AI/ML을 활용한 이상 온도 감지 및 자동 대응

AI/ML을 활용한 이상 온도 감지 및 자동 대응

1. 개요

AWS IoT를 활용하면 IoT 디바이스에서 수집된 데이터를 클라우드에서 분석하고, 이상 감지가 발생했을 때 자동으로 대응할 수 있습니다. 특히 AI/ML을 적용하면 정상적인 패턴을 학습하고, 온도 센싱 데이터에서 이상 징후를 감지하는 자동화된 시스템을 구축할 수 있습니다.

본 포스팅에서는 AWS IoT Device(ESP32 IDF 기반)에서 온도 데이터를 수집하고, AWS IoT 서버(Python 기반)에서 이를 분석하여 이상 온도를 감지한 후, 자동으로 대응하는 시스템을 구축하는 방법을 설명합니다.

---

2. 시스템 아키텍처

2.1 구성 요소

• AWS IoT Device (ESP32 IDF + AWS IoT Device SDK for Embedded C)

  • 온도 데이터를 주기적으로 측정하여 AWS IoT Core로 전송
  • AWS IoT Shadow를 활용하여 설정 값(센싱 주기 등) 관리

• AWS IoT Server (Python 기반 AWS Lambda + AWS IoT Core + Amazon SageMaker)

  • AWS IoT Core를 통해 수집된 데이터를 AWS Lambda에서 처리
  • Amazon SageMaker에서 사전 학습된 AI 모델을 사용하여 이상 온도 감지
  • 이상 감지 시 AWS SNS를 통해 관리자에게 알림 전송 및 자동 대응 수행

---

3. AWS IoT Device 구현 (ESP32 IDF)

3.1 ESP32 환경 설정 및 라이브러리 설치

ESP32 IDF 환경에서 AWS IoT Device SDK for Embedded C를 사용하여 AWS IoT Core에 데이터를 전송하는 코드를 작성합니다.

idf.py set-target esp32
idf.py menuconfig

AWS IoT 디바이스 인증서를 다운로드하여 설정하고, 필요한 라이브러리를 포함합니다.

3.2 온도 데이터 센싱 및 MQTT 전송

#include <stdio.h>
#include "freertos/FreeRTOS.h"
#include "freertos/task.h"
#include "mqtt_client.h"
#include "driver/adc.h"

#define MQTT_BROKER "mqtts://YOUR_AWS_IOT_ENDPOINT"

void read_temperature_task(void *pvParameters) {
    while (1) {
        int temp_value = adc1_get_raw(ADC1_CHANNEL_0);
        float temperature = (temp_value * 3.3 / 4096) * 100; // 변환 값
        char msg[50];
        sprintf(msg, "{\"temperature\": %.2f}", temperature);

        esp_mqtt_client_publish(client, "iot/device/temp", msg, 0, 1, 0);
        vTaskDelay(pdMS_TO_TICKS(5000));
    }
}

void app_main() {
    xTaskCreate(read_temperature_task, "read_temperature_task", 4096, NULL, 5, NULL);
}

---

4. AWS IoT 서버 구현 (Python 기반)

4.1 AWS Lambda에서 MQTT 메시지 처리

import json
import boto3
from decimal import Decimal
from botocore.exceptions import NoCredentialsError

sns = boto3.client('sns')
iot_data = boto3.client('iot-data')

THRESHOLD = 50.0  # 이상 감지 기준 온도

# Lambda 함수
def lambda_handler(event, context):
    message = json.loads(event['Records'][0]['Sns']['Message'])
    temperature = Decimal(message['temperature'])

    if temperature > THRESHOLD:
        response = sns.publish(
            TopicArn='arn:aws:sns:your-region:your-account-id:YourTopic',
            Message=f'이상 온도 감지: {temperature}도! 즉각 조치 필요.',
            Subject='이상 온도 감지 알림'
        )
        print(f"SNS Alert Sent: {response}")

    return {
        'statusCode': 200,
        'body': json.dumps('Success')
    }

4.2 Amazon SageMaker를 활용한 이상 감지 모델 구축

import boto3
import numpy as np
import joblib

s3 = boto3.client('s3')
model = joblib.load("s3://your-model-bucket/anomaly_detection_model.pkl")

def detect_anomaly(temperature_data):
    prediction = model.predict(np.array(temperature_data).reshape(1, -1))
    return prediction[0] == 1  # 이상 감지 시 True 반환

---

5. 자동 대응 시스템 구축

5.1 AWS IoT Rule을 이용한 데이터 처리

AWS IoT Core Rule을 설정하여 온도 데이터가 Lambda로 전달되도록 구성합니다.

SELECT temperature FROM 'iot/device/temp' WHERE temperature > 50

5.2 AWS SNS를 활용한 자동 대응

sns.publish(
    TopicArn='arn:aws:sns:your-region:your-account-id:YourTopic',
    Message='긴급! 이상 온도 감지. 즉각 점검 필요!',
    Subject='긴급 알림'
)

---

6. 결론

본 포스팅에서는 AWS IoT Device(ESP32 IDF)를 활용하여 온도 데이터를 수집하고, AWS IoT 서버(Python)를 통해 AI/ML 기반 이상 감지 시스템을 구축하는 방법을 설명했습니다. AWS IoT Rule Engine, Amazon SageMaker, AWS Lambda, SNS 등의 서비스를 활용하여 자동 대응 체계를 구현할 수 있습니다.

이와 같은 AI/ML 기반 이상 감지 시스템은 다양한 산업군에서 활용 가능하며, 온도뿐만 아니라 습도, 진동, 소음 등 다양한 센서를 활용하여 확장할 수 있습니다.