지하 공동구 화재재난 감지를 위한 음향수집 프로토타입 장치 및 시스템 모듈 개발

Development of a Acoustic Acquisition Prototype device and System Modules for Fire Detection in the Underground Utility Tunnel

Abstract

지하 공동구 화재 발생에 따른 직·간접적 피해는 사회 전반에 매우 큰 영향을 미치므로 이를 사전에 예방 및 관리하기 위한 노력이 필요하다. 화재의 발생 원인 중 케이블 자체에서 발생하는 경우는 단락, 누전, 과전류에 의한 발화 및 도체 접속부 과열, 절연체의 졀연 파괴에 의한 스파크 발생으로 인한 발화가 대부분이다. 지하 공동구의 특성에 의해 발생하는 이러한 원인을 조기에 찾아내기 위해서 지하 공동구는 영상분석을 활용한 감지 시스템을 통해 재난 및 안전사고 방지를 위한 상시 관리를 하기 위한 노력을 하고 있으며, 이 중에서 CCTV 기반의 딥러닝 영상분석 기술을 적용한 화재 감지 시스템 개발사례가 보고되고 있다. 하지만 CCTV의 경우는 사각지대가 존재하기 때문에 이를 좀 더 보완하기 위해서 스파크 발생으로 불꽃이 발생하기 전 스파크 소리를 사전에 감지해 화재 예방을 할 수 있는 고성능의 음향 기반 딥러닝 모델을 개발하고자 한다. 본 연구에서 마이크 센서를 이용하여 지하 공동구 환경에서 음향을 수집을 할 수 있는 방안을 프로토타입 모듈 개발과 실험을 통해 제안하며, 결로가 많은 지하 공동구 환경에서 음향 센서를 배치하고 기능 이상 없이 실시간으로 정보 수집 여부에 대한 가능성을 검증한다.

Since the direct and indirect damage caused by the fire in the underground utility tunnel will cause great damage to society as a whole, it is necessary to make efforts to prevent and control it in advance. The most of the fires that occur in cables are caused by short circuits, earth leakage, ignition due to over-current, overheating of conductor connections, and ignition due to sparks caused by breakdown of insulators. In order to find the cause of fire at an early stage due to the characteristics of the underground utility tunnel and to prevent disasters and safety accidents, we are constantly managing it with a detection system using image analysis and making efforts. Among them, a case of developing a fire detection system using CCTV-based deep learning image analysis technology has been reported. However, CCTV needs to be supplemented because there are blind spots. Therefore, we would like to develop a high-performance acoustic-based deep learning model that can prevent fire by detecting the spark sound before spark occurs. In this study, we propose a method that can collect sound in underground utility tunnel environments using microphone sensor through development and experiment of prototype module. After arranging an acoustic sensor in the underground utility tunnel with a lot of condensation, it verifies whether data can be collected in real time without malfunction.

Ⅰ. 서론

지하 공동구란 도시계획시설의 하나로서 전기, 통신, 가스, 수도, 하수관 같은 도로의 지하 매설물을 공동 수용함으로써 미관을 도모하고 도로구조의 보전을 도모하는 시설을 말한다. 지하 공동구 화재 발생에 따른 직·간접피해는 사회 전반에 매우 큰 영향을 미치므로 화재 예방 관리 및 안전 대책 마련이 매우 중요하다. 공동구 화재의 발생 원인은 케이블 자체에서 발생하는 경우와 외부 발화원에 의한 경우로 나뉠 수 있는데, 케이블 자체에서 발생하는 경우는 단락․지락․누전․과전류 의한 발화, 도체 접속부 과열에 의한 발화, 절연체의 열화 등으로 인한 절연 파괴에 의한 스파크 발생으로 인한 발화 등이 대부분이다[1].

