머신러닝을 응용한 대기압 플라즈마의 실시간 진단법

Machine Learning for Real-Time Diagnostics of Cold Atmospheric Plasma Sources

Citation: IEEE TRANSACTIONS ON RADIATION AND PLASMA MEDICAL SCIENCE, VOL. 3, NO. 5, SEPTEMBER 2019
Journal/Conference: IEEE
Review: No
Tags: ML/DL진단, OES진단, 실험장비
요약: 아두이노와 라즈베리파이를 이용해 DATA 수집을 자동화했으며, 빅데이터 기반의 머신러닝알고리즘(Linear Reg, k-Means clustering, Gaussian Reg)을 통해 OES, Acustic signal(마이크)데이터를 처리하여 대기압 플라즈마를 실시간으로 진단(Tr, Tv, Substrate종류)
주저자: GIDON
출간연도: 2019

핵심 요약

💡 아두이노와 라즈베리파이를 이용해 DATA 수집을 자동화했으며, 빅데이터 기반의 머신러닝알고리즘(Linear Reg, k-Means clustering, Gaussian Reg)을 통해 OES, Acustic signal(마이크)데이터를 처리하여 대기압 플라즈마를 실시간으로 진단(Tr, Tv, Substrate종류)

---

Introduction

• 저온 대기압 플라즈마(CAP)은 암치료, 상처회복, 흉터제거, 박테리아 살균 등 다양하게 응용되고 있다.
• 플라즈마의 특성상 발생환경에 변화가 생기면 의도했던 효과가 나타나지 않을 수 있다.
  • 온도 및 화학종 농도의 급격한 변화
  • 습도 및 처리표면성질(금속, 유전체)에 대한 민감도
  • 스파크 방전으로의 전환
• 플라즈마 의료기기는 생명체와 복잡한 상호작용을 통해 의학적 효과를 내기 때문에 플라즈마를 실시간으로 모니터링하는 것이 중요하다.
• 플라즈마를 실시간으로 모니터링함으로서 비정상적인 작동조건을 감지하고 진단 할 수 있다.
• 플라즈마 모니터링으로 인해 플라즈마 기기의 작동신뢰를 얻을 수 있고 이를 기반으로 더 많은 응용이 가능해진다
• 플라즈마의 정량적인 진단은 LIF, 질량분석기와 같은 장비를 이용해 까다로운 실험조건에서 측정해야한다. 이러한 정량적 측정방법은 실시간 진단을 하기에 적합하지 않다.
• OES와 음향신호는 플라즈마에 대한 다양한 정보를 담고 있지만 간접적인 정보를 담고 있기에 물리량을 도출하기까지 많은 계산이 필요하기에 실시간으로 진단하는데에 어려움이 있다.

---

Literature Review

• O’Connor[21]의 연구는 OES분석에서 기존의 시뮬레이션을 이용해 합성스펙트럼을 생성하고 측정데이터에 맞춰서 분석하는 방법[19,22]이 아닌 대규모 데이터셋에서 상관관계를 이용해 진단하는 방법을 도입했다. “시뮬레이션이 아닌 Data Driven 분석”
• Law [25]의 연구는 대기압 DC 플라즈마 음향데이터 분석을 통해 프로세스 제어, 전력진단, 표면특성 등 다양한 플라즈마 특성을 진단했다.
• O’Connor과 Daniels[26]은 플라즈마 음향데이터를 웨이블렛 변환을 사용해 플라즈마 모드 및 스파크와 같은 이상발생을 감지했다.
• Walsh[27]의 연구에서 전압-전류데이터에서 전류신호의 phase-space representations이 플라즈마 모드구별에 도움이 된다는 것을 알아냈다.
• Liu와 Kong[28]의 연구에서 습도가 있을때 모드의 구분이 복잡해진다는 것을 알아냈다.
• Law [29]는 실시간 진단 및 프로세스 제어를 위한 음향데이터와 전류신호의 적용을 검토했다
• 플라즈마의 진단과 프로세스 제어를 위한 머신러닝응용은 학계에서 떠오르는 분야이다[42]
• 이 연구에서 머신러닝을 응용해 장비의 한계(LIF와 같은 복잡한 광학장비)또는 분석에 필요한 시간(시뮬레이션을 이용한 OES의 고전적인 분석)으로 실시간으로 얻기 어려운 플라즈마 물리량을 예측하여 플라즈마 진단에 응용합니다.

