1. 서 론

상황인지시스템이란 어떤 객체의 현재 상태 및 변화, 또는 객체를 둘러싼 주변 환경 및 그 변화를 USN 인프라 및 응용서비스 등을 통해 수집하여 상황을 인식하는 시스템이다⁽¹⁾.

상황인지시스템에 대한 연구는 이미 상당 부분 진행되었다. 하지만 대부분의 상황인지시스템은 사용자의 현재 상황을 판단하기 위해 상황인지 모델링을 수행한 후, 센서 데이터를 확인하여 현재 상황을 파악하고 이에 맞는 서비스를 제공한다⁽²⁾. 전적으로 시스템이 관리하고 서비스를 제공하기에 사용자 별로 개인화된 서비스를 제공하기에는 어렵다는 단점이 있다. 이에 대해 본 연구에서는 개인 맞춤화가 가능한 상황인지시스템을 구축하기 위해 전자기기의 EMI와 Current를 측정하여 전자기기를 분류하는 사전 연구를 했다.

본 논문에서는 추후에 상황인지시스템에 적용하기 위해 기존의 EMI를 감지하는 기술을 보완하여 전자기기를 분류할 수 있는 시스템을 설계하고 평가하고자 한다.

본 논문의 2장에서는 스위치 모드 전원 공급 장치 발진기에 의해 생성되는 EMI 값을 감지하는 관련 연구를 서술하며 3장에서는 전자기기 분류에 사용될 시스템의 구성, 센서 데이터를 측정하는 방법, 그리고 측정한 데이터를 바탕으로 모델을 생성하고 4장에서는 모델의 정확도 측정 과정을 서술했다. 마지막으로 5장에서는 본 연구에 대한 문제점 및 해결방안을 서술했다.

2. 관련 연구

ElectriSense는 가정 내에서 단일 감지를 통해 형광등뿐만 아니라 대부분의 가전제품에 사용되는 다른 등급의 장치, 즉 스위치 모드 전원 공급 장치(SMPS) 발진기에 의해 생성된 전자기 간섭(EMI)을 감지하는 데에 초점을 두고 있다⁽³⁾. ElectriSense에서는 실험을 통해 SMPS에 의해 생성된 EMI는 기기 작동 중 일반적인 가정 내에서 감지되고 식별될 수 있는 서명을 가지고 있고, 이러한 서명은 일정한 주파수를 내보냄으로써 가정 내에서 고유한 속성을 가진다는 사실을 발견했다. 또한, 해당 시스템은 가정 내에서의 단일 플러그인 모듈의 위치와 관계없이 작동하고, 동일한 모델과 브랜드의 두 장치를 구별할 수 있다는 것을 보여주었다.

상황인지시스템에는 하나의 센서가 아닌 다양한 센서를 사용하여 상황을 추론한다. 하지만, 해당 논문의 EMI 측정 시스템의 구조는 추후에 상황인지시스템에 적용하기 위해 다양한 센서를 부착하여 사용하기에는 복잡하다고 판단하여 간단하게 EMI 데이터를 측정하여 전자기기를 분류할 수 있는 방법을 찾았다. 또한, 각 전자기기의 EMI 데이터를 측정해본 결과, EMI 데이터가 비슷하게 나오는 경우가 있어 EMI 데이터를 기반으로 전자기기를 보다 명확하게 분류하기 위해서 모든 전자기기에서 측정할 수 있는 Current 데이터를 추가하였다.

그림 1 단일 플러그인 모듈, 하드웨어 그리고 소프트웨어로 구성된 프로토타입

Fig. 1 Prototype consisting of a single plug-in module, hardware and software

그림 2 시스템 주요 구성요소의 블록 다이어그램

Fig. 2 Block diagram of the major components of the system

3. 본 론

3.1 System Configuration

본 연구의 전체적인 시스템 구성도는 그림 3과 같으며, Sensor Data Measurement System과 Machine Learning Server로 이루어진다. Sensor Data Measurement System은 라즈베리파이에 EMI 센서와 Current 센서를 연결해 전자기기에 부착하고, 두 종류의 센서 데이터를 측정한다. 측정한 센서 데이터를 UDP 방식으로 0.1초마다 Machine Learning Server에 전송하고, Machine Learning Server에서는 모델을 통해 해당 데이터를 바탕으로 현재 전자기기의 상태를 분류한다.

