AI Smart Sensing 기술
- 기술요약
- 자사 센서 기술에 적용한 AI·ML 신호처리
1. 100만 건 이상의 실제 환경 센서 데이터로 정상·이상 신호 분석
2. Autoencoder 기반 온라인 학습으로 복원 오차와 이상 판정 기준 도출
3. 온라인·서버 학습과 MPU 전용 추론을 분리하고 MPU 성능에 맞춰 Neural Network 최적화
- 데이터 전처리부터 Edge AI 추론까지 통합
1. Noise Reduction·Sensor Drift 보정과 FFT·Band Energy 기반 DSP 전처리
2. 학습·검증·시험 데이터로 Autoencoder 구조, 손실과 복원 오차를 검증
3. ARM Cortex-M 계열 MPU에서 실시간 추론 후 경보분석장치·통합관제시스템 연동
- 적용모델
- SIU-0200, SIU-0210
상세기술소개
1. AI Smart Sensing 개요
AI Smart Sensing은 현장 센서에서 수집한 대규모 신호를 정제하고 특징을 추출한 뒤, Autoencoder 기반 모델과 Edge AI 추론을 적용해 정상 상태와 이상 상황을 구분하는 기술입니다. 센서 신호처리부터 학습, 경량화와 현장 추론까지 하나의 파이프라인으로 구성하여 감지 정확도와 운영 신뢰성을 높입니다.
현장 데이터 확보
다양한 조건에서 100만 건 이상의 센서 데이터를 확보하고 정상·이상 신호의 분포와 변화를 분석합니다.
이상 패턴 학습
정상 신호의 복원 특성을 학습한 Autoencoder로 입력 신호의 복원 오차를 계산해 이상 여부를 판정합니다.
현장 실시간 추론
학습과 검증은 고성능 환경에서 수행하고, 최적화된 추론 모델은 ARM Cortex-M 계열 MPU에서 실행합니다.
2. 센서 데이터 전처리
원시 센서 신호는 하드웨어 필터와 증폭, 고해상도 A/D 변환을 거친 뒤 소프트웨어 필터, 양자화, FFT와 주파수 구간화 과정을 통해 학습 가능한 특징 데이터로 변환합니다.
HW Filter·증폭과 24bit A/D 변환
이동평균 필터와 센서 Drift 보정
FFT로 시간 신호의 주파수 성분 분석
Band Energy와 구간별 대표값 생성
학습·검증·시험 데이터셋 분리
센서 RAW 신호
FFT 주파수 특징
Band Energy 구간화
3. Autoencoder 학습과 검증
현장 신호를 세그먼트 단위로 분할하고 신호원별 라벨과 특징 분포를 점검합니다. 모델 학습 과정에서는 학습·검증 손실과 복원 오차 분포를 함께 확인하여 과적합을 방지하고 이상 판정 임계값을 설정합니다.
파형과 FFT 기반 기초 특징 분석
라벨 분포와 Band Feature 검증
Autoencoder 학습 진행 상태
학습·검증 손실 및 복원 오차 분포
4. Edge AI 적용
학습된 Neural Network는 대상 MPU의 메모리와 연산 성능을 고려해 구조와 파라미터를 최적화합니다. 현장 장치는 전처리한 센서 신호를 모델에 입력하고 실시간 추론 결과를 경보분석장치와 통합 관제시스템에 전달합니다.
경량 모델 설계
레이어 수, 노드와 파라미터를 MPU 자원에 맞게 최적화하여 추론 속도와 정확도의 균형을 확보합니다.
학습·추론 분리
온라인 또는 서버 환경에서 모델을 학습하고, 검증된 모델만 센서 장치의 추론 엔진에 배포합니다.
실시간 이상 판정
복원 오차와 현장 임계값을 비교해 정상·이상 상태를 빠르게 구분하고 경보 판단에 활용합니다.
센싱 장치 적용
SIU-0200, SIU-0210 등 센서 신호처리 장치에 적용하여 제품별 감지 알고리즘을 구성합니다.