Editorial Board

광원 모듈은 광섬유에 입사할 광 펄스 신호 및 이의 증폭을 위한 보조 신호를 생성하는 역할을 한다. Fig. 1은 이러한 광원 모듈의 구성도를 보여준다. 광 펄스 신호는 Seed LD (laser diode)와 Optical Switch, 증폭 보조 신호는 Pump LD를 통해 생성된다. 이때 각 LD 및 Optical Switch를 제어하기 위한 온도 및 전류값은 제어 모듈의 DAC (digital to analog converter)에 의해 주어지며, 이 값들을 모니터링하기 위해 구동 회로로부터 전기 신호를 받아 ADC (analog to digital converter)에 의해 다시 제어 모듈로 전달된다.

Fig. 1. 
Block diagram of optical source module.

DAS 장치의 Seed 광 신호 생성 시 매우 좁은 선폭의 1550 nm 파장대 고출력 LD 소자가 필요하며, 이를 정밀하게 제어하기 위한 전류 및 온도 제어 회로를 설계/제작하였다. LD 바이어스 전류는 최대 160 mA 공급이 가능하며, 전류 공급 확인을 위한 모니터링 회로가 부가되었다. 온도 제어는 ±1.5A TEC (thermoelectric cooling) 소자 회로를 통해 이루어지며, 제어 정밀도는 0.001°C 수준으로 구현하였다. 선정된 소자들과 제작된 구동 회로들의 성능 평가를 수행하여 Seed LD 광 출력 파워 약 17.86 mW, 출력 파장 1548.2 nm, 선폭 13 kHz의 사양을 확인하였다.

Seed LD에서 생성된 광 신호를 변조하여 광 펄스 신호를 생성하기 위해서 고속의 광 펄스 신호 생성이 가능한 SOA (semiconductor optical amplifier) 소자를 Optical Switch로 활용하였으며, 1550 nm인 Seed LD 광 신호의 펄스 변조를 위한 광 파장 특성과 고품질 펄스 생성을 위한 60 dB 소광비 및 1 ns 스위칭 속도를 가지는 소자를 선정 및 적용하였다. Optical Switch 소자의 구동을 위해 최대 700 mA 바이어스 전류 공급이 가능한 회로 및 모니터링 회로, 10~100 ns 광 펄스 생성이 가능한 전기 펄스 생성 회로를 설계/제작하였다. 제어모듈의 FPGA (field programmable gate array)를 통해 변조 펄스폭을 조정하여 검증한 결과 제어값에 부합하는 광 펄스폭 신호 생성을 확인하였으며, 같은 방법으로 펄스 반복률을 검증한 결과 최대 10 kHz 펄스 반복률이 가능함을 확인하였다.

광학계 광 신호 증폭단에 980 nm 대역 고출력 광 신호를 전송하기 위한 Pump LD 소자는 EDF (erbium-doped fiber) 여기(excitation)를 위한 100 mW 이상의 고출력 LD를 적용하였으며, 최대 1000 mA 전류 공급이 가능한 회로 및 고정밀 온도 제어 회로를 설계/제작하고 검증을 수행한 결과 210 mA 바이어스 전류 조건에서 103.4 mW 의 충분한 출력을 확보하였다.

광학계 모듈은 광 신호 진행 경로를 제어하는 광 신호 순환부와 광원 신호 및 센싱 신호를 증폭하는 EDF 기반 광 신호 증폭부로 구성된다. 광 순환부는 Optical Circulator를 사용하여 광원 신호는 센싱 광섬유로, 센싱 광섬유로부터 되돌아온 측정 신호는 광 수신부로 전달하며, 이때 광손실은 최소화하는 것이 중요하다. 광신호 증폭부의 경우 광원 송신단의 2단계, 센싱 신호 수신단의 2단계, 총 4단계 광 신호 증폭이 가능하도록 설계/제작하였다. 증폭부 후단에는 ASE (amplified spontaneous emission) 노이즈를 제거하기 위해 Seen LD의 파장 영역만 통과시키는 대역통과필터를 부가하였다. Fig. 2는 이러한 광학계 모듈의 구성도를 보여준다.

Fig. 2. 
Schematic of optical system.

광검출 모듈은 측정된 광 신호를 전기 신호로 변환하는 광검출 소자 회로 및 전기 신호를 증폭하는 증폭 회로로 구성되며, 1550 nm 대역 광 신호의 광전 변환이 가능한 InGaAs Pin Photodiode소자가 사용된다. 광검출 소자의 동작을 위해 ±5 V의 전압을 안정적으로 공급할 수 있는 회로와, 광검출 모듈로부터 출력되는 전류를 전압으로 변환하고 증폭 시켜주는 TIA (transimpedance amplifier) 회로를 설계, 제작하였으며, 회로 전체의 증폭률 계산 결과 49.96 dB로 충분한 증폭률을 보이는 것으로 확인하였다.

