에지 AI 드롭인 솔루션 적용을 통해 무선 상태 기반 모니터링 향상

상태 기반 모니터링(CbM)은 예측 유지보수를 통해 장비 고장을 방지하는 데 도움을 주지만 효과적인 시스템을 설계하려면 대개 정밀 감지, 저잡음 신호 체인, 전력 관리, 무선 연결을 최적으로 통합해야 합니다. 이러한 복잡한 기능은 CbM 구현을 지연시키고 해당 비용을 증가시킬 수 있습니다. 또한 설계자들은 에지에서 인공 지능(AI) 분석이 제공하는 이점을 인식하고 있지만 이는 CbM의 복잡성을 가중시킵니다. 따라서 보다 간편하고 효율적인 솔루션이 필요합니다.

이 기사에서는 CbM에 대한 간단한 개요를 제공합니다. 그런 다음, 에지 AI를 지원하는 무선 CbM의 즉각적인 구축을 실현하는 Analog Devices의 드롭인 솔루션을 소개합니다.

상태 기반 모니터링이 중요한 이유

계획되지 않은 다운타임은 높은 수준의 작동 장비 효율성을 유지하기 위해 해결해야 할 중요한 과제로 남아 있습니다. 중요 장비에서 예기치 못한 고장이 한 번만 발생해도 전체 생산 라인이 중단되고, 공급 체인이 교란되며, 막대한 비용이 드는 수리 작업을 초래할 수 있습니다. 고장이 발생한 후 수리하거나 정기적 간격으로 서비스를 제공하는 전통적인 유지보수 접근 방식에는 다음과 같은 단점이 있습니다. 즉, 사후 대응적 유지보수는 비용이 많이 드는 다운타임을 초래하고, 정기적 유지보수는 아직 작동 가능한 부품을 불필요하게 교체해야 하므로 자원 낭비를 유발합니다.

CbM은 비용 효율성이 향상된 예측 유지보수 방법을 구현할 수 있도록 합니다. 진동, 온도, 전류 또는 기타 성능 지표를 모니터링함으로써 장비 조작자는 고장이 실제로 발생하기 전에 부품의 성능이 저하되고 있음을 조기에 알리는 경고 사인을 식별할 수 있습니다. 이 데이터 중심의 접근 방식은 계획되지 않은 다운타임을 줄이고, 장비의 수명을 늘리며, 총 소유 비용을 감소시킵니다.

이러한 모든 이점에도 불구하고 CbM 구축은 요구 사항의 복잡성과 여러 조치나 제재에 대한 전문가 지식의 필요로 인해 지연되는 경우가 있습니다. 이러한 과제를 극복하는 것은 산업 및 자동차 장비에 CbM 지원 예측 유지보수를 성공적으로 적용하는 데 큰 난관이 됩니다.

상태 기반 모니터링의 과제 및 요구 사항

CbM이 가능한 최대 이점을 제공할 수 있으려면, CbM 솔루션이 까다로운 산업 및 자동차 환경에서 신뢰할 수 있는 성능을 발휘하면서 정확한 측정 데이터에 따라 시기적절한 분석을 제공해야 합니다. 그러나, 이러한 대상 환경의 특성상 모니터링되는 장비의 정상 작동 동안에도 측정 장치에 상당한 기계적 및 환경적 스트레스가 작용합니다. 산업용 모터, 동력 전달계, 고하중 회전 장비는 모니터링 장치를 연속적인 진동, 충격, 극한 온도, 높은 수준의 전자파 장해(EMI)에 노출시킵니다.

신뢰할 수 있는 예측 유지보수를 실현하려면, CbM 장치의 진동 센서가 샤프트 불규형, 오정렬 또는 베어링 마모에 대한 최초 단서를 제공하는 보다 미묘한 변화를 감지할 수 있어야 합니다. 열악한 환경 조건에서도 고도로 정밀한 진동을 측정할 수 있으려면 거친 작동 환경에서 안정적인 성능을 제공하는 고대역폭, 저잡음 센서 신호 획득 서브시스템이 필요합니다.

CbM 메서드의 핵심인 진동 분석은 정상 작동과 조기 고장 징후를 구분하는 패턴 인식을 위한 기반을 제공합니다. 과거에는 진동 센서 시스템이 분석을 위해 중앙 호스트 또는 클라우드 기반 리소스에 측정값을 전달했습니다. 그러나 고급 CbM 솔루션은 분석 기능을 점차적으로 에지로 이동시키고 있습니다. 센서 시스템 내에서 또는 센서 시스템 가까이에서 데이터를 분석함으로써 최소한의 지연으로 결과가 생성되며, 시간에 민감한 산업 및 자동차 네트워크에서 트래픽이 감소되었습니다.

