임베디드 AI로 빅데이터를 실행 가능한 스마트 인사이트로 변환

인더스트리 4.0은 빅데이터로 통칭되는 전례 없는 양의 복잡한 센서 데이터를 생성하고 있습니다. 수천 개의 센서와 끊임없이 확장되는 데이터 스트림으로 기계, 시스템, 프로세스의 디지털 표현이 점점 더 세분화되고 있습니다. 이러한 세분화는 전체 가치 사슬에 새로운 가치를 열어주지만, 그 가치를 추출하는 것은 여전히 큰 과제입니다. 핵심은 원시적이고 방대한 데이터를 고품질의 실행 가능한 정보, 즉 실질적인 경제적 이익을 이끄는 스마트 데이터로 변환하는 데 있습니다.

과제

모든 데이터 포인트를 수집해 클라우드에 저장한 후 사후 분석하는 기존 접근법은 비효율적이고 종종 비효과적입니다. 비정형 데이터 축적은 미활용 인사이트를 초래하고 향후 솔루션을 복잡하게 만듭니다. 더 전략적인 접근은 소스에서 시작합니다: 애플리케이션에 진정으로 관련 있는 정보가 무엇인지 식별하고, 데이터 흐름의 어디에서 추출해야 할지 결정하는 것입니다. 이는 사실상 처리 체인 전반에서 빅데이터를 스마트 데이터로 필터링하고 정제하는 것을 의미합니다. 각 단계에 가장 유망한 AI 알고리즘 결정은 사용 가능한 데이터, 센서 양식, 근본적인 물리적 프로세스에 대한 지식을 고려해 애플리케이션 레벨에서 내려야 합니다.

AI 알고리즘

AI 기반 데이터 처리는 복잡한 센서 스트림 분석을 자동화해 원하는 정보를 추출하고 실시간으로 가치를 창출합니다.

두 가지 큰 계열의 AI 모델이 존재합니다:

• 모델 기반 방법은 입력과 출력 간 명시적 수학적 관계에 의존합니다. 센서 데이터를 물리적 배경 지식과 통합해 높은 정확도를 제공합니다. 칼만 필터가 가장 널리 알려진 예입니다.
• 데이터 기반 방법은 적절한 수학적 모델이 없을 때 데이터로부터 직접 학습합니다. 스펙트럼에는 선형 회귀, 신경망, 랜덤 포레스트, 은닉 마르코프 모델이 포함됩니다.

적절한 접근법 선택은 도메인 지식의 깊이에 달려 있습니다. 전문가 지식이 풍부하면 단순한 알고리즘으로 충분합니다. 지식이 부족하면 더 정교한 데이터 중심 모델이 필요합니다. 애플리케이션 자체가 실행 가능한 AI 알고리즘을 형성하는 하드웨어 제약을 종종 결정합니다.

임베디드, 에지, 클라우드 구현

엔드투엔드 데이터 처리 체인은 가치를 극대화하도록 조정되어야 합니다. 구현은 일반적으로 리소스 제약 센서에서 강력한 클라우드 서버까지 아우릅니다. 알고리즘을 센서 가까운 에지에 배포하면 여러 이점이 있습니다: 초기 데이터 압축, 통신 및 스토리지 비용 절감, 상위 레벨 알고리즘 단순화. 스트리밍 분석 기법은 원시 데이터를 저장할 필요 없이 즉석에서 전체 정보 콘텐츠를 추출함으로써 이를 더욱 강화할 수 있습니다.

에지에서 AI 실행(임베디드 AI)은 아날로그/디지털 수집, 실시간 처리, 제어, 연결을 통합한 마이크로컨트롤러를 요구합니다. 또한 최첨단 AI 모델을 지원해야 합니다. ARM Cortex-M4F 코어 기반의 Analog Devices ADuCM4050은 임베디드 AI를 위한 전력 효율적인 통합 플랫폼을 제공합니다.

