Ⅰ. 서론

국립환경과학원(NIER)과 미국항공우주국(NASA)이 합동으로 서울시 내 대기질을 분석한 결과 미세먼지 기여율은 한국 내(25%), 국외(48%)로 나타났으며 미세먼지 발생의 근원적인 원인과 발생위치가 어디인지 추적과 관리를 위해 노력이 필요한 것으로 나타났다^[1]. 도시 대기 측정 장비의 정확도에도 불구하고 장비의 수가 충분하지 않고 멀게는 수km의 거리가 떨어진 대표 광대역 공기 질 데이터로는 개인이 느끼기에는 현재 위치의 미세먼지 체감도와는 현저한 차이가 있다^[2]. 측정장비가 고정형으로 특정 지역의 미세먼지 수치를 정확히 제공하기 어려우며 공장지대, 산간지역, 댐, 하천 등의 다양한 지역의 대기 중 상황도 상세히 분석하여 측정 및 관리가 필요하다.

본 연구에서는 특정 지역에서 시간의 흐름에 따라 미세먼지 수치 변화를 측정하기 위한 방안으로 위치에 제한 없이 언제 어디서나 자율적으로 이동 비행할 수 있는 쿼드콥터에 IoT센서를 융합하여 미세먼지 측정 시스템을 설계하였으며, 본 시스템을 직접 제작 및 실험을 통하여 현장에 적용 가능함을 확인하고자 하였다.

2차례에 걸쳐 특정 장소에서 본 시스템으로 측정한 수치는 PM25 기준으로 동일장소에서 1차 2.4 ~ 3.5 μ g/m3, 2차는 3.2 ~9.6μg/m3를 측정하였다. 측정 수치 간 차이가 최대 200%의 변화폭이 있음을 확인하였다. 최종적으로는 미리 선정한 5곳(측정 위치 간 5~9km 거리)에서 시간의 흐름에 따라 미세먼지를 측정하였으며 2.6 ~ 5.7μg/m3를 기록하여 위치 별로 변화폭이 46% ~ 217%의 차이를 확인할 수 있었다.

이를 통하여 조밀한 지역이나 특정 위치에서 신뢰성 있는 정보를 제공하기 위해 이동이 자율적으로 가능한 쿼드콥터에 IoT기반 센서 측정시스템을 통하여 미세먼지의 근원적인 발생에 대한 이해를 증진시킬 수 있을 것으로 기대한다.

Ⅱ. 본론

1. IoT 개요와 미세먼지

IoT(Internet of Things)는 이미 우리의 일상생활에 밀접하게 연결되어 살아가고 있다고 해도 과언이 아니다. 기기간 통신, 사람과 기기간 통신등 다양한 형태로 언제 어디서나 현실과 가상세계를 넘어서 지능화된 융복합 서비스가 가능한 초연결 사회로 발전하고 있다.

가정에 있는 공기청정기가 대표적이라고 할 수 있다. 외출했다가 밖에서 집안의 미세먼지 상태를 원격으로 확인하고 자동으로 미리 가동시키는등 밀접하게 IoT 기술과 디바이스, 각종 센서와 연결된 장치들을 손쉽게 이용하고 있다.

2. 미세먼지 센서와 특징

미세먼지센서는 측정하는 방식에 따라 LASER방식과 LED방식이 있다. 정확도에서는 LED방식이 높고, 인식할 수 있는 입자의 크기는 LASER방식이 LED 방식보다 더 작은 지름의 미세먼지를 측정할 수 있다. 또한, 안정성과 오염방지성 등은 LASER방식이 좋으나 가격적인 측면에서는 LED방식이 더 저렴하다.

표 1은 미세먼지 센서 방식별 비교이다. LASER 타입의 미세먼지 측정센서가 LED보다는 가격이 높으나 더 정밀한 측정과 다양한 형태로 활용이 가능하다.