이러한 원인은 지하 공동구의 특성에서 비롯되는데, 일반적으로 지하공간은 일사가 없고 공기의 유동이 원활하지 않음에 따라서 환기량이 부족하며, 우수나 지하수 등의 침투에 따라 습도가 높아짐으로 결로가 발생 되기 쉽다[2]. 이런 특징을 가지고 있는 지하 공동구는 다른 지하공간인 건물의 지하실 및 지하 주차장보다 단열에 대한 계획이 거의 없고 및 지하수 침투가 상대적으로 쉬우며, 맨홀, 출입구, 급·배기구 등으로부터 빗물이 유입됨에 따라서 습도가 증가될 수 있으며, 여름철에 고온다습한 외부 공기가 환기구를 통해 유입되면 공동구 내에 있는 저온의 공기와 만나면서 포화수증기압의 강하로 결로 현상이 발생하게 된다. 특히 온도가 더 낮고 열전도율이 높은 케이블 프레임 표면에 닿는 경우 공기의 온도가 급격히 낮아짐으로써 그에 포함된 다량의 수증기가 결로되어 그림 1과 같이 케이블의 표면에도 많은 물기가 맺히게 된다. 여름철에는 결로 현상이 지속적으로 발생 되어 케이블과 케이블 프레임의 표면에 항상 물기가 묻어 있게 되며, 이러한 물기에 의해 시설물의 내구도를 감소시키며, 케이블과 케이블 연결부분의 부식이 쉽게 유발되어 누전으로 스파크가 발생할 수 있다.

그림 1. 지하 공동구 내 프레임 및 관리케이블에 맺힌 물기

Fig. 1. Water condensation on the frame and management cables in the underground utility tunnel.

지하 공동구는 센서 기반 위험 감지 및 영상분석 등을 활용한 감지 시스템을 통해 재난 및 안전사고 방지를 위한 상시 관리가 이뤄진다. 기존 감지 시스템은 오탐 사례가 많고, 최근 CCTV 기반의 딥러닝 영상분석 기술을 적용한 화재 감지 시스템 개발사례가 보고되고 있으나[3-5], CCTV의 경우는 사각지대가 존재하며, 딥러닝 모델 개발을 위한 지하 공동구 환경에서의 이상 상황 이미지 데이터의 절대 수량 확보가 어려워 고성능의 딥러닝 기반 이상 상황 감지 기술이 요구되는 상황이다. 이에 따라, 스파크 발생으로 불꽃이 발생하기 전 스파크 소리를 사전에 감지해 화재 예방을 할 수 있는 고성능의 음향 기반 딥러닝 모델 개발을 위해서 지하 공동구 환경에서 음향을 수집할 수 있는 프로토타입 모듈을 개발하고자 한다.

본 연구는 지하 공동구 현장 정보 수집을 위해서 지하 공동구 측정 환경을 분석하고 지하 공동구 환경에서 음향수집이 가능할 수 있도록 마이크 성능 분석을 통해서 음향수집 단말을 개발한다. 또한 음향신호를 수집 및 전송하기 위한 프로토타입 모듈을 설계하고 구현함으로써 음향 기반 딥러닝 모델 개발을 위한 지하 공동구 음향 데이터를 획득할 수 있도록 개발하였다. 이를 통해 특정 위험에 대해 발생 가능성이 큰 구간에 음향 센서를 배치하고 실시간으로 정보를 수집하여 분석할 수 있다.