하드웨어의 전체적인 제어 기능을 수행하는 FPGA 기반 제어모듈과, 이와 연계되는 제어 소프트웨어를 설계하고 제작하였다. 제어 모듈은 각 하드웨어 모듈을 제어하기 위한 핵심로직이 구동되는 FPGA 칩과 그 주변 회로, 제어 소프트웨어와 연동을 위한 USB 인터페이스 칩 및 구동 회로로 구성되며, FPGA 및 USB 컨트롤러에 탑재되는 펌웨어도 자체 구현하였다.

FPGA의 로직 블록은 크게 광원 제어, 광검출 제어, ADC 제어, USB 인터페이스 제어, 메인 블록의 다섯 가지로 구성되어 있으며, 각 블록 별로 세부적인 제어를 담당한다. USB 컨트롤러는 제어 소프트웨어가 구동되는 외부 PC와 제어 모듈의 중간에 위치하여 제어 소프트웨어로부터 전송되는 명령 코드를 FPGA에 전달하는 역할을 하며, ADC모니터링 값들을 제어 소프트웨어로 전달하는 역할도 한다.

제어 소프트웨어는 내장 PC에 위치하며 사용자에게 GUI를 제공하여 임의의 제어 값을 설정하거나, 수집한 데이터를 가시화하여 보여주는 역할을 한다. 이때 제어 명령 및 데이터 송수신은 유저레벨 USB 드라이버를 통해 이루어지며, USB 통신 패킷 구조 설계 및 USB 인터페이스 함수 기반 고수준 명령 함수를 설계하고 구현하였다. 통신 패킷은 타깃 모듈을 지정하는 모듈 주소 부분과 각 기능별 고유의 명령코드 및 전달인자로 구성된다.

제작된 각 모듈 및 부속품들을 수용할 수 있는 19인치 랙 거치형 케이스 및 모듈 배치를 위한 내부 기구물들을 설계, 제작하였다. 케이스 내부에 각 모듈과 장치내장용 산업용 PC를 적절히 배치하고 연결하여 통합 시제품의 형태로 제작하였으며, 최종적으로 완성된 장치의 모습은 Fig. 3과 같다.

Fig. 3. 
DAS prototype system; (a) Appearance, (b) Innards.

DAS 신호의 전처리는 이상치(outlier) 제거와 측정 광섬유 내 광 신호 감쇠를 보정하기 위한 감쇠보정의 두 가지로 나누어진다. 이상치는 연속적인 위치에서 주변의 음향·진동 신호와 시간적/공간적 연관성을 보이지 않는 신호다. 통계적 관측치에서 벗어나는 패턴을 야기하기 때문에 딥러닝 모델에 입력되면 결과를 왜곡시키는 요인이 된다. 이를 효율적으로 제거하기 위해 여러 가지 필터링 기법들 – Input, Diffusion (gaussian, anisotropic), Median Filter, Bilateral Filter – 을 DAS 신호에 적용하여 비교 분석한 결과, Median Filter를 통해 원본 신호의 크기를 왜곡하지 않고 이상치만 효과적으로 제거할 수 있었다. 또한 일반적으로 광 신호는 광섬유를 도파 하면서 그 세기가 일정 비율로 감쇠하는 특징이 있는데, 이에 따라 수집된 신호 데이터의 크기도 감쇠한다. 이러한 신호 감쇠는 거리별 지수형태의 특성을 가지며, 시작 및 종단 지점의 평균 파워를 계산하여 감쇠 계수를 도출하고 감쇠곡선 이론으로 보정곡선을 추정하여 감쇠를 보정한다.

딥러닝 기반 분류 알고리즘을 개발하여 DAS 장치로부터 수집되는 음향 및 진동신호 패턴을 분석하여 침입 이벤트의 종류를 판단한다. 수집된 시간과 거리 값을 기준으로 데이터 세트를 생성하고 특정 시간 단위(타임 프레임)로 처리된 데이터를 쌓아 거리와 시간에 대한 2차원 컬러맵 데이터로 변환한 후 이에 대한 CNN 기반 학습 모델을 개발/적용하였다. 딥러닝 모델은 Convolution 레이어 3개, Maxpooling 레이어 3개, Flatten 레이어 1개, Dense 레이어 1개, Dropout 레이어 1개를 이용하여 구성되었으며, 다중 분류 문제를 풀기 위한 활성화 함수로 softmax 값을 마지막 레이어에 설정하였다. 손실 함수는 categorical _crossentropy, 최적화 함수는 adam을 사용하였다. Fig. 4는 Python으로 작성된 모델 구현 및 그 결과를 보여준다.

Fig. 4. 
Deep learning model written in Python; (a) Model implementation codes, (b) Model summary output.

딥러닝 추론을 통해 침입감지 이벤트 분류 결과를 시각화하여 사용자에게 제공하기 위한 웹 기반 시각화 시스템을 제작하였다. 시각화 시스템의 개발 및 구동 환경은 우분투 GNU/Linux, MySQL, Spring 프레임워크이며, DB에 저장된 침입 이벤트 분류 결과를 시각화하여 표시한다. 총 6가지 침입 이벤트를 분류하여 발생 위치를 GIS (Geographic Information System) 기반해 표시한다. 또한 이벤트 이력 및 통계 관리 기능도 제공한다. Fig. 5는 제작된 시각화 시스템의 UI 화면이다.

Fig. 5. 
Visualization system screenshot.