[테크월드=선연수 기자] 인더스트리 4.0은 엄청난 양의 복잡한 데이터를 만들어내며. 이를 빅데이터라고 부른다. 더 많은 센서를 사용할 수 있게 되면서, 활용할 수 있는 데이터도 점점 늘어나 기계, 시스템, 프로세스를 어느 때보다도 더 상세히 파악할 수 있게 됐다. 그만큼 전체적인 가치사슬에 따른 부가가치 창출의 가능성도 더 높아졌다.
그렇다면 어떻게 해야 부가가치를 극대화할 수 있을까? 데이터 프로세싱을 위한 시스템과 아키텍처는 갈수록 복잡해질 수밖에 없고, 잠재된 가능성과 기회를 실현하기 위해서는 관련성이 높고, 품질이 우수하며, 유용한 ‘스마트 데이터’를 사용해야 한다.
무작정 수집·저장은 NO, 프로세스 구성이 우선
‘나중에 평가하고 분석하고 구조화해야지’라는 생각으로 가능한 모든 데이터를 일단 수집한 뒤 클라우드에 저장하는 것은 데이터의 가치를 끌어내는 효과적인 접근법이 아니다. 데이터에서 부가가치를 얻어낼 수 있는 잠재력이 제대로 빛을 보지 못한 채 그저 묵혀질 뿐이고, 나중에 솔루션을 찾고자할 땐 더 복잡한 상황을 마주하게 된다.
해당 애플리케이션과 관련성이 높은 데이터, 데이터 플로우의 정보 추출 지점 등은 초기에 고려해야 한다. 이를 위해서는 전체적인 프로세싱 사슬을 따라 빅데이터로부터 스마트 데이터를 추출하는 정제 과정이 필요하다. 애플리케이션 차원에서 각 프로세싱 단계마다 적합한 인공지능(AI) 알고리즘을 결정해야 한다. 결정은 가용한 데이터, 애플리케이션 유형, 활용할 수 있는 센서 방식, 물리적 프로세스에 대한 배경 정보 등에 따라 달라질 수 있다.
센서 신호에서 의미있는 부가가치를 뽑아내기 위해서는 데이터를 각 프로세싱 단계마다 적절히 처리·해석해야 한다. 애플리케이션에 따라 여기저기 흩어진 센서 데이터들을 적절히 해석해 원하는 정보를 추출하는 작업은 어려울 수 있다. 시간적 관계가 중요한 역할을 하고 원하는 정보에 직접적인 영향을 주기도 한다. 여러 센서 간 상관성도 자주 고려해야 한다. 복잡한 작업의 경우 단순한 임계값이나 수작업으로 적용하는 로직, 규칙만으로는 충분하지 않다.
AI 알고리즘 모델 구축 접근법
인공지능(AI) 알고리즘을 활용한 데이터 프로세싱은 복잡한 센서 데이터도 자동으로 분석해낼 수 있다. 데이터 프로세싱 사슬 전반에 걸쳐, 데이터로부터 원하는 정보를 자동으로 추출해 원하는 가치를 달성할 수 있다. 이런 AI 알고리즘 모델을 구축하기 위한 2가지 접근법이 있다.
첫 번째 방법은 데이터와 원하는 정보 간 명확한 상관관계와 공식을 사용해 모델링하는 것이다. 이를 위해서는 수학적으로 기술된 형태의 물리적 배경 정보를 사용할 수 있어야 하며, 이를 모델 기반 접근법이라고 한다. 센서 데이터와 배경 정보를 결합해 좀더 정확한 결과를 달성할 수 있으며, 대표적으로 칼만 필터(Kalman Filter)가 있다.
데이터를 활용할 수 있지만 수학적 공식 형태로 기술할 수 있는 배경 정보가 없을 경우, 데이터 지향적 접근법을 선택해야 한다. 이 알고리즘은 데이터에서 원하는 정보를 직접 추출해낸다. 이는 선형 회귀, 신경망, 랜덤 포레스트, 은닉 마코프 모델(HMM, Hidden Markov Model)을 비롯한 모든 종류의 머신 러닝 기법들을 포함한다.
AI 기법을 선택하는 것은 특정 애플리케이션에 있어 현재 활용할 수 있는 지식에 따라 달라진다. 광범위한 전문 지식을 사용할 수 있으면 AI는 지원 역할을 수행하며 꽤 기초적인 알고리즘을 이용할 수 있다. 반면, 전문 지식이 없으면 더욱 복잡한 AI 알고리즘을 사용해야 한다. 많은 경우 애플리케이션에 따라 하드웨어가 결정되며, 이로 인해 AI 알고리즘도 제한된다.
알고리즘은 센서처럼, 더 저렴하고 간단하게
알고리즘은 전체적인 데이터 프로세싱 사슬과 각 단계마다의 가치를 최대로 실현할 수 있도록 구현해야 한다. 이를 위해서는 컴퓨팅 자원이 제한적인 소형 센서부터 게이트웨이와 엣지 컴퓨터를 거쳐 대규모 클라우드 컴퓨터에 이르기까지 전반적인 수준을 모두 고려해야 한다. 이때 알고리즘을 센서에 가깝게 구현하는 것이 유리하다. 이를 통해 초기에 최대한 데이터를 압축·정제할 수 있어 통신·스토리지 비용을 절감할 수 있기 때문이다. 또한, 데이터로부터 초기에 필수 정보를 추출함으로써 상위 알고리즘의 복잡성을 낮춰 개발할 수 있다.
대부분 스트리밍 분석이 유용하게 작용하는데, 데이터의 불필요한 저장이나 데이터 전송·저장에 따른 비용 부담을 피할 수 있기 때문이다. 이런 알고리즘은 각 데이터 포인트를 한 번만 사용하는, 즉 온전한 정보를 곧바로 추출해 내기에 데이터를 저장하지 않아도 되는 것이다.