특히 컨볼루션 신경망(CNN) 모델을 기반으로 하는 에지 AI 추론은 진동 변화를 실시간으로 해석할 수 있습니다. 그러나 CNN을 사용하는 추론은 계산 집약적이므로 시스템 전력, 크기, 비용 제한을 초과하지 않고 CbM을 구현한다는 목표를 더욱 복잡하게 만듭니다.

유선 연결이 비효율적인 회전 장비나 원격 또는 모바일 장비에서 CbM이 점점 더 많이 사용됨에 따라 전력 소비를 최소화해야 하는 필요성이 더욱 커지고 있습니다. 이러한 사례에서 무선 연결의 요구 사항을 충족하기 위해, Bluetooth Low Energy(BLE)는 대안적인 연결 옵션과 비교하여 범위, 전력, 신뢰성의 필요한 조합을 제공합니다(표 1).

표 1: 무선 연결 표준 중, BLE는 무선 진동 모니터링에 적합한 특성 조합을 제공합니다. (표 출처: Analog Devices)

그러나 에지 AI 처리와 마찬가지로, 무선 센서 시스템의 전력 제약 조건 내에서 작동할 수 있는 BLE 연결 솔루션을 찾는 것이 주요 과제입니다. 실제로, 무선 센서 시스템 설계자에게 배터리 수명 연장을 보장하는 것은 여전히 과제로 남아 있습니다. 그러나 센서에 접근하기 어려운 산업 및 자동차 응용 분야에서 이는 특히 중요합니다. CNN 추론을 수행할 것으로 예상되는 CbM 시스템에서는 배터리 및 전력 관리가 점점 더 중요해집니다. 여기서 과제는 여러 조절기, 시퀀서 및 충전 시스템을 조율하여 전력 소비를 줄이면서 안정적인 작동을 보장하는 데 있습니다.

에지 AI를 포함한 드롭인 무선 CbM 솔루션을 제공하는 평가 키트

Analog Devices의 EV-CBM-VOYAGER4-1Z Voyager 4 키트는 CbM 기술의 지속적인 평가나 예측 유지보수 응용 분야에 즉시 적용할 수 있는 완전한 배터리 구동형 진동 모니터링 플랫폼을 제공하여 에지 AI를 활용한 무선 CbM 구축의 문제를 해결합니다. 이 키트는 한쪽에는 주 인쇄 회로 기판(PC 기판)을, 다른 쪽에는 배터리를 단단히 고정하는 수직 스탠드오프(그림 1 상단)를 사용하여 열악한 환경을 견딜 수 있도록 설계되었습니다. 전원 PCB 기판과 센서는 모니터링되는 진동원 가까이에 있는 스탠드오프의 하단부에 배치되어 있습니다. 구축 시, 수직 스탠드오프 조립품은 지름 46mm, 높이 77mm의 보호용 알루미늄 인클로저(그림 1 하단)에 배치됩니다. 이 인클로저는 상단에 ABS 아크릴 덮개가 있어 BLE 연결이 가능합니다.

그림 1: Voyager 4의 견고한 스탠드오프 및 보호용 인클로저는 열악한 환경에서 에지 AI가 적용된 신뢰할 수 있는 무선 CbM을 실현합니다(이미지 출처: Analog Devices).

Analog Devices MAX32666 BLE 마이크로 컨트롤러 장치(MCU) 및 Analog Devices MAX78000EXG+ AI MCU를 기반으로 구축된 무선 센서 시스템 설계는 정밀한 진동 측정과 이상 감지를 제공하면서 긴 배터리 수명을 유지할 수 있도록, 다양한 저전력 소자가 통합되어 있습니다(그림 2).

그림 2: 여러 저전력 소자를 결합함으로써, Voyager 4는 에지 AI를 적용한 드롭인 무선 CbM 솔루션에 필요한 감지, 처리, 연결 기능을 모두 제공합니다(이미지 출처: Analog Devices).

진동 측정을 위해 Voyager 4는 Analog Devices의 ADXL382-1BCCZ-RL7 3축 가속도계를 사용합니다. 이 장치는 미세 전자 기계 시스템(MEMS) 센서, 아날로그 프런트 엔드(AFE), 16비트 아날로그-디지털 컨버터(ADC)를 결합합니다. 8kHz(킬로헤르츠) 측정 대역폭을 제공하는 이 장치는 고진동 환경에서도 정확한 측정값을 제공하도록 설계되었으며, 8kHz 대역폭의 고성능 모드에서는 520μA, 400Hz 대역폭의 저전력 모드에서는 32μA만 소비하므로 저전력 설계에 매우 적합합니다.