Ⅱ. 마이크 성능 분석 및 음향수집 단말 프로토타입 개발

1. 지하 공동구 측정 환경 및 선정 요소

지하 공동구에서 음향 측정을 수행하기 위한 장소로는 CCTV의 사각지대에 있으면서 이전에 전기적 스파크가 발생했던 이력이 있는 취약구간으로 선정하였다. 해당 장소는 그림 2와 같이 콘크리트 구조물로 되어 있으며, 공기의 흐름이 거의 없는 곳으로 지하 공동구 내에서도 결로가 매우 심하며, 벽과 바닥에 물기가 흥건한 구간이다. 큰 도로 아래에 위치하며 도로 위에는 맨홀이 존재한다. 맨홀에 이격이 있으면 그 위로 지나가는 차량의 무게와 속도에 따라 다양한 충격음이 지하 공동구로 내부로 전달된다. 또한 외부 환풍구로 주변의 다양한 소음도 지하 공동구 내부로 유입된다. 따라서 지하 공동구의 내외부 환경을 고려하여 마이크를 선정하여야 한다. 마이크 선정을 위한 조건으로는 지하 공동구 온도, 국내 온도 환경에 따라 -20~60°C를 견디는 내한, 내열 성능을 가진 제품이어야 하며, 지하 공동구의 높은 습도에 견딜 수 있는 방수기능이 있어야 한다. 상용으로 출시된 대부분의 ECM(Electret Condenser Microphone) 마이크는 녹음실, 실내 공연, 강의실 등의 실내 환경을 기준으로 개발되어 60% 이상의 습도에서 장시간 노출되면 마이크 손상이 발생할 수 있다. 외부 환풍구 및 맨홀 충격음 등 큰 소리에 비해 작은 스파크 소리를 감지하기 위해 – 30dB 성능급 고감도를 가지면서 SNR(Signal-to-Noise Ratio) 60dB 이상급의 마이크가 필요하다.

그림 2. 지하 공동구 음향 측정 환경

Fig. 2. Acoustic measurement environment in the underground tunnel.

2. 마이크 특성 분석 및 선정

마이크는 음향 에너지를 전기적 신호로 변환하는 센서로, 크게는 코일과 영구자석으로 구성되는 다이내믹 마이크와 캐패시턴스의 변화를 이용하는 ECM 마이크, 그리고 콘 웨이퍼와 고도로 자동화된 공정을 이용한 반도체 생산설비에서 제조된 음향 센서인 MEMS(Micro Electro-Mechanical Systems) 마이크로 분류할 수 있다. 다이내믹 마이크는 내구성이 강하고 잡음이 적으나 감도가 평균 –50dB로 감도가 좋지 않다. ECM 마이크의 경우 –19dB에서 40dB의 감도를 가져 성능에 우수한 장점이 있으나 보조 전력이 필요하고 습도와 충격에 약하다[6]. MEMS 마이크의 경우 감도가 우수하며, 전력 소모가 낮고 온도, 습도, 진동에 강한 장점이 있다[7]. 지하 공동구에서 발생하는 소리를 획득하는데 적합한 마이크 선정을 위해 여러 종의 마이크에 대한 감도 성능 테스트를 수행하였으며, 해당 마이크 별 SNR, SPL(Sound Pressure Level)), 동작 온도, 방수 등급 등을 포함해 테스트 수행 결과 같이 비교 하였으며, 테스트한 마이크 목록은 다음 표1과 같다.

표 1. 테스트 마이크 목록

Table 1. Tested Microphone List

마이크 감도 테스트 결과에 따르면 제품 설명서에 있는 대로 성능이 나오지는 않는 제품들도 존재하였다. 마이크 센서 성능은 PUI audio사 AOM-5024L-HD-F-R 모델이 -24 ±3dB, SNR 80으로 가장 성능 좋다. Infineon IM69D120, vesper VM3000 모델도 높은 감도를 지원한다. 다양한 마이크 센서를 테스트해 본 결과에 따르면, MEMS를 제외한 방수 마이크는 감도가 떨어지거나 음성 영역에 맞춰져 있거나 상대적으로 잡음이 많이 발생하였다. 따라서 지하 공동구라는 특수한 환경을 고려하여 습도에 강하고, 높은 내한/내열 신뢰성, 작은 크기 및 높은 감도 등을 고려하여 그림3의 Vesper VM3000을 선정하였다. VM3000은 작은 크기임에도 불구하고 높은 감도를 가지고 –40~85°C의 동작 온도에 따른 내한/내열 신뢰성을 가지고 있으며 IP58의 방수 성능을 가졌다. 단, 지향성이 없고 SPL이 상대적으로 낮아 Gain이 높은 환경에서 성능이 떨어지는 단점이 있다.