---

Tools & Method

• 머신러닝 알고리즘
  • RMSE와 오차비율을 평가지표로 활용
  • Linear Regression
  • k-clustering
  • GP Regression (Gaussian Process Reg)
• 아두이노를 이용해 유량,Freq,음향신호증폭기, step-motor제어하여 실험조건에 따른 측정을 자동화하였다
• 라즈베리파이를 이용해 측정값을 이용한 ML분석을 자동화했다

---

Main Features

실험목표

• OES를 사용하여 Rotational Temp과 Vibrational Temp를 측정
• OES를 사용하여 기판의 특성을 판별(유전체,도체)
• 플라즈마 음향신호 진단을 통해 전극-기판의 거리를 진단

Massive OES를 이용해 OES데이터에서 Trot와 Tvib를 계산할 수 있다.

실험조건을 변화시켜가며 Rotational Temp, Vibrational Temp 진단( Linear Regression을 이용한 진단방법과 Massive OES를 이용한 진단과 비교결과 거의 차이가 없다)

• Data Driven OES 진단 : Linear Regression, Massive OES
  • Massive OES를 이용해 학습데이터 셋의 Vibraional Temp와 Rotational Temp를 계산한다
  • Linear Regression으로 학습데이터의 온도데이터와 OES파장데이터를 학습한다
  • 학습된 Linear Reg모델과 OES데이터를 이용해 온도를 예측한다

OES Data Driven 기판 상태분류

• 처리하는 표면정보를 알아내는건 실제 실험에서 번거로운 일이다.
• OES데이터를 이용해 표면 정보를 알아낼 수 있다
• (a)비지도학습인 K-means clustering을 통해 OES데이터를 2개로 분리했다
• (b)Massive OES로 계산한 Trot와 Tvib를 통해 기판에 따라 2개의 클러스터링이 나뉜다는 것을 확인했다.

• 플라즈마 음향 데이터 분석
  • Fig6. 기판과 거리에 따른 플라즈마 음향 데이터를 푸리에변환한 데이터
  • 푸리에 변환 데이터와 실제거리를 학습하여 기판과의 거리를 예측한다
  • Fig7. GP regression을 이용해 기판과 전극사이 거리를 예측(실체 거리와 음향데이터를 이용해 GP regression한 데이터 비교)

---

Conclusions

• OES데이터를 Linear Regression을 적용하여 Vibrational Temp과 Rotational Temp을 계산했다.
• OES데이터를 K-means clustering을 적용하여 기판의 특성(유전체, 금속)을 구별했다.
• 플라즈마 음향데이터를 GP Regression을 적용하여 기판과 전극사이 거리를 계산했다.

저자는 Massive OES를 통해 Trot, Tvib를 계산한 다음
이 값에 해당하는 OES 파장정보와 Trot, Tvib를 학습시켜서 후에는 OES데이터만을 이용해 실시간으로 Tvib, Trot을 예측했다. 예측한 값은 Massive OES를 통해 계산한 값과 유사한 패턴을 보였다.
일일히 스펙트럼 라인을 분석하고 계산하여 온도를 계산한 것이 아니라 OES데이터만 때려넣어서 적은 계산자원으로 실시간으로 진단할 수 있었다.

---

연구아이디어

• Rotational Temperature과 Vibrational Temperature를 얻기 위해선 OES 측정이 필요하다
• 마이크 증폭 모듈(MAX4466)을 이용해 플라즈마의 Flow mode, 작동이상, 아크발생을 진단할 수 있다
• ML을 이용하기 위해 측정을 자동화하는 게 중요하다. 이를 위해 저자는 아두이노(실험조건설정자동화)와 라즈베리파이(실험계산/알고리즘 적용 자동화)를 이용했다.
• 실시간 진단에서는 양적진단을 계산비용과 측정방식의 엄밀함으로 인해 실제로 적용하기에 무리가 있다. 정확한 양적진단이 아닌 시계열에 따른 추제를 파악함으로 플라즈마의 작동모드와 이상을 탐지하는데에 집중한다
• OES와 가스분석기를 이용해 라디칼을 진단한다 → 가스분석없이 OES만 가지고 라디칼농도나 변화량을 계산할 수 있다.