Current Issue

본 연구에서는 가용한 센서로 CO, VOC, 연기, 가스, 온도, 습도 센서를 선정했다. 해당 센서들은 표 1과 같이 측정하는 대상과 단가가 상이하다. 또한, 해당 센서는 화재감지의 목적 이외에도 다양한 제품군에 포함되어 있다.

따라서 각 센서의 화재감지 수행 정도를 파악하면 다른 용도로 사용되는 기존 제품과 결합한 통합 솔루션을 개발할 수 있을 것으로 기대한다. 또한, 매질의 특성이나 화재 시 수집되는 환경데이터의 특성을 고려하여 더 낮은 단가의 센서로의 대체 가능 여부도 검토할 수 있다.

데이터 수집은 그림 1에 보인 ㈜다온 기업이 보유한 테스트베드에서 실시하였다. 안전이 확보된 실험 환경에서 다양한 매질로 화재 상황을 모사하였으며 표 2는 이를 설명하고 있다. 특히, 특별한 물리적 현상이 없는 일반적인 상황과 일상 생활에서 자주 접하는 담배 연기, 기름, 수증기가 발생하는 환경을 함께 포함하여 센서의 비화재보 여부도 함께 고려하고 있다.

Fig. 1. 
Experiment enviroment

화재는 발화기, 최성기, 감쇠기의 단계로 구분되며 그림 2는 종이의 실제 발화부터 전소까지의 과정을 보인다. 매질에 따라 전소까지 걸린 시간이 상이하지만 모든 물질은 주어진 실험환경에서 대략 5~10분 사이에 전소되었다. 이후 기록한 발화 시점과 전소 시점을 수집된 데이터의 타임스탬프와 비교하여 실제 실험에서 측정된 데이터를 전체 데이터에서 추출하였다.

Fig. 2. 
Simulation of fire situation using paper

본 연구에서는 데이터 수집을 위한 자체 개발한 펌웨어를 사용하였다. I2C 및 ADC를 사용하여 센서의 측정 데이터를 수집하고 임계값을 설정하여 해당 값을 초과할 경우 이벤트를 발생시킨다. 또한, 아날로그 전압을 측정하는 센서의 경우에는 칼만 필터로 값을 보정하여 센서의 정확도를 높이고 있다.

수집된 데이터를 살펴보면 매우 짧은 센싱 주기로 인해 중복된 데이터가 다수 포함되어 있다. 또한, 매질에 따라 전소까지의 소요시간이 상이하므로 수집된 모든 데이터를 학습에 사용할 경우 서로 다른 표본 개수로 인한 데이터 편향(Bias) 문제가 발생할 수도 있다. 이러한 상황을 고려하여 본 연구에서는 수집된 데이터 전체를 사용하는 것이 아닌 매질이 전소될 때까지 측정한 데이터를 일정한 간격으로 나누어 총 600개의 표본을 추출했다.

학습에 사용한 최종 데이터 세트는 종이, 나무, 플라스틱, 일반, 조리, 담배, 수증기 실험에서 각각 측정한 모든 데이터를 하나로 묶은 총 4200개의 표본으로 구성하였다.

그림 3은 종이를 이용한 화재 테스트 시 수집된 센서별 데이터를 나타낸다. 그림에서 알 수 있듯이 발화기에서는 VOC센서의 값이 두드러지나 CO센서의 값 영향력이 점차 커지는 것을 확인할 수 있다. 이는 단일센서가 아닌 복합센서를 이용할 때 화재의 전 과정에서 상호보완 역할을 수행하여 화재감지의 정확성 및 비화재보의 에러를 낮출 수 있음을 시사한다.

Fig. 3. 
Sensor values according to paper combustion

그림 4는 조리환경을 모사한 상황에서 수집된 센서별 데이터를 나타낸다. 그림과 같이 조리환경은 화재 상황이 아님에도 VOC의 상승이 두드러짐이 나타난다. 이는 임계치를 이용하는 단일센서 환경에서 비화재보가 발생할 수 있음을 의미한다. 이런 경우에는 변동 폭이 거의 없는 다른 센서를 의사결정 척도에 포함하여 비화재보 문제를 완화할 수 있다.

Fig. 4. 
Sensor values collected in the simulation of cooking environment

한편, CO센서의 센서값은 오직 화재 시에만 큰 값으로 증가하는 반면 일상생활을 묘사한 실험 환경에서는 크게 변동이 없는 것을 확인할 수 있었다. 다시 말해, CO센서를 단독으로 사용하더라도 화재와 비화재를 명확히 구분할 수 있다. 화재감지를 위한 CO센서의 적용성을 연구한 결과에서도 CO센서의 우수성을 증명하고 있다[6]. 그러나 CO센서만 단독으로 사용할 경우, 일산화탄소 유출과 화재 발생에 대한 구분이 불가능하다는 치명적인 문제가 발생하므로 복합 센서의 사용이 필요하다.