Voyager 4의 시스템 설계에서 ADXL382의 출력은 Analog Devices ADG1634BCPZ-REEL7 CMOS 스위치(MAX32666 BLE MCU 제어 장치)로 전달됩니다. 이 BLE MCU와 Analog Devices의 초저전력 ADXL367BCCZ-RL7 MEMS 가속도계의 결합은 Voyager 4의 작동 모드에서 중심 역할을 수행합니다(그림 3).

그림 3: Voyager 4의 작동 모드는 훈련 데이터 및 실시간 추론의 효율적인 생성을 보장하며 에지 AI가 어떻게 클라우드 리소스에 의존하지 않고도 예측 유지보수를 지원할 수 있는지 보여줍니다(이미지 출처: Analog Devices).

훈련 작동 중(그림 3의 경로 ‘a’), MAX32666 MCU는 ADXL382-1BCCZ-RL7에서 수집한 원시 진동 데이터를 MAX32666 BLE 라디오 또는 Voyager 4의 USB 연결을 통해 사용자 호스트 시스템으로 전송합니다. 이 기사의 후반부에서 설명하겠지만 이 작동 모드는 CbM용 에지 AI의 기반이 되는 맞춤형 추론 모델을 생성하는 데 필요한 훈련 데이터를 제공합니다.

이상 감지 작동 중(그림 3의 경로 ‘b’), Voyager 4의 MAX78000EXG+ AI MCU는 ADXL382-1BCCZ-RL7과의 직접 연결을 통해 원시 진동 데이터를 읽고, 통합된 CNN 가속기를 사용해 맞춤형 추론 모델을 실행하여 이상을 예측합니다. 추론 결과에서 이상이 나타나면 MAX78000EXG+가 경보를 발생시키고, MAX32666 BLE MCU가 이를 사용자에게 전달하여 조치를 취할 수 있도록 합니다.

이상이 감지되지 않으면 센서는 절전 모드로 전환됩니다. 이 정동작 상태에서 ADXL367BCCZ-RL7 가속도계는 모션 활성화 깨우기 모드에서 180nA에 불과한 전류를 소모하며, 진동이 조정 가능 임계값을 초과할 경우 트리거됩니다. 이 모션 활성화 깨우기가 발생하면 ADXL367BCCZ-RL7은 MAX32666 BLE MCU를 깨워 새로운 진동 측정 및 추론 주기를 시작합니다. 이 접근 방식은 정상 작동 동안 전력 소비를 최소화하여 전력 집약적 BLE 라디오가 훈련 세션 및 이상 경보를 사용하지 않도록 제한합니다.

그림 4: 모션 활성화 깨우기 및 BLE 라디오의 선별적 사용은 Voyager 4 배터리 수명을 연장하는 데 도움이 됩니다(이미지 출처: Analog Devices).

효과적인 전력 관리는 중요 기계류 및 장비의 고장을 예측하도록 고안된 장치에 필수적입니다. Voyager 4는 Voyager 4의 모션 활성화 깨우기 작동을 통해 시스템 수준의 전력 절감을 실현할 뿐만 아니라 Analog Devices MAX20335BEWX+T 전력 관리 집적 회로(PMIC)를 통합하고 있어 필요한 전압을 공급할 수 있습니다. 추가적으로, Analog Devices MAX17262 연료 게이지는 배터리 전류를 모니터링하고 배터리 수명 예측을 지원합니다. Voyager 4의 다양한 작동 모드 동안, MAX32666 MCU는 특정 전력 요구 사항에 맞게 개별 MAX20335BEWX+T 출력을 활성화하거나 비활성화하여 전력 소비를 더욱 최적화할 수 있습니다.