AI 알고리즘을 활용한 임베디드 플랫폼
ARM Cortex-M4F 프로세서에 기반한 ADI의 마이크로컨트롤러(MCU) ADuCM4050은 전력 사용을 절감해주는 통합형 MCU 시스템이다. 전원관리, 데이터 포착, 프로세싱, 제어 등 커넥티비티를 위한 아날로그·디지털 주변장치 기능을 포함하고 있다. 이런 기능들로 AI 알고리즘을 이용한 로컬 데이터 프로세싱이나 데이터 정제 용도로 사용하기에 적합하다.
EV-COG-AD4050LZ는 ADI의 다양한 센서, MCU, HF 트랜시버 제품을 채택한 저전력 개발·평가 플랫폼이다. EV-GEAR-MEMS1Z 실드는 주로 ADI의 다양한 MEMS 기술 평가를 지원하는데, 예를 들어 이 실드 보드에 사용된 ADXL35x 시리즈는 소형 폼팩터에서도 우수한 진동 정류, 장기적 반복 정밀성, 낮은 잡음 성능을 제공한다.
EV-COG-AD4050LZ와 EV-GEAR-MEMS1Z를 결합하면 진동, 잡음, 온도 분석에 기반한 구조물 건전성과 기계 상태 모니터링 기능을 구현할 수 있다. 필요에 따라 COG 플랫폼에 다른 센서들도 연결할 수 있다. 적합한 AI 기법을 사용해 다중센서 간 데이터 융합을 이룸으로써 현재 상태를 더욱 정확하게 파악해낸다. 또한, 세밀한 입도와 높은 확률로 다양한 동작 상태나 결함 상태를 분류·감지할 수 있다.
COG 플랫폼을 사용해 스마트 신호 프로세싱을 구현하면 로컬 상에서 빅데이터를 스마트 데이터로 변환할 수 있고, 이를 통해 애플리케이션에 필요한 데이터만 엣지나 클라우드로 전송할 수 있다.
COG 플랫폼은 무선 통신용 실드 보드를 포함하며, EV-COG-SMARTMESH1Z는 높은 신뢰성과 견고성을 달성하면서도 전력 소모가 낮다. 또한, 6LoWPAN, 802.15.4e 통신 프로토콜을 지원해 다양한 산업용 애플리케이션에 적합하다. 스마트메시(SmartMesh) IP 네트워크는 무선 노드 간 연결로 데이터를 수집·전달할 수 있는 네트워크로 확장성과 유연성이 우수하다. 네트워크 매니저는 네트워크 성능과 보안을 모니터링·관리하고 호스트 애플리케이션과 데이터를 교환한다.
특히, 배터리 전원으로 작동하는 무선 상태 모니터링 시스템은 임베디드 AI를 활용해 부가가치를 극대화할 수 있다. ADuCM4050에 내장된 AI 알고리즘을 통해 로컬에서 센서 데이터를 스마트 데이터로 변환함으로써, 센서 데이터를 곧바로 엣지나 클라우드로 전송하는 경우와 비교해 데이터 전송을 줄이고 전력 소모를 낮출 수 있다.
COG 플랫폼을 활용한 애플리케이션
COG 개발 플랫폼과 AI 알고리즘은 기계, 시스템, 구조물, 프로세스 모니터링과 관련해 단순 이상 감지부터 복잡한 결함 진단까지 다양한 애플리케이션 구현을 지원한다. 예를 들어 가속도계, 마이크로폰, 온도 센서 등을 통합해 다양한 산업용 기계나 시스템에 대한 진동·잡음을 모니터링할 수 있다. 프로세스 상태, 베어링, 고정자 손상, 제어 장치 고장, 시스템 동작의 미세한 변화까지도 감지할 수 있다.
예측 모델을 사용해 특정한 고장을 예측할 수 있으며, 이를 통해 사전에 유지보수 조치를 취함으로써 불필요한 고장을 피할 수 있다. 예측 모델이 없을 경우, 해당 문제에 대한 전문가와 일정 기간 동안 기계 동작을 파악해 예방 정비를 위한 포괄적인 모델을 구축할 수 있다.
결론
임베디드 AI 알고리즘이 적절한 로컬 데이터 분석을 통해 특정 애플리케이션에 대한 관련성이 높은 센서, 적합한 알고리즘을 결정해내는 것이 가장 이상적인 시스템일 것이다. 플랫폼의 스마트한 확장이 바로 이를 의미한다. ADI가 사용하는 AI 알고리즘은 노력을 최소화해 적합한 솔루션을 구현할 수 있도록 돕고 있지만, 현재는 해당 분야의 전문가가 적합한 알고리즘을 결정해야 한다.
또한, 데이터 품질을 판단하고 부적절할 경우 센서와 신호 프로세싱을 위해 최적의 설정을 찾아야 한다. 이에 다양한 센서 방식을 융합하면 서로의 취약점들을 보완할 수 있고 이를 통해 데이터의 품질과 시스템의 신뢰성을 높일 수 있다. 만약 AI 알고리즘이 센서가 해당 애플리케이션과 관련성이 크지 않다고 판단한다면, 해당 센서에서 얻은 데이터를 사용하지 않을 수 있다.
글: 찌아니스 루카셰비치(Dzianis Lukashevich) 아나로그디바이스 플랫폼·솔루션 담당 디렉터, 펠릭스 사워(Felix Sawo) 노션(Knowtion) CEO
자료제공: 아나로그디바이스
- 이 글은 테크월드가 발행하는 월간 <EPNC 電子部品> 2020년 7월 호에 게재된 기사입니다.
그래도 삭제하시겠습니까?