무선 센서 네트워크 토폴로지가 PHM 성능에 미치는 영향

초록

본 논문은 무선 센서 네트워크(WSN)의 네 가지 대표 토폴로지(분산, 계층, 중앙집중, 분산‑중앙)와 여섯 가지 머신러닝 기반 진단 알고리즘을 결합해, 토폴로지 변화가 에너지 소비, QoS, 데이터 정확도 및 예측·진단 성능에 미치는 영향을 시뮬레이션으로 평가한다.

상세 분석

본 연구는 WSN 토폴로지가 PHM(예측·건강 관리) 시스템의 핵심 성능 지표에 어떻게 영향을 미치는지를 체계적으로 분석한다. 먼저, 네트워크 에너지 소모의 주된 원인인 패킷 전송 비용을 토폴로지별로 정량화하였다. 중앙집중(스타) 구조는 모든 센서가 단일 싱크에 데이터를 전송하므로 전송 거리가 짧아 단일 전송당 에너지 비용은 낮지만, 싱크 노드의 과부하와 단일 실패점(single point of failure)으로 인한 네트워크 전체 다운 위험이 크다. 반면, 분산 구조는 각 노드가 동등한 역할을 수행하고 다중 경로를 활용해 링크 손실에 강인하지만, 데이터 전송 경로가 길어지고 중복 전송이 발생해 전체 에너지 소모가 증가한다. 계층(트리) 구조는 루트‑중간‑리프 3계층으로 구성돼, 데이터 집계와 라우팅을 단계별로 수행함으로써 전송 거리와 횟수를 최적화한다. 그러나 트리 깊이가 깊어질수록 상위 노드의 에너지 고갈이 급격히 진행돼 전체 네트워크 수명이 제한된다. 분산‑중앙(클러스터) 구조는 클러스터 헤드가 지역 데이터를 집계하고 싱크와 통신하므로, 전송 횟수와 거리 모두를 절감하면서도 단일 싱크에 대한 의존성을 완화한다. 실험에서는 300개의 센서를 3가지 물리량(온도, 압력, 습도)으로 구분하고, 각 센서는 배터리 300 u를 보유한다. 센서 데이터는 시간에 따라 평균이 선형적으로 증가하는 가우시안 분포를 따르며, 고장 상황에서는 평균과 분산이 급격히 변하고 고장 센서는 고정값(2, 1, 3)으로 출력한다. 고장 발생은 포아송 프로세스로 모델링돼, 시간 t가 증가함에 따라 고장 확률이 상승한다. 이러한 시뮬레이션 환경에서 SVM, NB, RF, GTB, TBFS, NN 등 6가지 진단 알고리즘을 적용해 정상/비정상 상태를 분류하였다. 결과는 계층 및 분산‑중앙 토폴로지가 에너지 소모와 데이터 손실을 균형 있게 관리해 진단 정확도를 8‑12 % 정도 향상시키는 반면, 중앙집중 토폴로지는 초기 정확도는 높지만 노드 고갈 시 급격히 성능이 저하되고, 순수 분산 토폴로지는 에너지 소모가 가장 크지만 고장 복원력이 뛰어나다는 점을 보여준다. 또한, 데이터 집계 과정에서 발생하는 정보 손실이 진단 오류율을 증가시키는 주요 원인으로 확인되었으며, 클러스터 헤드 선택 알고리즘의 최적화가 전체 시스템 신뢰성을 크게 좌우한다는 인사이트를 제공한다. 본 논문은 토폴로지 설계 단계에서 에너지 효율, 데이터 정확도, 장애 복원력 간의 트레이드오프를 정량적으로 평가함으로써 PHM 시스템 구축 시 토폴로지 선택이 얼마나 중요한지를 강조한다.