사용하는 센서에 따른 화재/비화재 데이터의 분포 정도를 확인하기 위해 (TEMP와 SMK), (VOC와 GAS) 센서값에 따른 각 클래스의 분포를 각각 그림 5과 6에 표현했다. 그림 5와 6을 통해 해당 데이터는 클래스별로 군집화 정도가 높다는 것을 확인할 수 있다.

Fig. 5. 
Scatter graph for sensing value of TEMP and SMK sensor

Fig. 6. 
Scatter graph for sensing value of VOC and GAS sensor

한편 사용하는 센서에 따라 그림 6과 같이 두 클래스를 선형 기준으로 구분하기 힘든 경우가 발생한다. 다시 말해, 선형성을 전제하는 로지스틱 회귀 모델이나 선형 SVM의 경우 해당 데이터에 대한 분류 성능이 낮아질 수 있다.

본 연구에서는 화재감지 문제에서 일반적으로 사용되는 로지스틱 분류(LR) 및 K-최근접 이웃(KNN), 나이브 베이즈(NB), 서포트 벡터 머신(SVM), 랜덤 포레스트(RF)의 분류 모델로 선정하였다. 다만, 데이터가 수집되는 환경 및 센서의 종류, 화재/비화재 발생 모사 방법, 센서와 발화점의 거리 등 각 연구에서 수집된 데이터가 서로 다르므로 모델의 절대적인 성능 지표보다는 머신러닝이 화재감지에서 활용될 수 있는지에 대한 가능성에 초점을 맞춘다.

데이터 분석 파이프라인에서 가장 먼저 확인되어야 할 사항 중 하나는 특징(Feature) 간의 상관성 여부다. 머신러닝은 결국 서로 연관이 있는 데이터의 상관 패턴을 추출하는 작업이므로 데이터의 상관성이 떨어진다면 어떤 알고리즘을 적용해도 높은 성능을 발휘하기 어렵다. 각 센서의 측정값과 화재/비화재의 상관성을 시각적으로 파악하기 위해 변수 간 피어슨 상관계수(Pearson correlation coefficient)를 그림 7과 같이 히트맵(Heatmap)으로 표현하였다.

Fig. 7. 
Heatmap to analyze correlations

피어슨 계수는 변수 간 선형적 상관성이 높을수록 1이나 –1에 근접하는 특성이 지닌다. 피어슨 계수는 변수 간 선형 관계를 나타내는 지표이므로 비선형 관계에 대한 통찰력은 제공하지 못하지만, 일반적으로 화재가 발생하면 센서값이 점차 증가한다는 사실에 기인하여 해당 분석을 수행했다. 그림과 같이 특징값과 목적(Target) 값인 fire 사이의 상관계수 절댓값이 GAS를 제외하고 모두 0.5 이상이므로 센서 대부분이 화재감지 능력이 어느 정도 있음을 확인할 수 있다.

다만, 피어슨 계수가 높다는 것이 해당 특징이 학습 모델에서 반드시 가장 높은 영향력을 발휘한다는 의미는 아니다. 선형회귀의 일종인 LR에서는 선형성이 중요하지만 변수의 스케일이나 선형성에 크게 영향을 받지 않는 KNN이나 RF모델에서는 피어슨 상관계수가 낮은 데이터가 높은 데이터보다 더 높은 영향력을 발휘할 수도 있다. 참고로 GAS 센서의 경우 화재시에도 큰 변동이 없어야 하지만 화재로 발생하는 재와 소자 내부의 쇼트로 예상과 다른 데이터가 수집되었다.

모델 학습 및 성능평가는 대표적인 기계학습 프레임워크인 Scikit-learn을 통해 수행되었다. 본 연구의 목적은 모델 성능 최적화에 있지 않고 센서 조합이 화재 판별 정확도에 미치는 영향을 파악하는 것이 우선이므로 프레임워크에서 제공하는 기본값으로 각 모델 학습을 진행했다. 다만, 선형 SVM의 경우 AUC를 도출하는 데 어려움이 있으므로 가우시안 방사 기저 함수(RBF, Radial Basis Function) 커널(Kernel)을 적용하였다.

