. 때로는 시간적 관계가 중요한 역할을 하며 원하는 정보에 직접적인 영향을 미치기도 한다. 또한 여러 센서들 간의 상관성도 자주 고려해야 한다. 복잡한 작업의 경우에는, 단순한 임계값이나 수작업으로 적용하는 로직이나 규칙만으로는 충분하지 않다.

AI 알고리즘
AI 알고리즘을 활용한 데이터 프로세싱은 복잡한 센서 데이터를 자동으로 분석할 수 있다. 데이터 프로세싱 사슬 전반에 걸쳐서 데이터로부터 원하는 정보를 자동으로 추출하고 가치를 실현할 수 있다.

AI 알고리즘을 위해서는 모델을 구축해야 한다. 이를 위해서는 기본적으로 두 가지 접근법이 가능하다.

한 가지 접근법은, 데이터와 원하는 정보 사이의 명확한 상관관계와 공식들을 사용해서 모델링하는 것이다. 그러기 위해서는 수학적으로 기술된 형태의 물리적 배경 정보를 사용할 수 있어야 한다. 이것을 모델 기반 접근법이라고 한다. 센서 데이터와 배경 정보를 결합해서 좀더 정확한 결과를 달성할 수 있다. 가장 잘 알려진 예가 칼만 필터(Kalman Filter)이다.

데이터만 사용할 수 있고 수학적 공식 형태로 기술할 수 있는 배경 정보가 없다면, 데이터 지향적 접근법을 선택해야 한다. 이러한 알고리즘은 데이터에서 직접 원하는 정보를 추출한다. 이 접근법은 선형 회귀, 신경망, 랜덤 포레스트, 은닉 마코프 모델(hidden Markov model, HMM)을 비롯한 모든 종류의 머신 러닝 기법들을 포함한다.

어떤 AI 기법을 선택할 것인지는 특정 애플리케이션과 관련하여 현재 활용할 수 있는 지식에 따라 달라진다. 광범위한 전문 지식을 사용할 수 있다면 AI는 지원 역할을 하고 꽤 기초적인 알고리즘을 사용할 수 있다. 전문 지식이 없다면 훨씬 더 복잡한 AI 알고리즘을 사용해야 한다. 많은 경우에 애플리케이션에 따라서 하드웨어가 정해지고, 여기에 따라서 AI 알고리즘이 제한된다.

임베디드, 에지, 클라우드 구현
전체적인 데이터 프로세싱 사슬과 각각의 단계마다 필요한 알고리즘을 가능한 최대의 가치를 실현하도록 구현해야 한다. 그러기 위해서는 컴퓨팅 자원이 제한적인 소형 센서에서부터 게이트웨이와 에지 컴퓨터를 거쳐서 대규모 클라우드 컴퓨터에 이르기까지 전반적인 수준을 고려해야 한다. 될 수 있으면 알고리즘을 센서에 가깝게 구현하는 것이 유리하다. 그렇게 하면 최대한 조기 단계에 데이터를 압축 및 정제할 수 있고, 그럼으로써 통신 및 스토리지 비용을 줄일 수 있다. 또한 조기 단계에 데이터로부터 필수적인 정보들을 추출함으로써 상위 수준의 알고리즘을 덜 복잡하게 개발할 수 있다. 대부분의 경우, 스트리밍 분석이 유용하다. 불필요하게 데이터를 저장할 필요가 없고 데이터 전송과 저장에 따른 비용을 피할 수 있기 때문이다. 이러한 알고리즘은 각각의 데이터 포인트를 한 번만 사용한다. 다시 말해 곧바로 온전한 정보를 추출하므로 데이터를 저장할 필요가 없는 것이다.

AI 알고리즘을 활용하는 임베디드 플랫폼
ARM® Cortex®-M4F 프로세서 기반 마이크로컨트롤러인 ADI의 ADuCM4050은 전력 사용을 절약하는 통합 마이크로컨트롤러 시스템으로서, 전원관리 기능뿐 아니라 데이터 포착, 프로세싱, 제어, 커넥티비티를 위한 아날로그 및 디지털 주변장치 기능들을 포함한다. 따라서 첨단 스마트 AI 알고리즘을 활용한 로컬 데이터 프로세싱과 데이터 정제 용도에 사용하기에 적합하다.

EV-COG-AD4050LZ는 ADI의 다양한 센서, 마이크로컨트롤러, HF 트랜시버 제품을 채택한 극저전력 개발 및 평가 플랫폼이다. EV-GEAR-MEMS1Z 실드는 주로 ADI의 다양한 MEMS 기술을 평가하기 위한 것이다. 예를 들어서 이 실드 보드에 사용된 ADXL355를 비롯한 ADXL35x 시리즈는 소형 폼팩터에서 뛰어난 진동 정류, 장기적 반복정밀성, 낮은 잡음 성능을 제공하는 것이 특징이다. EV-COG-AD4050LZEV-GEAR-MEMS1Z를 결합하면 진동, 잡음, 온도 분석에 기반한 구조물 건전성 및 기계 상태 모니터링을 구현할 수 있다. 필요할 경우, COG 플랫폼에 그 밖에 다른 센서들을 연결할 수 있다. 이로써 적합한 AI 기법을 사용해서 다중센서 데이터 융합을 통해서 현재 상태를 더 잘 파악할 수 있다. 더 세밀한 입도와 더 높은 확률로 다양한 동작 상태나 결함 상태를 분류하고 감지할 수 있다. COG 플랫폼을 사용하여 스마트 신호 프로세싱을 구현함으로써 로컬에서 빅데이터를 스마트 데이터로 변환할 수 있고, 이로써 애플리케이션에 필요로 하는 데이터만 에지나 클라우드로 전송할 수 있다.

