Wiznet makers

Original Link: https://www.sciencedirect.com/science/article/pii/S1877050926020235?via%3Dihub

(Procedia Computer Science 283 (2026) 3263–3274, Open Access CC BY-NC-ND 4.0)

원저자: Vedang Manu Varma, Yadukrishnan Sathish Nair, Pravin M Singru, Anupama Karuppiah (BITS Pilani, K K Birla Goa Campus, 인도)

핵심 문제의식

인도 전력의 70% 이상이 석탄에 의존하는데, 지하 탄광(UCM)은 CO, CH₄, NOx, SO₂ 같은 유독가스와 분진(PM10, PM2.5) 위험에 노출되어 있습니다. 기존 모니터링은 두 가지 한계가 있습니다. 레거시 시스템은 수동·간헐적 샘플링에 의존하고, 최근의 클라우드 기반 IoT 시스템은 갱내 연결성 문제로 위험 감지가 지연됩니다. 이 논문의 답은 클라우드가 아니라 엣지에서 추론을 돌려서 네트워크가 끊겨도 초 단위 경보를 유지하자는 것입니다.

시스템 아키텍처 (3계층)

센서 노드 계층 — STM32F407 MCU 기반 커스텀 엔드 디바이스에 MQ2(CO), MQ136(SO₂), MQ135(NO₂), MQ131(O₃), SDS011(PM2.5), GY-BME280(온습도)을 연결. 단일 노드 고장에 대비해 의도적으로 중복 배치(over-deployment)하여 공간 해상도와 가동률을 높였습니다.

통신 계층 — 여기가 WIZnet 관점에서 핵심입니다. 센서 노드가 W5500 이더넷 모듈을 통해 유선 LAN으로 엣지 게이트웨이에 데이터를 전송합니다. 갱내처럼 전자기 간섭이 심하고 무선이 불안정한 환경에서 유선 이더넷을 선택한 전형적인 산업용 결정론적 연결 사례입니다. 센서 샘플링 10Hz, 엣지→클라우드는 1Hz 샘플을 5초 배치로 REST API/JSON 전송.

엣지 계층 — NVIDIA Jetson AGX Orin에서 전처리, AQI 추론, 로컬 대시보드까지 모두 처리. Dew Computing 모델을 채택해 클라우드 없이도 자율 동작합니다.

ML 방법론

실제 광산 AQI 데이터가 희소하다는 문제를 데이터 합성으로 우회했습니다. Kaggle의 인도 도시 대기질 데이터셋(city-day)을 기반으로 GAN을 사용해 가스 누출, 분진 급증, 환기 불량 같은 광산 시나리오를 모사한 합성 데이터를 생성했고, 실제 데이터와 합성 데이터의 상관 히트맵·분포 곡선이 잘 일치함을 보였습니다.

전처리는 IQR 캡핑(이상치), SVD+KNN+MICE 조합(결측치 대체), SMOTE(클래스 불균형)를 적용했고, 특징 선택은 brute-force column drop → PCA → SHAP으로 발전시켰습니다. SHAP 분석 결과 PM10(27.4)과 PM2.5(21.1)가 압도적으로 중요한 특징으로 나타났습니다.

모델은 2단 스태킹 앙상블입니다: Random Forest, XGBoost, CatBoost, Extra Trees를 베이스 학습기로, 로지스틱 회귀를 메타 학습기로 사용. 하이퍼파라미터는 Optuna 베이지안 최적화로 튜닝했습니다.

결과

• 분류 정확도 97.06% (단일 최고 모델 CatBoost 95.69% 대비 약 2%p 개선), F1 0.9718
• 회귀 RMSE 8.998 (CatBoost 단독 11.047 대비 개선), R² 0.9935
• 분류 예측 시간 0.0091초 — 서브초 위험 감지 달성

시각화는 50노드 그리드의 모바일 앱(구역별 색상 코딩, 노드별 12개 오염물질 상세 뷰)과 Matplotlib 기반 3D AQI 표면 플롯(400 AQI 초과 지역을 빨간 피크로 표시)으로 구성된 디지털 트윈 대시보드입니다.