설계 가속은 실리콘 제조사의 평가 키트로 촉진됩니다. 예를 들어 EV-COG-AD4050LZ는 ADuCM4050을 센서, HF 트랜시버, 모듈러 실드와 결합해 여러 도메인에 대한 깊은 전문 지식 없이도 신속한 프로토타이핑을 가능하게 합니다. EV-GEAR-MEMS1Z 실드를 사용하면 엔지니어가 ADXL355 같은 MEMS 가속도계를 테스트할 수 있는데, 이는 우수한 진동 격리, 장기 반복성, 콤팩트한 폼팩터의 저잡음으로 유명합니다.

이러한 플랫폼과 실드 조합은 진동, 소음, 온도 분석 기반의 구조 건전성 및 기계 상태 모니터링의 문을 엽니다. 다중 센서 데이터 융합은 시스템 상태 추정을 더욱 정교하게 해 운전 및 결함 조건의 분류 정확도를 높입니다. 플랫폼상의 스마트 신호 처리는 빅데이터를 로컬에서 스마트 데이터로 변환해 관련 정보만 에지나 클라우드로 전달합니다.

통신은 전용 무선 실드로 간소화됩니다. 예를 들어 EV-COG-SMARTMESH1Z는 6LoWPAN과 802.15.4e를 지원해 높은 신뢰성, 저전력 소모, 산업 배포에 적합한 자가 형성 멀티홉 메시를 제공합니다. SmartMesh IP 네트워크는 성능, 보안, 호스트 애플리케이션과의 원활한 데이터 교환을 보장하는 네트워크 매니저에 의해 모니터링됩니다.

배터리 구동 상태 모니터링 시스템에서 임베디드 AI는 원시 센서 스트림을 전송 전 스마트 데이터로 변환함으로써 데이터 트래픽, 즉 전력 소비를 크게 줄입니다.

애플리케이션

AI 알고리즘 개발 플랫폼과 이들이 제공하는 AI 모델은 기계, 시스템, 구조물, 프로세스 모니터링 시나리오의 광범위한 스펙트럼을 커버합니다. 통합 가속도계, 마이크로폰, 온도 센서로 다양한 산업 자산의 진동, 소음, 열 특성을 모니터링하는 것부터 복잡한 결함 진단까지 아우릅니다.

임베디드 AI는 공정 상태, 베어링 또는 고정자 마모, 제어 전자장치 고장, 전자 손상으로 인한 예기치 않은 행동 변화를 탐지할 수 있습니다. 예측 모델이 존재하면 시스템이 임박한 고장을 로컬에서 예측해 비용이 많이 드는 다운타임을 피하는 선제적 유지보수를 가능하게 합니다. 예측 모델이 없으면 플랫폼이 도메인 전문가가 기계 동작을 반복 학습하고 시간이 지남에 따라 포괄적인 예측 모델을 구축하는 데 도움을 줄 수 있습니다.

이상적으로는 로컬 데이터 분석이 각 애플리케이션에 가장 관련 있는 센서와 알고리즘을 자율적으로 결정해 스마트한 확장성을 가능하게 해야 합니다. 현재는 여전히 주제 전문가가 최적 알고리즘을 선택하지만, 임베디드 AI는 다양한 기계 상태 모니터링 유스케이스에 최소한의 노력으로 확장할 수 있습니다.

임베디드 AI는 실시간 데이터 품질 평가도 가능해 센서 설정과 신호 처리 파이프라인을 자동 조정합니다. 다중 센서 융합 시나리오에서 AI는 개별 양식의 단점을 보완해 전반적인 신뢰성을 높입니다. 주변적 관련성이 있는 센서는 데이터 스트림을 스로틀링해 대역폭을 절약할 수 있습니다.

Analog Devices의 오픈 COG 플랫폼은 무료 SDK와 수많은 하드웨어/소프트웨어 예제 프로젝트를 제공해 프로토타입 개발과 혁신을 가속화합니다. 다중 센서 데이터 융합(EV-GEAR-MEMS1Z), 임베디드 AI(EV-COG-AD4050LZ), 견고한 무선 메시(SMARTMESH1Z)를 결합해 엔지니어는 최소한의 노력으로 탄력적이고 확장 가능한 센서 네트워크를 구축할 수 있습니다.

(이미지 출처: Analog Devices, Inc.)