그림 3. VM3000 MEMS 마이크

Fig. 3. VM3000 MEMS microphone.

3. 음향수집 H/W 단말 프로토타입 개발

Vesper VM3000의 MEMS 마이크 센서는 디지털 입력방식인 PDM(Pulse Density Modulation) 인터페이스를 요구하며 인터페이스 보드를 사용하여 연결하거나, 직접 MCU(Micro Controller Unit) 등에 연결하여 입력받는다. 위 마이크 센서를 이용하여 음향수집 단말을 개발하기 위해서 라즈베리파이를 이용한 독립 마이크 시스템을 구성하였으며 다음 그림4와 같다.

그림 4. 라즈베리파이를 이용한 독립 마이크 시스템 구성

Fig. 4. Configuration of independent microphone system using Raspberry Pi

라즈베리파이4에 있는 i2s(Inter IC Sound) 인터페이스를 PDM 모드로 사용하여 직접 MEMS 마이크로부터 PCM(Pulse Code Modulation) 데이터를 받는 형식으로 구성하였다.

해당 구성을 기반으로 제작한 음향수집 H/W 장치는 그림 5와 같다. IP67급 방수 처리를 통해서 음향을 수집하는 동안 결로에 의한 이상이 발생하지 않도록 하였으며, MCU 시스템으로는 라즈베리파이4를 이용하여 데이터를 측정할 수 있도록 마이크 센서와 연결하였다. 방수처리를 통해서 라즈베리파이4의 자체 Wi-Fi를 통한 데이터 전송이 원활하지 않기 때문에 외부 Wi-Fi 안테나를 설치하였으며, 50시간 이상 연속 녹음이 가능하도록 3개 배터리를 장착하였다. 측정 중에 해당 기기로 인해 공동구 내부에 화재가 발생하는 경우를 차단하기 위해 온/습도 센서를 장착하여 내부 이상이 발생하여 일정 임계치를 초과하였을 때 기능을 정지하여 화재 발생의 위험을 제거하였다.

그림 5. 음향수집 H/W 단말 내/외부 구조

Fig. 5. The structure inside/outside of acoustic acquisition H/W device .

음향수집 H/W 단말에서 음향을 수집하여 음향수집 서버로 전송하기 위한 음향수집 단말 모듈의 구성은 다음 그림6과 같다. 커널 드라이버 영역 Common Audio Driver, PDM driver과, 응용프로그램은 PCM capture, AAC encoder, RTP packetizer, UDP sender 등으로 구성된다. PDM Driver는 linux kernel의 I2S 모듈을 수정하여 작성되었으며, 디지털 마이크 versper VM3000과 PDM interface 연결되며, sampling rate는 48000, 24비트로 음향 데이터를 수신하는 역할을 담당한다. PTPv2(Precision Time Protocol Version 2) 프로토콜을 이용하여 시간을 동기화한다. Audio PCM capture 모듈에서 마이크 캡처를 시작하게 되면 Common Audio Driver로 명령이 전달되고, PDM driver에서 VM3000 마이크로부터 PCM을 입력받아 데이터가 수집된다. 이후 AAC encoder에서 AAC 코덱으로 오디오 압축이 진행되며, RTP Packetizer에서 AAC frame에 RTP header와 timestamp가 붙어, UDP sender 모듈에 의하여 RTP를 음향 수신 저장 모듈로 전송한다. RTP Packetizer의 오디오 파일 전송 표준은 RFC 3640, RTP Payload Format for Transport of MPEG-4 ES(Elementary Streams)을 따른다[8]. RTP Audio 전송에 사용될 header는 아래 그림7과 같다. CC(CSRC Count) 필드에 2를 추가하여 CSRC(Synchronization SouRCe) 필드를 2개 추가하고, CSRC 1은 UTC(Universal Time Coordinated) 값을, CSRC 2는 microseconds 값을 전송한다.