1) 소개

지하 탄광은 인도 전력 생산의 70% 이상을 담당하는 석탄 공급의 핵심이지만, CO, CH₄, NOx, SO₂ 같은 유독가스와 PM10·PM2.5 분진으로 인해 진폐증, 만성 폐질환 등 심각한 건강 위험이 상존하는 공간입니다. 인도 광산 규제(The Mines Act 1952, Coal Mines Regulations 2017)는 공기질의 연속 모니터링을 요구하지만, 현장에서는 여전히 간헐적인 수동 샘플링에 의존하는 레거시 시스템이 다수입니다.

최근 도입되는 클라우드 기반 IoT 모니터링에도 구조적 한계가 있습니다. 지하 갱도의 열악한 연결성 때문에 클라우드 왕복에 의존하는 시스템은 위험 감지가 지연되고, 네트워크가 끊기면 경보 자체가 멈춥니다. 이 논문(2026년 International Conference on Machine Learning and Data Engineering 발표)은 이 문제를 정면으로 다룹니다. 답은 두 가지입니다. 추론을 클라우드가 아닌 엣지에서 수행하고, 센서 데이터 전송은 무선이 아닌 유선 이더넷으로 처리한다 — 그리고 그 유선 통신 계층의 중심에 WIZnet W5500이 있습니다.

2) 시스템 개요

Mine-Guard는 하드웨어와 소프트웨어를 아우르는 완결형 아키텍처로, 네 가지 축으로 구성됩니다.

• 고밀도 IoT 센서 네트워크 — 다중 가스 검출기와 미세먼지 센서를 의도적으로 중복 배치(over-deployment)하여 단일 노드 고장에도 데이터 공백이 생기지 않도록 설계
• Edge AI — NVIDIA Jetson Orin 상에서 커스텀 스태킹 앙상블 모델이 1초 이내 지연으로 AQI(Air Quality Index)를 추론
• 데이터 합성(Data Synthesis) — GAN 기반 증강으로 가스 누출, 분진 급증, 환기 불량 등 광산 시나리오를 시뮬레이션
• 디지털 트윈 & 시각화 — 센서 입력과 실시간 동기화되는 가상 광산 모델이 2D/3D AQI 히트맵 대시보드와 경보를 구동

연구팀은 클라우드·포그·듀 컴퓨팅 계층 구조 중 듀 컴퓨팅(Dew Computing) 모델을 채택했습니다. 엣지 디바이스가 클라우드와 협업하되, 연결이 끊겨도 디바이스 수준에서 자율적으로 동작할 수 있는 구조입니다. 실험실 기반 모의 광산 조건 테스트에서 97% 이상의 정확도로 1초 이내 위험 감지를 확인했습니다.

3) 센서 노드 계층 — STM32F407 기반 커스텀 엔드 디바이스

센서 노드는 STM32F407 MCU를 중심으로 저비용·고신뢰 센서군을 통합한 커스텀 엔드 디바이스입니다. 논문에 명시된 센서 구성은 다음과 같습니다.

주목할 설계 포인트는 의도적 중복 배치입니다. 갱도처럼 극한 환경에서는 개별 센서 고장이 불가피하므로, 노드를 과잉 배치해 단일 장애가 데이터 공백으로 이어지지 않게 하고, 동시에 공간 해상도를 높여 서브존 단위의 국소 이상까지 실시간으로 포착합니다. 엔드 디바이스는 이기종 센서 데이터를 로컬에서 특징 융합(feature fusion)한 뒤 엣지 디바이스로 전달하는 브리지 역할도 수행합니다. 격리된 단일 센서 판독값은 갱내에서 신뢰하기 어렵기 때문에, 데이터·특징·판단 수준의 융합 아키텍처로 오탐을 줄이는 접근입니다.

4) 통신 계층 — 왜 갱도에서는 W5500 유선 이더넷인가

이 시스템에서 WIZnet 관점의 핵심은 통신 계층입니다. 논문 원문을 인용하면, 다중 가스 센서 어레이가 연결된 STM32F407 노드는 W5500 이더넷 모듈을 통해 유선 이더넷 LAN으로 게이트웨이/엣지에 융합된 센서 특징 데이터를 전송합니다.

지하 탄광은 무선 통신에 최악의 조건입니다. 암반과 갱도 구조로 인한 전파 감쇠, 분진·습기·전자기 간섭, 그리고 폭발성 가스 환경에서의 안정성 요구까지 겹칩니다. WSN(무선 센서 네트워크) 기반 기존 연구들이 간헐적 연결성 문제를 공통 한계로 지적해 온 이유입니다. Mine-Guard가 유선 이더넷을 선택한 것은 바로 이 결정론적(deterministic) 연결을 확보하기 위해서이며, SPI 인터페이스로 MCU에 붙는 W5500은 하드웨어 TCP/IP 스택으로 STM32F407의 프로토콜 처리 부담까지 덜어줍니다.

