# 가속도계 (Accelerometer)

## 1. 개요
가속도계(Accelerometer)란 물체의 가속도(단위 시간당 속도의 변화율)를 측정하는 센서로, 정지 상태에서는 중력 가속도를 통해 기울기를 측정하고 이동 상태에서는 선가속도를 측정하는 장치이다. 가속도계는 뉴턴의 제2법칙($F=ma$)에 기반하여 관성 질량에 가해지는 힘을 전기적 신호로 변환하며, 현대의 스마트 기기부터 정밀 산업 장비에 이르기까지 동적 상태를 감지하는 핵심 부품으로 활용된다.

## 2. 작동 원리 및 유형
가속도계는 실제 운동 가속도(Linear Acceleration)와 중력 가속도(Gravity)의 합을 측정한다. 따라서 측정된 값에서 중력 성분을 분리해야 순수한 운동 가속도를 얻을 수 있다.

가속도계의 기본 물리 구조는 **관성 질량(Proof Mass, 이하 질량체)**과 이를 지지하는 **스프링-댐퍼 시스템(Spring-Damper System)**으로 구성된다. 외부에서 가속도가 발생하면 관성에 의해 질량체가 이동하며, 이때 발생하는 변위나 압력을 전기적 신호로 변환하여 가속도 값을 산출한다.

### 2.1 측정 방식에 따른 분류
| 유형 | 작동 원리 | 장점 | 단점 | 주요 용도 |
| :--- | :--- | :--- | :--- | :--- |
| **MEMS** | 미세 기계 가공 기술을 이용한 정전용량 변화 측정 | 초소형, 저전력, 저렴한 가격 | 상대적으로 높은 노이즈 | 스마트폰, 웨어러블 |
| **압전식 (Piezoelectric)** | 압전 소자에 가해지는 압력에 의한 전하 발생 측정 | 고주파 응답성, 높은 내구성 | DC(정적) 가속도 측정 불가 | 산업 진동 분석, 충격 테스트 |
| **정전용량식 (Capacitive)** | 두 전극 사이의 거리 변화로 인한 커패시턴스 변화 측정 | 높은 감도, 낮은 주파수 측정 가능 | 온도 변화에 민감함 | 정밀 수평계, 항공우주 |
| **진동빔 (Vibrating Beam)** | 빔의 진동 주파수 변화를 측정 | 매우 높은 정밀도, 안정성 | 구조가 복잡하고 고가임 | 고정밀 계측 장비 |

![MEMS 가속도계 구조 도식](https://via.placeholder.com/600x300?text=MEMS+Accelerometer+Structure+Diagram)
*(그림: MEMS 가속도계의 정전용량 변화 원리를 보여주는 도식)*

## 3. 주요 사양 및 성능 지표
가속도계를 선정할 때는 측정하고자 하는 대상의 동적 특성에 맞는 다음의 지표들을 고려해야 한다.

*   **측정 범위 (Full-scale Range):** 센서가 포화(Saturation)되지 않고 측정할 수 있는 최대 가속도 범위이다. (예: $\pm 2g, \pm 8g, \pm 16g$)
*   **감도 (Sensitivity):** 단위 가속도 변화당 출력되는 전압 또는 디지털 값의 변화량이다. (예: $mV/g$ 또는 $LSB/g$)
*   **노이즈 밀도 (Noise Density):** 신호에 포함된 무작위 노이즈의 수준으로, 값이 낮을수록 미세한 가속도 변화를 감지할 수 있다.
*   **대역폭 (Bandwidth):** 센서가 정확하게 추적할 수 있는 주파수 범위이다. 고주파 진동을 측정하려면 넓은 대역폭의 센서가 필요하다.

## 4. 데이터 처리 및 좌표계

### 4.1 3축 좌표계 및 중력 보정
대부분의 현대 가속도계는 $X, Y, Z$ 세 축으로 구성된 3축 센서이다. 센서가 정지해 있더라도 지구 중력 가속도($1g \approx 9.8m/s^2$)가 항상 작용하므로, 순수한 이동 가속도를 얻기 위해서는 **중력 가속도 제거(Gravity Compensation)** 과정이 필수적이다. 이는 일반적으로 센서의 기울기 각도를 계산하여 중력 성분을 벡터 연산으로 빼주는 방식으로 수행된다.