그림 3 전체적인 시스템 구성도

Fig. 3 Overall system configuration diagram

3.2 Sensor Data Measurement System

3.2.1 EMI Measurements

EMI(Electro Magnetic Interference, 전자파 간섭)는 전도성 전자파 방출(CE : Conducted Emission)과 방사성 전자파 방출(RE : Radiated Emission)로 나눌 수 있다⁽⁴⁾. 전도성 전자파 방출은 시험대상기기의 전원선 또는 신호선과 같은 전도성 매질을 통해 전달되는 전자파 방출이고, 방사성 전자파 방출은 시험대상기기에서 발생한 전자파가 공기로 방사되어 전달되는 전자파 방출이다. 전자기기 별 EMI 데이터를 측정하기 위해서는 공통적인 측정 기준이 필요해 전도성 매질을 통해 EMI 데이터를 측정할 수 있는 전도성 전자파 방출의 개념에 의거하여 그림 4와 같이 같은 환경에서 EMI 데이터를 측정할 전자기기의 전원 단자에 EMI 센싱 모듈을 고정시켜 EMI 데이터를 측정하였다.

그림 4 전자기기의 전원 선에 EMI 센싱 모듈을 연결한 모습

Fig. 4 Connecting the EMI sensing module to the power line of an electronic device

그림 5 센서 데이터 측정 시스템 플로우차트

Fig. 5 Sensor data measurement system flowchart

3.2.1 EMI Measurements

Current 데이터를 측정하기 위해 와이어를 자르거나 회로를 다시 연결할 필요 없이 AC 전류를 측정할 수 있는 AC 전류센서를 사용한다. Current 데이터를 측정하기 위해서는 라즈베리파이와 AC Current Signal Conversion Module을 연결하고, 멀티 탭의 AC 선에 Open Type AC Transformer Probe를 연결한 후, AC Current Signal Conversion Module과 Open Type AC Transformer Probe를 연결해야 한다. 앞서 설명한 방법으로 멀티 탭을 세팅하고, 전류 데이터를 측정할 전자기기의 전원을 멀티 탭에 연결하면 Current 데이터 측정을 위한 준비가 완료된다.

3.3 Sensor Data Measurement Flowchart

센서 데이터 측정 시스템에서는 EMI 센서와 Current 센서를 통해 각 전자기기에 대한 센서 데이터를 측정하고 해당 데이터 값을 하나의 csv 파일에 저장한다.

그림 6 CSV 파일 내용

Fig. 6 contents in csv file

그림 7 측정 데이터 산점도

Fig. 7 Measurement data scatterplot

csv 파일의 내용은 그림 6과 같다. 첫 번째 row에는 데이터 개수, Feature 개수, 그리고 데이터 측정 대상인 전자기기의 이름을 저장한다. 첫 번째 column에는 Current 데이터, 두 번째 column에는 EMI 데이터, 그리고 세 번째 column에는 Classification을 위해 monitor1_on은 0, monitor2_on은 1, beamProjector_on은 2로 지정하여 저장한다. 이는 해당 실험에서 지정해준 것이고, 고정 값은 아니며 유동적으로 변경이 가능하다.

3.4 Machine Learning

전자기기를 데이터에 따라 분류하기 위한 모델을 선택하기 이전에, 측정한 데이터를 그림 7과 같이 산점도로 표현했다. 해당 산점도를 통해 기기별로 일정한 범위 내에서 데이터가 측정된다는 것과 선형적인 데이터가 아니라는 것을 알 수 있었다. 이렇게 데이터의 특징을 파악한 뒤, 이에 맞는 최적의 모델을 선택해야 했다.