데이터 흐름의 속도 계층은 다음과 같이 분리되어 있습니다.

• 센서 샘플링: 10Hz로 오염물질 농도 측정
• 노드 → 엣지: 노드가 게이트웨이로 샘플을 배치 릴레이 (논문 표기 기준 20샘플 단위)
• 엣지 → 클라우드: Jetson 엣지 디바이스가 RESTful API(HTTP)로 JSON 페이로드를 1Hz 샘플링, 5초 배치 전송

즉, 시간에 민감한 구간(센서→엣지)은 W5500 유선 LAN이 담당하고, 지연에 관대한 구간(엣지→클라우드)만 인터넷을 경유합니다. 네트워크가 끊겨도 로컬 감지·경보 루프는 계속 도는 구조입니다.

5) 데이터셋과 합성 데이터 전략 — GAN으로 광산 데이터를 만들다

실제 지하 광산의 실시간 AQI 데이터셋은 희소하거나 불완전합니다. 연구팀은 Kaggle의 인도 도시 대기질 데이터셋(city-day)을 출발점으로 삼고, 통계적·생성적 모델링으로 가스 누출, 분진 급증, 환기 불량 같은 광산 시나리오의 센서 출력을 인공 생성했습니다. 특히 GAN(생성적 적대 신경망)으로 시간적 의존성을 유지하는 순차적 센서 판독값을 생성한 것이 특징입니다.

검증 결과, 합성 데이터는 PM2.5, PM10, NO, NO₂, NOx, NH₃, CO, SO₂, O₃, 벤젠, 톨루엔, 자일렌 등 12개 오염물질 전반에서 실데이터와 유사한 평균값을 보였고, 상관관계 히트맵에서 오염물질 간 상호관계 패턴, 확률밀도분포에서 분포 특성까지 보존됨을 확인했습니다. 도시 대기질 데이터와 광산 특화 요구사항 사이의 간극을 GAN이 메울 수 있음을 보인 사례입니다.

전처리 파이프라인도 체계적입니다. D'Agostino K-squared 검정과 Bowley 척도로 높은 왜도와 클래스 불균형을 확인한 뒤, IQR 캡핑(이상치), SVD+KNN+MICE 조합(다변량 결측치 대체), SMOTE(소수 클래스 합성 샘플 생성)를 적용했습니다.

6) 특징 선택 — Column Drop에서 SHAP까지

특징 선택은 세 단계로 진화했습니다.

• Column Drop: 무차별 대입 방식의 컬럼 제거는 계산 비용이 크고 결과가 최적이 아니어서 폐기
• PCA: Kaiser 기준(고유값 >1)과 Varimax 회전을 적용했으나, 잠재 성분 특성상 개별 특징 기여도 해석이 제한적
• SHAP(Shapley Additive exPlanations): 협력 게임 이론 기반으로 특징별 한계 기여도를 산출, 최종 채택

SHAP 분석 결과 **PM10(평균 SHAP 27.42)과 PM2.5(21.06)**가 압도적 상위 특징으로 나타났고, 상위 특징만으로 모델을 재구성해 예측 정확도를 유지하면서 계산 복잡도를 줄였습니다. 엣지 디바이스처럼 자원이 제한된 환경에서 추론 지연을 낮추는 데 직결되는 설계 결정입니다.

7) ML 모델 — 2단 스태킹 앙상블

배깅·부스팅·스태킹·블렌딩·보팅 다섯 가지 앙상블 방식 중, 이기종 베이스 학습기의 병렬 학습을 결합하는 스태킹이 가장 유망한 결과를 냈습니다. 최종 구성은 다음과 같습니다.

• 베이스 학습기(4종):
  • Random Forest — 노이즈에 강건, 정규화 없이 비선형 관계 포착
  • XGBoost — 테이블 데이터 최적화, 내장 정규화·결측치 네이티브 처리
  • CatBoost — 범주형 특징(광산 존 ID, 이벤트 플래그 등) 처리에 강점
  • Extra Trees — 분할점 무작위화로 낮은 분산·높은 일반화, 엣지 배포에 유리한 계산 효율
• 메타 학습기: 로지스틱 회귀 — 베이스 학습기들의 예측을 입력으로 받아 적응적으로 가중 결합

하이퍼파라미터는 Optuna 프레임워크의 베이지안 최적화로 튜닝했고, 5-fold 층화 교차검증(train/test 70/30)으로 일반화 성능을 확보했습니다.