### 4.2 기울기(Tilt) 계산 알고리즘
이 알고리즘은 정지 상태 혹은 저속 이동 상태에서 중력 벡터를 기준으로 각도를 산출하는 방식이다. 급격한 가속도가 발생하는 동적 상태에서는 가속도 데이터만으로 정확한 기울기를 구할 수 없으므로 주의가 필요하다.

```python
import math

def calculate_tilt(ax, ay, az):
    # ax, ay, az는 각 축의 가속도 값 (g 단위)
    # Roll: X축 기준 회전 각도
    roll = math.atan2(ay, az) * 180 / math.pi
    
    # Pitch: Y축 기준 회전 각도
    pitch = math.atan2(-ax, math.sqrt(ay**2 + az**2)) * 180 / math.pi
    
    return roll, pitch
```

## 5. 센서 설치 방향에 따른 오차
가속도계는 설치 방향과 정렬 상태에 따라 심각한 측정 오차가 발생할 수 있다.

1.  **축 정렬 오차 (Misalignment Error):** 센서의 축이 실제 측정하고자 하는 가속도 방향과 일치하지 않을 경우, 코사인 오차($\cos \theta$)가 발생하여 측정값이 실제보다 작게 나타난다.
2.  **교차축 감도 (Cross-axis Sensitivity):** 특정 축으로 가속도가 가해졌음에도 불구하고 다른 축에서 신호가 검출되는 현상이다. 이는 센서 내부의 물리적 비대칭성으로 인해 발생한다.
3.  **설치 강성 (Mounting Stiffness):** 센서가 측정 대상에 견고하게 고정되지 않고 미세하게 흔들릴 경우, 공진 현상이 발생하여 실제 가속도보다 증폭된 값이 측정될 수 있다.

## 6. 가속도계 vs 자이로스코프 비교
두 센서는 모두 관성을 이용하지만, 측정하는 물리량과 특성이 완전히 다르다.

| 구분 | 가속도계 (Accelerometer) | 자이로스코프 (Gyroscope) |
| :--- | :--- | :--- |
| **측정 대상** | 선가속도 (Linear Acceleration) | 각속도 (Angular Velocity) |
| **측정 단위** | $g$ 또는 $m/s^2$ | $deg/s$ 또는 $rad/s$ |
| **정적 상태** | 중력을 통해 절대 기울기 측정 가능 | 정지 상태에서는 출력값이 0 |
| **동적 상태** | 급격한 변화에 민감, 노이즈 많음 | 단기적인 회전 변화 측정에 매우 정확 |
| **주요 오차** | 진동 노이즈, 중력 간섭 | 시간에 따른 누적 오차 (Drift) |

## 7. 주요 활용 분야
*   **소비자 전자제품:** 스마트폰의 화면 자동 회전, 걸음 수 측정(만보계), 게임 컨트롤러의 모션 인식 및 VR/AR 헤드셋의 머리 추적.
*   **자동차 산업:** 충돌 감지 시 에어백 전개 제어, 전자식 주행 안정화 컨트롤(ESC)의 차량 전복 방지 및 경사로 밀림 방지 시스템.
*   **항공 및 로보틱스:** 드론의 수평 유지 및 자세 제어, 휴머노이드 로봇의 균형 잡기 및 보행 안정화.
*   **산업 현장:** 회전 기계(모터, 터빈)의 진동 분석을 통한 고장 예지 및 건전성 관리(PHM), 정밀 구조물의 기울기 모니터링.

## 8. 한계 및 보완 방법 (센서 퓨전)
가속도계는 단독 사용 시 두 가지 치명적인 한계가 있다. 첫째, 가속도를 두 번 적분하여 위치를 계산할 때 적분 과정에서 오차가 누적되는 **드리프트(Drift)** 현상이 발생한다. 둘째, 고주파 진동 노이즈에 취약하다.

이를 해결하기 위해 **센서 퓨전(Sensor Fusion)** 기술을 사용한다.
*   **가속도계 + 자이로스코프:** 자이로스코프의 빠른 응답성과 가속도계의 절대 기준(중력)을 결합하여 정확한 자세를 추정한다. (예: 상보 필터, 칼만 필터 활용)
*   **IMU (Inertial Measurement Unit):** 가속도계, 자이로스코프, 지자기 센서(Magnetometer)를 하나로 통합하여 9축 데이터를 통해 절대 방위와 자세를 정밀하게 계산한다.