그림 8 Standardization 이전의 그래프

Fig. 8 Graph before standardization

그림 9 Standardization 이후의 그래프

Fig. 9 Graph after standardization

분류를 위한 머신러닝 모델에는 의사결정 트리(Decision Trees), 서포트 벡터 머신(Support Vector Machine, SVM), KNN(K-Nearest Neighbor) 등의 모델이 있다. 의사결정 트리는 특성의 개수가 적기 때문에 모델의 과적합이 우려되어 제외하였고, 서포트 벡터 머신과 KNN 모델 중 선택을 해야 했다. 서포트 벡터 머신은 분류가 많아질수록 자원 소모가 크고 성능이 떨어진다. 따라서 KNN모델을 선택했는데, KNN모델은 새로운 데이터를 입력받았을 때, 해당 데이터가 어느 레이블에 속해있는지 판단하기 위해 인접한 K개의 데이터를 기준으로 판단하게 된다. KNN은 노이즈에 강하며 데이터가 저차원일수록 성능이 좋다. 또한, 입력 값이 기존 데이터 범위 안에서 입력이 되기 때문에 매우 높은 정확도가 예상되어 KNN 모델을 선택했다. 하지만 KNN 모델을 적용시키기 전에 데이터의 표준화가 필요하다. 그림 8을 보면, EMI 데이터를 표시하는 Y축 데이터는 약 0dB~160dB까지 분포되어있다. 그에 반해 Current 데이터를 표시하는 X축 데이터는 약 0mA~0.4mA 사이의 값을 가지고 있다. KNN 모델과 같이 인접한 데이터를 기준으로 판단하는 거리 기반의 모델의 경우, 표준화를 시켜주지 않으면 상대적으로 범위가 더 큰 EMI 데이터의 영향을 많이 받을 수밖에 없다.

(1)

$X_{new}=\dfrac{X -\mu}{\sigma}=\dfrac{X - Mean(X)}{Std Dev(X)}$

각 데이터에 수식 (1)을 적용하여 z-점수 표준화를 진행했다. μ 는 한 특성의 평균값이고, σ는 표준편차이다. 그림 8와 그림 9을 비교해보면 시각적인 차이는 없지만, X축과 Y축의 범위가 바뀐 것을 확인할 수 있다. 변수 X의 범위를 평균의 위 또는 아래로 어느 정도의 표준 편차만큼 떨어져 있는지를 관점으로 확대/축소를 진행하는 것이다. 이렇게 표준화가 끝나고 머신러닝을 진행한다.

그림 10 정확도 측정

Fig. 10 Accuracy measurement

그림 11 새로운 데이터 세트

Fig. 11 New data set

4. 실 험

그림 10은 데이터 세트를 학습 세트와 테스트 세트를 8:2 비율로 나누고, 모델의 정확도를 측정한 그림이다. 하이퍼 파라미터인 K의 값을 0부터 50까지 1씩 증가시키며 테스트했다. K는 인접한 데이터의 개수를 뜻한다. 예를 들어 K의 값이 10일 경우, 입력 데이터를 기준으로 가장 가까운 10개의 데이터의 레이블로 입력 데이터의 레이블을 판단한다는 것이다. 모든 K값에서 정확도가 1.00, 즉 100%가 나오는 것을 확인할 수 있다.

그림 11는 새로운 레이블이 기존의 레이블과 데이터 값이 비슷할 때를 가정하여 데이터를 추가한 데이터 세트이다. 그림 11의 데이터 세트로 테스트를 진행해보았다.

그림 12 새로운 데이터 세트를 대상으로 한 정확도 측정

Fig. 12 Measuring accuracy for new data sets

그림 12는 그림 11의 데이터 세트로 정확도 측정을 진행한 것이다. 정확도가 K값 35부터 급격하게 떨어져 2%가량 하락했다. 하지만, 여전히 약 0.965의 높은 정확도를 보인다. 이는 96.5%의 정확도이다.

5. 결 론

본 연구는 같은 환경 내에서 전자기기들을 분류할 수 있는가에 초점을 두고 진행되었다. 같은 모니터라고 할지라도 제품이 다른 경우에는 다른 값이 측정되므로 모델명이 다른 모니터는 분류할 수 없다는 한계점이 있다.

하지만 추후 새로운 제품을 모델에서 분류할 수 있도록 알고리즘을 개선해 맞춤화를 가능하게 할 예정이다. 태그 형태로 제작된 데이터 측정 모델을 전자기기에 부착한 뒤, 사용자로부터 해당 제품이 어떤 것인지 레이블에 대한 정보를 입력을 받게 하는 방식이다.

본 연구는 주변 환경의 정보를 획득하여 사용자 생활 패턴과 주변 환경에 맞는 최적의 서비스를 제공하는 ‘상황 인지 시스템’을 구축하기 위한 사전 연구를 함으로써 사용자의 삶의 질과 안전성을 높이는데 기여 하고자 한다.