8) 실험 결과

단일 모델 최강자였던 CatBoost(분류 정확도 0.95692, 회귀 RMSE 11.047)와 비교해, 커스텀 앙상블은 분류에서 약 2%p, 회귀 RMSE에서 약 18% 개선을 달성했습니다. 분류 예측 시간 0.0091초는 "서브초 위험 감지"라는 시스템 목표를 여유 있게 만족하는 수치입니다.

9) 디지털 트윈과 시각화 — 데이터를 공간 지능으로

Mine-Guard의 시각화는 두 계층으로 분리되어 있습니다.

• 로컬 엣지 대시보드: 엣지 디바이스에 직접 배포되어 센서 스트림에 바로 접근, 네트워크가 끊겨도 2D/3D AQI 히트맵을 서브초 단위로 갱신
• 원격 시각화 인터페이스: REST API로 모바일·웹 클라이언트에 실시간 AQI와 안전 경보 전달, 별도의 분석 대시보드가 배치 갱신 방식으로 구역별 오염 추이를 제공(규제 보고용)

모바일 앱은 광산을 50개 노드 그리드로 구획해 색상 코딩으로 위험 구역을 즉시 식별하게 하고, 노드 상세 뷰에서는 12개 오염물질 농도와 AQI를 함께 보여줍니다. 논문의 예시에서는 Node 1의 AQI 396.2가 PM10(181.2)과 NO(95.1) 급등에 의한 것임을 개별 오염물질 수준에서 추적하는 장면이 나옵니다. Matplotlib 기반 3D 표면 플롯은 AQI 400 초과 지역을 붉은 피크로 표시해 오염 핫스팟의 공간 분포를 직관적으로 드러냅니다. 이 정보로 광산 운영자는 보조 환기 가동, 특정 구역 대피 같은 선제 조치를 취할 수 있습니다.

10) Use Cases & Market Potential

논문이 직접 언급하는 적용처는 상설 모니터링 인프라 구축이 비현실적인 **임시 작업 구역과 개발 갱도(development headings)**를 포함한 다양한 광산 운영 환경입니다. 분진, 습기, 전자기 간섭이 상존하는 조건에서의 안정 동작이 시스템의 실용성을 뒷받침합니다.

이 아키텍처의 파급력은 탄광에 국한되지 않습니다. "무선이 신뢰 불가능한 폐쇄 산업 공간 + 유선 센서 백본 + 엣지 추론 + 디지털 트윈"이라는 패턴은 터널 공사 현장, 지하 유틸리티 설비, 선박 기관실, 대형 플랜트 내부 등으로 자연스럽게 확장됩니다. 이런 환경 모두 W5500 계열이 제공하는 결정론적 유선 연결이 무선 대비 본질적 우위를 갖는 영역입니다. 향후 연구로는 계절적 채굴 패턴을 반영한 시계열 예측, 엣지 파이프라인 내 비지도 이상 감지와 온라인 학습, 그리고 효율적 센서 데이터 수집을 위한 스마트 통신 프로토콜과 네트워크 부하 분산이 제시되어 있습니다.

11) W5500 기술 개요

W5500은 하드웨어 TCP/IP 스택과 10/100 이더넷 MAC·PHY를 단일 칩에 내장한 이더넷 컨트롤러입니다. TCP, UDP, IPv4, ICMP, ARP, IGMP, PPPoE를 하드웨어로 처리하고, 8개의 독립 소켓과 32KB 내부 송수신 버퍼를 제공하며, 최대 80MHz SPI로 외부 MCU와 연결됩니다.

Mine-Guard 같은 안전-필수(safety-critical) 시스템에서 W5500의 가치는 세 가지로 정리됩니다.