COG 플랫폼은 무선 통신용 실드 보드도 포함한다. EV-COG-SMARTMESH1Z는 높은 신뢰성과 견고성을 달성하면서 전력 소모가 극히 낮고 6LoWPAN802.15.4e 통신 프로토콜을 지원하므로 다양한 산업용 애플리케이션에 사용하기에 적합하다. SmartMesh® IP 네트워크는 무선 노드들이 서로 연결해서 데이터를 수집하고 전달할 수 있는, 확장성과 유연성이 뛰어난 네트워크이다. 네트워크 매니저가 네트워크 성능과 보안을 모니터링 및 관리하고 호스트 애플리케이션과 데이터를 교환한다.

특히 배터리 전원으로 작동하는 무선 상태 모니터링 시스템은 임베디드 AI를 활용해서 부가가치를 극대화할 수 있다. ADuCM4050에 내장된 AI 알고리즘을 활용해서 로컬에서 센서 데이터를 스마트 데이터로 변환함으로써, 센서 데이터를 곧바로 에지나 클라우드로 전송하는 경우와 비교해서 데이터 전송을 줄이고 그럼으로써 전력 소모를 낮출 수 있다. 

애플리케이션
COG 개발 플랫폼과 AI 알고리즘은 기계, 시스템, 구조물, 프로세스 모니터링과 관련해서 단순히 이상을 감지하는 것에서부터 복잡한 결함 진단에 이르는 다양한 애플리케이션을 구현할 수 있게 해준다. 예컨대 가속도계, 마이크로폰, 온도 센서 등을 통합함으로써 다양한 산업용 기계나 시스템에 대한 진동과 잡음을 모니터링할 수 있다. 프로세스 상태, 베어링이나 고정자 손상, 제어 장치 고장, 시스템 동작의 미세한 변화까지 감지할 수 있다. 특정한 고장에 대해서는 예측 모델을 사용해서 고장을 예측할 수 있다. 그러면 사전에 유지보수 조치를 취함으로써 불필요한 고장을 피할 수 있다. 예측 모델이 존재하지 않는다면 해당 문제에 대한 전문가가 일정 기간 동안 기계 동작을 파악해서 예방 정비를 위한 포괄적인 모델을 구축할 수도 있다.

맺음말
어떤 애플리케이션에 대해 어느 센서가 관련성이 높고 어떤 알고리즘이 적합한지를, 임베디드 AI 알고리즘이 적절한 로컬 데이터 분석을 통해 결정할 수 있다면 가장 이상적일 것이다. 플랫폼의 스마트한 확장성이란 바로 이를 뜻한다. ADI가 이미 사용하고 있는 AI 알고리즘은 최소한의 노력으로 다양한 기계 상태 모니터링 애플리케이션에 적합하게 구현할 수 있지만, 현재로서는 해당 문제에 대한 전문가가 애플리케이션에 가장 적합한 알고리즘을 결정해야 한다.

임베디드 AI는 또한 데이터 품질을 판단하고 이것이 부적절하면 센서와 전체적인 신호 프로세싱을 위한 최적의 설정을 찾아야 한다. 다양한 센서 방식을 융합하면 각각의 센서 또는 기법들의 취약점을 보완할 수 있다. 그럼으로써 데이터 품질과 시스템 신뢰성을 높일 수 있다. 만약 AI 알고리즘에 의해 어떤 센서가 해당 애플리케이션에 대한 관련성이 크지 않다고 판단되면 이 센서로부터 얻은 데이터는 사용하지 않을 수 있다.

ADI의 COG 플랫폼은 무료로 제공되는 소프트웨어 개발 키트와 하드웨어 및 소프트웨어를 위한 다양한 프로젝트 예제를 포함한다. 따라서 사용자는 신속하게 프로토타입을 개발하고 개발 시간을 단축할 수 있다. 다중센서 데이터 융합(EV-GEAR-MEMS1Z) 보드와 임베디드 AI(EV-COG-AD4050LZ) 보드를 결합해서 스마트 센서용으로 견고하고 신뢰할 수 있는 무선 메시 네트워크(SMARTMESH1Z)를 구현할 수 있다.

# # #

저자 소개
찌아니스 루카셰비치(Dzianis Lukashevich)는 아나로그디바이스의 플랫폼 및 솔루션 담당 디렉터이다. 산업의 미래를 만들고 ADI의 혁신을 이끌 메가트렌드, 첨단 기술, 솔루션, 새로운 사업 모델에 주력하고 있다. 2012년에 독일 뮌헨 ADI의 영업 및 마케팅 부서에 입사했다. 2005년에 뮌헨 공과대학에서 전기공학 박사학위를, 2016년에 워릭 경영대학원에서 MBA를 취득했다. 문의: dzianis.lukashevich@analog.com

펠릭스 사보(Felix Sawo)는 2005년에 일메나우 공과대학에서 메카트로닉스 석사학위를, 2009년에 카를스루에 공과대학에서 컴퓨터 과학 박사학위를 받았다. 졸업 후에는 프라운호퍼 옵트로닉스/시스템 기술/이미지 활용(IOSB) 연구소의 연구원으로 재직하면서 기계 진단용 알고리즘과 시스템을 개발했다. 2011년부터는 센서 융합 및 자동화 데이터 분석용 알고리즘 개발 전문 기업인 노션(Knowtion)의 CEO직을 맡고 있다. 문의: felix.sawo@knowtion.de
태그 :
ADuCM4050, EV-COG-AD4050LZ, EV-GEAR-MEMS1Z