표 1. 미세먼지 센서 방식 비교

Table 1. Comparison by Fine Dust Sensor Methods

3. 쿼드콥터와 비행센서

쿼드콥터를 조종하는 방식은 크게 3가지가 있다. 첫 번째는 대부분 사용하는 방식으로 수신기와 송신기(조정기)를 이용하여 쓰로틀, 전.후, 좌.우 등을 조종할 수 있다. 드론이나 쿼드콥터를 취미로 하는 형태가 대부분이다. 두번째와 세번째는 자율비행을 이용한 방식은 동일한데, 위치를 사전에 정의된 위치와 고도, 지정된 속도에 의해서 이동할 수 있는 방식과, 전체를 프로그래밍을 통하여 위치, 높이, 이동속도 등을 통하여 자동으로 비행하는 형태가 차이가 있다. 본 연구에서는 자율비행 형태를 구현하고자 한다.

본 연구에서는 로터(프로펠러)가 4개인 쿼드콥터를 선정하여 진행하고자 한다. 쿼드콥터(Quad Copter)는 구조적으로 안정성이 뛰어난 용도로 사용되는 멀티콥터 중의 하나다. 다양한 IoT 디바이스 부착이 용이하고 연결성과 통신성에 장점이 있다. 또한 카메라 연결이 가능하고 라즈베리파이 장치 연결을 통하여 다양한 IoT 플랫폼으로 활용이 가능하다.

픽스호크와 같이 비행조종장치 역할을 통하여 다양한 센서로부터 수집된 데이터를 통하여 비행의 안정성 확보와 속도, 구동계 연동을 통하여 방향전환 등을 관장하는 비행조정장치(Controller)가 있다.

비행중인 쿼드콥터의 가속도를 측정하는 가속도계, 위치 변위의 X, Y, Z 3개 축의 변화량을 통하여 회전력을 관장하는 자이로스코프(GyroScope), 정확한 진행 방향을 유지하고 관장하는 속도계, 자이로스코프외에 센서값을 보정하는 콤파스(Compas)등이 있다.

4. 미세먼지 측정방법 개선점

한국기상청에서 측정하고 있는 미세먼지는 위치적 조밀도 기준으로 약 67km²의 밀집도를 보여주고 있다. 이는 우리나라 전체 면적이 100, 210km²로 단위면적 67km²당 1개의 측정소가 있다는 것이다. 단위 면적당 미세먼지를 측정하는 조밀도가 촘촘하지 않다는 것이다.

특정 위치의 미세먼지 측정값이 광역 공기질의 대표 값으로 제공되기 때문에 위치 별 측정 정보에 대한 신뢰성 향상이 필요하다. 미세먼지 측정의 신뢰성을 향상 시키기 위해서는 상당히 넓은 지역의 미세먼지 대표 측정값 방식을 개선하여 조밀지역의 작은 단위까지 데이터를 제공할 수 있어야 한다.

특정지역에서의 갑작스런 화재발생이나 급격히 나빠진 미세먼지 변화 상황을 상세하게 감지하고 측정하여 분석할 수 있어야 한다. 이를 통하여 지역을 세분화하여 실시간 미세먼지 변화 대응이 가능하도록 다양한 위치에서 데이터를 충분히 확보 해야한다.

Ⅲ. 시스템 설계 및 구현

1. HW 설계 및 구현

쿼드콥터를 이용한 미세먼지 측정 시스템(QDMS: QuadCopter fine Dust Measurement System)의 하드웨어와 소프트웨어간 전체 구성도는 그림 1과 같다. 픽스호크는 파워모듈에 연결된 리튬이온 폴리머 배터리의 전원을 통하여 전원이 공급된다.

그림 1. QDMS 시스템 물리 구성도

Fig. 1. Diagram of QDMS Physical Configuration

방향전환과 비행을 관장하는 ESC(Electronic SpeedControl)에 제어 신호로 모터를 구동하게 된다. 제어신호는 송신기를 통하여 픽스호크에 연결된 리시버에 신호를 수신하여 구동될 수 있으며, 라즈베리파이와 픽스호크는 USB to TTL을 이용하여 MAVLink통신으로 라즈베리파이에 설치된 ROS(Robotic OS)를 연결시키고 프로그래밍으로 픽스호크에 자율 비행을 위한 제어 신호를 전달하여 구동하게 된다. 미세먼지 센서 2개를 장착하여 실제 지상관측소에서의 측정값과 비교하여 측정값 차이를 확인하고자 한다.