장치 수준에서, 저전력 작동은 Voyager 4 키트에 사용되는 개별 장치의 핵심 기능입니다. 예를 들어, MAX32666 BLE MCU에는 3.3볼트 기준, 캐시에서 실행 시 27.3μA/MHz만 필요합니다. MAX78000EXG+ AI MCU는 Arm® Cortex®-M4 코어 프로세서가 활성화된 상태에서 3.0볼트 기준, 캐시에서 실행 시 22.2μA/MHz(루프 실행 동안)를 사용합니다. 또한 두 MCU 모두 능동 코어 전력 소비를 더욱 최소화하는 동적 전압 스케일링 컨트롤러를 통합하고 있습니다

시스템 수준 및 장치 수준 전력 최적화의 결합은 Voyager 4의 다양한 작동 모드 동안 전력 소비를 효과적으로 최소화합니다. 일반적인 이상 감지 모드에서 Voyager 4의 전력 소비는 센서가 한 시간에 한 번 활성화된 상태에서 약 0.3mW(밀리와트)이며, 이는 일반적인 조건에서 1500mAh(밀리암페어시) 배터리를 사용할 경우 최대 2년의 수명에 해당하는 수치입니다. 반대로, 훈련 모드에서는 모델 훈련 및 검증에서 사용할 수 있도록 진동 데이터를 전송하려면 BLE 라디오를 포괄적으로 사용해야 하므로 전력 소비가 0.65mW를 초과합니다(그림 4 참조).

에지 AI를 위한 진동 모니터링 모델 훈련 및 구축

CNN 모델 훈련은 적합한 소프트웨어 도구가 널리 보급됨에 따라 상대적으로 간단한 과정이 되었습니다. 그러나, 에지 AI 응용 분야를 위한 모델을 훈련할 때에는 에지 프로세서 및 MCU의 리소스 제한으로 인해 개별 대상 장치에 대해 모델을 최적화하도록 제작된 더 특수한 도구가 개발되었습니다. Analog Devices는 AI on a Battery GitHub 리포지토리를 통해 이러한 도구를 제공합니다. 이 리포지토리는 사용자에게 문서화된 워크플로를 제공합니다. Analog Devices는 모델 워크플로를 3단계의 시퀀스로 분리하며 각각에 대한 전용 GitHub 리포지토리를 제공합니다(그림 5).

그림 5: 도구 및 지침으로 구성된 전용 리포지토리가 포함된 구조화된 워크플로는 개발자가 MAX78000EXG+ AI MCU에 맞게 CNN 모델을 최적화할 수 있도록 지원하여 전력 제한적인 장치에서도 실질적인 AI 중심 CbM을 실현합니다(이미지 출처: Analog Devices).

초기 단계에서는 ai8x-training 리포지토리가 작업 환경을 준비하고 함께 제공된 train.py Python 스크립트에 따라 훈련을 수행하기 위한 세부적인 단계별 지침을 제공합니다. 다음 단계에서는 ai8x-synthesis 리포지토리가 훈련된 모델을 C 코드로 변환하는 데 사용되는 도구의 설치 및 작동을 위한 세부적인 지침 세트를 제공합니다.

에지 AI의 성공을 달성하려면 대상 CNN 실행 환경의 기능과 제한 사항을 반드시 이해해야 합니다. ai8x-training 및 ai8x-synthesis 리포지토리 내에는 개발자가 CNN 모델 구현 결정과 MAX7800x AI MCU의 기능 간 관계를 이해하는 데 도움이 되는 Analog Devices의 세부적인 튜토리얼이 포함되어 있습니다.

소프트웨어 개발 키트 리포지토리에 문서화되어 있는 마지막 단계에서는 대상 MAX7800x MCU에 추론 모델을 내장한 펌웨어를 개발하는는 데 사용되는 지침 및 도구를 제공합니다. 펌웨어를 생성한 후에는, 사용자가 유선 또는 무선 업데이트를 통해 Voyager 4에 불러올 수 있습니다. 이 시점에서 사용자는 BLE를 통해 Voyager 4와 연결하고 Windows 호스트에서 실행되는 Python 그래픽 사용자 인터페이스(GUI)를 사용하여 명령을 실행할 수 있습니다. 일반적인 실행 모드에서 AI MCU는 MAX32666 BLE MCU의 지시에 따라 또는 깨어났을 때 자동으로 추론을 수행합니다.

결론

장비 고장으로 인한 계획되지 않은 다운타임은 비용과 위험을 증가시킵니다. CbM은 예측 유지보수를 통해 비용을 절감하고 위험을 완화하는 데 도움이 될 수 있지만 분석 기능을 갖춘 적절한 무선 센서 시스템의 설계는 여전히 복잡합니다. Analog Devices의 Voyager 4 무선 진동 평가 키트는 이러한 과제를 극복하는 드롭인 솔루션을 제공하여 정밀 감지, 효율적인 전력 활용, 무선 연결성, 에지 AI를 적용한 강력한 처리 기능을 통해 예측 유지보수를 신속하게 구현할 수 있습니다.