그림 6. 음향수집 장치 모듈 구성

Fig. 6. The configuration of acoustic acquisition device module.

그림 7. RTP timestamp 전송 헤더

Fig. 7. The header of the RTP timestamp transmission.

Ⅲ. 음향신호 획득을 위한 시스템 모듈 설계

음향신호 획득을 위한 전체 시스템 구성도는 아래 그림8과 같이 구성된다. 음향수집 H/W 단말기로부터 획득한 음향신호는 음향 수집 장치 모듈을 통해 무선 네트워크로 RTP(Real-time Transport Protocol)를 전송하며, 음향 수신 저장 모듈은 수신된 RTP를 파싱하여 시간 정보와 오디오를 저장하고, 저장된 내용을 음향 정보 DB서버로 전송한다. 음향 정보 DB 서버는 음향 수신 저장모듈에 의해 저장된 시간+파일 정보를 기록하고 관리자 UI 프로그램이 시간+파일 정보를 REST API를 통해 접근할 수 있도록 한다. 관리자 UI 프로그램은 음향수집 정보를 표시하고 DB에 기록된 오디오 정보를 조회하는 기능을 담당한다.

그림 8. 음향신호 획득 시스템 구성

Fig. 8. The configuration of a acoustic signal acquisition system.

음향 수신 저장 모듈은 다음 그림9와 같다. 음향 수신 저장 모듈은 UDP Receiver로 음향수집 장치 모듈로부터 전송된 RTP 패킷을 수신하며, RTP depacketizer를 통해서 RTP 패킷을 파싱하여 Audio ES, SSRC 및 시간 정보를 획득한다. Audio File Writer를 통해 오디오 파일을 시간 정보와 파일 DB에 저장하며, 시간 및 오디오 파일 정보를 음향 정보 DB 서버에 Call reset API를 통해서 전송한다.

그림 9. 음향 수신 저장 모듈 구성

Fig. 9. The configuration of acoustic receiving/storing module.

음향 정보 DB 서버는 그림 10과 같이 녹음된 시간 및 녹음파일 정보와 해당 정보를 관리자 UI에 제공하는 역할을 담당한다.

그림 10. 음향 정보 DB 서버 구성

Fig. 10. The configuration of acoustic information DB server

관리자 UI 모듈은 그림 11과 같다. 음향수집 장치 모듈로부터 수집된 음향 정보를 화면/소리 등으로 관리자에게 전달하는 역할을 하며, 음향수집 상황을 표시하는 Dashboard와 과거 음향 오디오 이력을 조회하는 기능이 있으며, 음향 DB로부터 음향 오디오를 내려받아 AAC 디코더를 실행하여 PCM을 생성하여 음향을 재생할 수 있도록 한다.

그림 11. 관리자 UI 모듈 구성

Fig. 11. The configuration of Admin UI module

Ⅳ. 결과

지하 공동구의 결로가 있는 환경에서 음향 데이터 녹음 및 실시간 데이터를 전송하여 시스템을 운용할 수 있는지 검증하기 위해서 지하 공동구 내에 음향수집을 위해 선정된 구역에서 장치를 다음 그림 12와 같이 설치하였다. 그림 5의 음향수집 H/W 장치를 약 500m 간격으로 1대씩 총 3대를 설치하였으며, 전기적 스파크를 공동구 내에서 구현할 수 없으므로, 지하 공동구 내 해당 위치에서 실제로 발생한 스파크 음향과 가장 유사한 음향을 선정하는 작업을 수행한 뒤에 선정된 음원을 수집 장치 옆에 스피커를 설치하여 출력하였다. 음향수집 H/W 장치 내에 연결된 배터리가 다 소진될 때까지 약 60시간 정도 음향을 수집하였으며, 그림 9의 음향 수신 저장 모듈의 UI 프로그램 실행 결과는 다음 그림 13과 같으며, 결로가 많은 지하 공동구 환경에서 기능 이상 없이 각 수집 장치별로 음향 데이터가 수신되어 들어오는 것을 확인할 수 있다. 음향수집 H./W 장치 위치에 따라서 수집된 음향의 파형이 다름을 볼 수 있으며, 정점 값을 보이는 부분이 스파크 음향이다. 스파크 음향을 출력하는 스피커와의 상대적인 거리에 따라서 각 음향수집 H./W 장치별 정점 값 차이가 발생을 볼 수 있다.