2. SW 설계 및 구현

QDMS 시스템은 라즈베리파이에 오픈소스인 ROS를 설치하여 픽스호크와 MAVLink 통신하는 자율 비행 쿼드콥터를 설계하였다. 그림 2은 SW 설계 구조로, 라즈베리파이에 구성된 OS상에 ROS를 구성하고 픽스호크와 MAVLink 통신을 위한 MAVROS를 구성한다. 라즈베리파이는 파이썬 코딩을 통하여 위치나 궤적같은 명령을 PX4에 전달하는 역할을 한다. 픽스호크는 전달받은 명령을 PX4 flight stack에서 기본적인 모터구동과 GPS 등을 제어하게 된다.

그림 2. QDMS SW설계구조

Fig. 2. Diagram of QDMS SW Configuration

프로그래밍중 첫번째는 자율 비행을 위하여 개방형 SW인 ROS 기반의 통신을 이용하여 FC(Flight Controller, Pixhawk)를 제어하여 고도와 속도 위치를 제어하는 자율 비행하는 프로그램이다.

두번째는 라즈베리파이에 연결된 미세먼지 센서를 통해서 입력된 PM10, PM25의 데이터를 수집하는 모듈이 있다. 미세먼지 센서는 데이터의 신뢰성을 확보하기 위하여 2개를 쿼드콥터 앞, 뒤에 설치하였다.

센서는 3초 간격으로 20회 수집 후 5초 슬립모드 후 재수집 형태로 설정하였으며, 20회 수집된 결과 데이터에서 전체 평균치를 산출하도록 구현하였다.

데이터의 신뢰를 높이기 위하여 2개의 센서 모두 동일하게 설정하여 데이터 측정값을 서로 비교할 수 있도록 하였으며, 분석을 통하여 센서간 측정값 차이를 비교하였다.

3. 실험 및 고찰

QDMS 시스템으로 측정한 미세먼지 데이터의 검증 및 비교를 위하여 ‘고양시 덕양구 신원2로 신원도서관’에 위치한 경기도 보건환경연구원에서 운영하는 도시 대기측정소(측정항목: SO₂ CO O₃ NO₂ PM10 PM2.5) 데이터와 비교 검증을 실시하였다. 1차 2020년 3월 15일, 2차 3월 22일 데이터는 표 2과 같다.

표 2. 3.15, 3.22 공공데이터 미세먼지 PM25

Table 2. Result of PM25 at 3.15 & 3.22

공공데이터는 1시간 평균 데이터만 제공하고 있으며, 일부 데이터의 유실도 존재한다.

QDMS 시스템으로 동일장소에서 측정한 데이터는 표 4와 같으며 평균 수치는 2.94μg/m3이다. 센서 간의 차이는 0.1 ~ 0.2μg/m3를 기록하였으며, 측정치는 2.4 ~ 3.5μg/m3의 수치를 기록하였다. 당시 온도는 0℃ ~ 9℃이고, 약간 흐린 날씨를 기록하였다.

표 3. QDMS로 측정한 1차 결과(3.15)

Table 3. Result of PM2.5 Measurement(3.15)

2차 측정결과 평균치 5.0μg/m3를 기록하였다. 결과는 표 4와 같다. 센서 간 측정치 차이는 0.1 ~ 1.3μ g/m3이며, 측정치는 3.2 ~ 9.6μg/m3의 수치를 기록하였다. 날씨는 6 ~ 17 ℃이고, 맑은 날씨이다.

표 4. QDMS로 측정한 2차 결과(3.22)

Table 4. Result of PM2.5 Measurement(3.22)

QDMS로 측정한 데이터와 공공데이터를 비교한 결과는 그림 3과 같으며 공공데이터와 약 167% ~ 400%의 데이터 변화 차이를 보여주고 있다.