• 프로토콜 오프로드: TCP/IP 처리를 칩이 전담하므로 STM32F407은 센서 융합과 로컬 특징 추출에 연산 자원을 집중할 수 있습니다. 10Hz 샘플링과 배치 릴레이를 동시에 수행하는 노드에서 이 분업은 지연 예측 가능성으로 직결됩니다.
• 소프트웨어 스택 리스크 제거: 소프트웨어 TCP/IP 스택의 메모리 손상이나 스택 오버플로 같은 장애 모드가 원천적으로 없어, 24시간 무인 가동되는 안전 시스템의 신뢰성 요건에 부합합니다.
• 하드웨어 소켓: 8개 독립 소켓으로 데이터 전송, 상태 보고, 관리 채널을 분리 운영할 수 있습니다.

동일 아키텍처를 확장한다면, IPv4/IPv6 듀얼 스택의 W6100, 더 높은 처리량과 QSPI를 지원하는 W6300, 그리고 MCU와 이더넷을 하나로 통합한 W55RP20 같은 후속 제품군도 검토 대상이 됩니다.

12) 결론

Mine-Guard는 "클라우드 IoT의 지연·연결성 문제"라는 잘 알려진 한계를, 엣지 추론과 유선 이더넷 백본이라는 두 가지 아키텍처 결정으로 동시에 해결한 사례입니다. 커스텀 스태킹 앙상블로 97.06% 분류 정확도와 0.0091초 예측 시간을 달성했고, GAN 데이터 합성으로 실측 데이터 부족이라는 광산 도메인 고유의 난제까지 우회했습니다.

maker.wiznet.io 독자 입장에서 이 논문의 교훈은 명확합니다. 극한 산업 환경에서 "실시간"이라는 요구사항은 ML 모델만으로 충족되지 않으며, 센서에서 추론 엔진까지의 데이터 경로 전체가 결정론적이어야 합니다. STM32F407 + W5500 조합이 그 경로의 첫 구간을 담당하는 이 설계는, 유사한 안전·모니터링 시스템을 구상하는 개발자에게 검증된 레퍼런스 아키텍처가 될 수 있습니다.

한 가지 유의할 점: 본 연구의 검증은 실제 광산이 아닌 실험실 기반 모의 광산 조건에서 수행되었으며, 학습 데이터 역시 도시 대기질 데이터의 GAN 변형입니다. 실광산 배치 검증은 후속 과제로 남아 있습니다.

Q1. 왜 지하 광산에서 무선(WSN) 대신 W5500 유선 이더넷을 선택했나요?

A. 지하 갱도는 암반에 의한 전파 감쇠, 분진·습기·전자기 간섭으로 무선 연결이 간헐적으로 끊기는 환경입니다. 기존 WSN 기반 연구들이 공통적으로 지적해 온 한계이기도 합니다. Mine-Guard는 안전-필수 구간(센서 노드 → 엣지)에 W5500 기반 유선 LAN을 배치해 결정론적 데이터 전달을 확보했고, 하드웨어 TCP/IP 스택 덕분에 STM32F407의 프로토콜 처리 부담도 제거했습니다.

Q2. 실제 광산 데이터 없이 어떻게 97% 정확도의 모델을 학습했나요?

A. Kaggle의 인도 도시 대기질 데이터셋을 기반으로, GAN을 사용해 가스 누출·분진 급증·환기 불량 같은 광산 시나리오의 시계열 센서 데이터를 합성했습니다. 합성 데이터가 12개 오염물질의 평균, 오염물질 간 상관관계, 확률분포 특성까지 실데이터와 일치함을 검증한 뒤 모델 학습에 사용했습니다. 다만 실광산 현장 검증은 아직 수행되지 않았다는 점은 유의해야 합니다.

Q3. 네트워크가 끊기면 시스템은 어떻게 동작하나요?

A. 듀 컴퓨팅(Dew Computing) 모델에 따라 엣지 디바이스(Jetson Orin)가 자율적으로 동작합니다. AQI 추론과 로컬 대시보드(2D/3D 히트맵, 서브초 갱신)는 모두 엣지에서 실행되므로, 클라우드 연결이 끊겨도 현장 위험 감지와 경보는 중단 없이 유지됩니다. 클라우드는 원격 모니터링과 규제 보고용 배치 분석을 담당하는 보조 계층입니다.

본 글은 Procedia Computer Science 283 (2026) 3263–3274에 게재된 오픈 액세스 논문(CC BY-NC-ND 4.0)을 maker.wiznet.io 독자를 위해 재구성한 소개글입니다. 논문에 명시된 수치와 구성은 원문 기준이며, 탄광 외 산업 확장 가능성에 대한 서술은 아키텍처 특성에 기반한 편집자의 해석입니다.