모델의 성능 지표로는 AUC(Area Under the ROC Curve), 정밀도(Precision), 재현율(Recall), F1 점수로 삼았으며 특히 화재임에도 화재가 아니라고 판단하는 거짓음성(False negative)의 발생은 심각한 결과를 초래할 수 있으므로 F1 점수를 주의 깊게 관찰해야 한다.

데이터 분석 결과 GAS센서를 제외하면 모든 수집 데이터가 화재와 비화재 상황에서 뚜렷한 차이를 보였으며 이러한 특성으로 인해 대부분의 성능 지표가 1에 도달했다. 특히 CO, SMK, TEMP 센서 센서의 우수한 분별능력으로 인해 해당 센서가 포함된 실험에서는 대부분 정확한 판별이 가능했다. 또한, 센서의 조합이 세 개 이상일 경우, 1) 분류에 우수한 특성을 가진 센서값이 데이터 세트에 포함되는 경우가 많고, 2) 여러 센서의 정보 결합으로 정확한 화재감지가 가능함을 확인하였다. 따라서 본 장에서는 단일센서를 사용한 경우와 두 개의 센서 조합을 사용한 경우의 결과에 대해 초점을 맞춘다.

표 3은 단일센서값을 사용한 모델의 성능을 나타낸다. 화재/비화재 상황에서 측정되는 값의 차이가 큰 CO, SMK, TEMP센서로 학습한 모델들의 F1은 1이었으나 VOC, HUM, GAS의 경우에는 낮은 F1 수치를 보였다. 실제로 화재가 발생하더라도 주위 습도가 급격하게 떨어지지 않는 물리적 특성이 있으므로 HUM센서만 단독으로 사용하는 화재감지기는 적절하지 않은 것으로 판단된다.

표 4는 각 분류 모델별 성능을 보인다. 표와 같이 F1을 기준으로 RF와 KNN 알고리즘이 높은 정확도를 보인다. 이는 비선형 데이터에도 강인한 RF와 KNN의 특성으로 인해 화재/비화재 데이터의 분포가 선형적인 결정 기준으로 분류가 어려운 환경에서도 화재/비화재를 잘 예측할 수 있는 것으로 분석된다.

단일센서가 아닌 임의로 선택된 두 개의 센서 조합으로 분류 모델을 생성할 경우, 성능지표 대부분이 1에 도달했다. 다만 단일센서 환경에서 낮은 성능을 보였던 VOC, HUM, GAS 센서가 조합에 포함될 경우 표 5와 같이 성능이 낮아짐을 알 수 있다. 비록 센서를 단독으로 사용하는 경우보다 높은 성능을 나타내지만, 여전히 해당 센서의 조합만으로는 상용 화재 탐지기 개발에 무리가 있을 것으로 판단된다.

표 6을 통해 여러 센서를 결합하면 모델의 종류와 상관없이 분류 성능이 개선됨을 알 수 있다. 이는 모델 학습 시 우수한 분류 특성을 가지는 CO, SMK, TEMP 센서가 포함되었기 때문이다. 이는 표 7에 정리한 각 특징이 학습에 미친 영향을 나타내는 RF의 특징 중요도(Feature importance)를 통해서도 확인할 수 있다. 높은 특징 중요도를 가지는 TEMP 센서로 수집된 데이터는 실제로 매질의 종류와 상관없이 화재와 비화재의 구분이 뚜렷하며 그 변화 추이도 일정하다. 그러나 한국소방산업기술원에서 제시하는 감지기의 기술기준에는 임계값을 기준으로 화재의 여부를 판단해야 하므로 화재와 비화재시 차이가 큰 CO나 SMK 센서의 활용도 고려해야 한다. 향후 학습된 두 모델의 변수는 화재감지기의 화재/비화재 판단 값을 설정하는 중요한 근거로 삼을 것이다.

발화부터 전소에 도달할 때까지 수집한 전체 데이터를 화재감지에 사용한다는 것은 초기대응 관점에 어긋난다. 센서의 복합적인 사용과 머신러닝 알고리즘이 화재 초기에 발생한 일부 데이터만으로도 잘 동작하는지 확인하기 위해 각 센서가 수집한 600개의 데이터가 아닌 초기 60개의 데이터(대략 1분 정도)로만 모델 평가를 진행하였다. 그 결과 표 8과 9에 정리한 것처럼 초기에 발생한 데이터만을 사용하더라도 전체 데이터를 사용한 것과 성능 차이가 거의 없는 것으로 확인되었다. 따라서 짧은 주기에 수집된 데이터만으로도 센서를 조합하여 신속하고 정확하게 화재감지가 가능할 것으로 기대한다.