그림 3. 1차 측정 비교(QDMS vs 공공, 3.15)

Fig. 3. Comparison of QDMS vs Public

QDMS 시스템으로 측정한 최소, 최대값 변화폭은 약 46%의 차이가 있음을 보여주고 있다.

2차 결과 비교에서도 QDMS시스템으로 약 200% 데이터 변화 차이가 있음을 보여주고 있다.

그림 4. 2차 측정 비교(QDMS vs 공공, 3.22)

Fig. 4. Comparison of QDMS vs Public

공공데이터와 비교를 통하여 QDMS 시스템에서의 시간 변화에 따른 데이터 차이를 확인하였다. 데이터의 추가적인 검증과 비교를 위하여 고양시 측정 위치 5곳을 선정하여 측정값 차이를 분석하였다. 그림 5은 선정한 5곳(1~5)과 함께 측정소(가~마)가 위치한 곳을 표시한 것이다.

그림 5. 데이터 검증용 5곳 및 측정소 4곳

Fig. 5. 5 for data verification and 4 measuring stations

선정한 장소에서 약 10~15분간 측정을 하였으며 측정한 5곳 각각의 평균 측정치는 2.6 ~ 5.7μg/m3를 나타냈으며 주변 측정소 4곳의 값은 0 ~ 6μg/m3이다.

위치별 측정치가 공공데이터와 비교했을 시 전체적으로 큰 차이점은 없었다.

QDMS 시스템으로 측정한 위치 별 최소값 대비 최대 값의 차이는 46% ~ 217%까지를 보여주고 있으며, 특정 위치와 시간대별로 서로 다른 데이터를 보여주고 있다.

그림 6은 5곳의 QDMS 시스템으로 측정한 결과와 공공데이터를 비교한 그래프이다.

그림 6. QDMS측정 vs 공공(5곳)

Fig. 6. Comparison of QDMS vs Public(5 Places)

Ⅳ. 결론

본 연구에서는 개방형 소프트웨어를 활용하여 쿼드콥터에 미세먼지 IoT 센서를 장착하여 측정할 수 있는 시스템을 설계, 제작, 구현 및 실험을 통하여 비교 검증을 실시하였다.

현재 공공데이터에서 제공하고 있는 미세먼지 데이터는 광역 공기질을 제시하기에는 한정적이며 본 연구를 통하여 특정지역에 상세한 데이터를 제시할 수 있는 방안을 제안하였다.

QDMS 시스템은 공공데이터와 비교하여 특정 측정소 주변에서 2회 데이터를 측정하여 비교하였으며 1차 2.4 ~ 3.5μg/m3(공공데이터 6μg/m3), 2차 3.2 ~ 9.6μ g/m3(공공데이터 20μg/m3)로 동일 장소에서 시간의 흐름에 따라 큰 변화폭을 확인하였다. 또한 거리가 떨어진 5곳을 측정하였을 때도 2.6 ~ 5.7μg/m3를 측정하였다. 특정위치에서 시간의 흐름에 따라 미세먼지 데이터의 변화가 큰폭이 있음을 확인하였다.

그러나, 본 논문에서의 QDMS 시스템은 도로의 상황, 실시간 오류 가능성, 실측의 현실적인 차이가 발생될 수있으므로 비상시 화재, 산불, 폭발등으로 발생되는 대기 질, 미세먼지 등의 실시간(1분, 10분, 30분, 1시간등) 모니터링과 측정하는데 활용도가 있음을 제안한다. 또한, 배터리 용량의 문제와 지상에서 비행을 자유롭게 할 수 있는 무인비행장치의 법적인 제약도 해결해야 한다.

끝으로 본 논문의 연구 및 관련 기술이 미세먼지 측정에 있어서 다양한 형태로 발전될 수 있는 토대가 되기를 바라며 향후 AI와 빅데이터 분석을 접목하여 QDMS 시스템의 신뢰도를 향상시킬 수 있을 것으로 기대한다.