그림 12. 지하 공동구 내에 설치된 음향수집 장치

Fig. 12. A device for acoustic acquisition installed in the underground utility tunnel.

그림 13. 음향 수신 저장 모듈 실행 결과

Fig. 13. The result of running the acoustic receiving/storing module.

지하 공동구 내에서 수집된 음향신호를 분석해 보면 그림 14와 같이 임의로 발생시킨 스파크 음향 외에 지하 공동구의 지상에 있는 맨홀 위로 자동차 등이 지나갈 때 지하 공동구 내부에 발생하는 자동차 맨홀 타격음, 집수정으로 물 떨어지는 낙하음 등이 발생하는 것을 알 수 있으며, 이외에도 관리사무소 비상벨 소리, 자동차, 오토바이 운행 소음 등 다양한 환경음이 발생한다. 그림 2와 같이 지하 공동구의 특성상 반사음이 많이 발생하며, 무지향성인 VM3000 MEMS 마이크를 사용함에 따라 반향음이 길게 생성된다. 스파크 음향의 경우 1초 이내로 발생하며 6kHz~18kHz 사이에 에너지가 분포되어 있다. 맨홀 타격음의 경우 맨홀로 지나가는 차량의 속도의 차이와 2대 이상 연속으로 지나가는 경우로 인해 약 0.5초~2초 사이의 신호 길이를 가지며, 약 18kHz까지 에너지가 발생 된다. 특히 3kHz 이하에 강하게 집중된 소리임을 알 수 있다. 결로로 발생한 물이 지하 공동구 내에 있는 집수정으로 물이 낙하할 때 떨어지는 소리는 잔향으로 약 0.3초 정도로 발생하고 있으며, 연속으로 물이 낙하하는 경우 낙하하는 물의 양에 따라 0.5초 이상 발생하기도 한다. 1kHz~24kHz까지 전 영역에 에너지가 분포하고 있으며, 8Hz~16Hz 사이에 에너지가 집중되어 있다.

그림 14. 지하 공동구 내에서 수집된 음향신호

Fig. 14. Acoustic signal acquired in the underground utility tunnel.

Ⅴ. 결론

본 논문에서 제안한 단말 프로토타입 및 시스템 모듈을 기반으로 결로가 많은 실제 스파크가 발생했던 지하 공동구 환경에서 이상 없이 음향신호를 획득할 수 있었다. 획득한 신호를 분석한 결과 주로 발생한 소리는 지하 공동구에 있는 맨홀에서 자동차가 지나가면서 발생하는 타격음과 결로로 발생한 물이 지하 공동구 내에 있는 집수정으로 물이 낙하할 때 발생하는 물 낙하음 등이 있다. 해당 음향들은 짧게는 0.5초 이내, 길게는 1초 이상 발생하며, 스파크 음향이 가지는 6kHz~18kHz 사이 대역을 다 포함하고 있다. 저주파수 대역과 고주파수 대역을 필터링하여 제거하고 중간대역 주파수의 에너지 크기와 주기성을 기반으로 전기 스파크 신호를 감지할 수 있을 것으로 예측된다. 그러나 지상의 상황에 따라 다양한 소리가 공동구로 전달되므로, 고성능의 음향 기반 딥러닝 모델을 개발을 위해서는 좀 더 많은 데이터를 수집하고 분석한 후에 알고리즘을 설계해야 할 것으로 예측된다. 향후 연구에서는 본 논문을 기반으로 수집된 음향을 분석하여 지하 공동구 화재재난 감지를 위한 딥러닝 기반 전기 스파크 감지 기술에 관해 연구할 예정이다.