### 8.1 상보 필터(Complementary Filter) 예제
상보 필터는 고주파 노이즈가 많은 가속도계 데이터(저역 통과 필터)와 시간이 지남에 따라 오차가 누적되는 자이로스코프 데이터(고역 통과 필터)를 가중치 합으로 결합하는 간단하고 효율적인 방법이다.

```python
# 상보 필터 기본 수식 예제
# angle = alpha * (angle + gyro_rate * dt) + (1 - alpha) * acc_angle
# alpha: 자이로스코프에 부여하는 가중치 (보통 0.95 ~ 0.98)

def complementary_filter(current_angle, gyro_rate, acc_angle, dt, alpha=0.98):
    # 자이로스코프 적분값과 가속도계 기반 각도를 결합
    filtered_angle = alpha * (current_angle + gyro_rate * dt) + (1 - alpha) * acc_angle
    return filtered_angle
```

## 9. 데이터 시트 읽는 법
가속도계 선정 시 데이터 시트에서 주의 깊게 살펴봐야 할 주요 항목은 다음과 같다.

*   **Features:** 선택 가능한 측정 범위($\pm 2/4/8/16g$), 소비 전력 수준, 인터페이스 방식(I2C, SPI 등)을 확인한다.
*   **Electrical Characteristics:** 공급 전압($V_{DD}$) 범위와 동작 전류 소비량을 확인하여 전원 설계에 반영한다.
*   **Sensitivity Table:** 각 측정 범위별 $LSB/g$ 값을 확인하여 디지털 출력값을 실제 가속도 단위로 변환하는 계수를 산출한다.
*   **Frequency Response:** 주파수 응답 그래프를 통해 센서가 측정하고자 하는 진동 주파수 대역에서 감도가 일정하게 유지되는지 확인한다.

## 가속도계의 오차 요인 및 보정(Calibration)
가속도계는 제조 공정상의 오차와 환경적 요인으로 인해 실제 가속도 값과 측정값 사이에 차이가 발생한다. 이를 해결하기 위해 하드웨어적 오차 원인을 분석하고 수학적 보정 과정을 거쳐 정밀도를 높인다.

### 하드웨어적 오차 원인
*   **제로-지 오프셋 (Zero-g Offset):** 가속도가 0인 상태에서도 출력값이 0이 되지 않고 일정하게 나타나는 편차이다.
*   **스케일 팩터 오차 (Scale Factor Error):** 입력 가속도 변화량과 출력 신호 변화량 사이의 비율이 이론적 감도와 일치하지 않는 오차이다.
*   **비선형성 (Non-linearity):** 입력값과 출력값의 관계가 직선 형태를 띠지 않고 곡선 형태로 나타나는 현상이다.

### 6면 보정법 (6-point Calibration) 절차
센서를 각 축의 양(+)과 음(-) 방향으로 중력 가속도($1g$)가 정확히 가해지도록 배치하여 오프셋과 스케일 팩터를 산출하는 방식이다.

**[6면 보정 단계별 절차도]**
1. **데이터 수집:** 센서를 다음 6가지 자세로 고정하고 각 상태에서 일정 시간 동안 데이터를 평균하여 수집한다.
   - $\pm X$축 방향 (센서를 $X$축이 하늘/땅을 향하게 배치)
   - $\pm Y$축 방향 (센서를 $Y$축이 하늘/땅을 향하게 배치)
   - $\pm Z$축 방향 (센서를 $Z$축이 하늘/땅을 향하게 배치)
2. **최솟값/최댓값 추출:** 각 축별로 측정된 최솟값($min$)과 최댓값($max$)을 기록한다.
3. **오프셋(Offset) 계산:** $\text{Offset} = \frac{max + min}{2}$
4. **스케일 팩터(Scale Factor) 계산:** $\text{Scale Factor} = \frac{max - min}{2g}$
5. **보정 적용:** $\text{Corrected Value} = \frac{\text{Raw Value} - \text{Offset}}{\text{Scale Factor}}$

## 신호 처리 및 필터링 기법
가속도계에서 출력되는 로우 데이터(Raw Data)는 전기적 노이즈와 고주파 진동이 섞여 있어, 목적에 맞는 필터링 과정이 필수적이다.

### 저역 통과 필터 (Low Pass Filter, LPF)
고주파 성분의 노이즈를 제거하고 완만한 변화(기울기, 느린 움직임)만을 추출하기 위해 사용한다. 주로 지수 이동 평균(Exponential Moving Average) 방식이 실시간 시스템에 많이 적용된다.

**[LPF 전후 데이터 비교]**
*   **필터 전 (Raw):** 톱니 모양의 미세한 진동(High-frequency jitter)이 심해 데이터의 추세 파악이 어려움.
*   **필터 후 (Filtered):** 고주파 성분이 억제되어 매끄러운 곡선 형태로 나타나며, 실제 물체의 거시적인 움직임이 명확히 드러남.

### 고속 푸리에 변환 (Fast Fourier Transform, FFT)
시간 영역(Time Domain)의 가속도 데이터를 주파수 영역(Frequency Domain)으로 변환하여, 어떤 주파수 성분이 강하게 나타나는지 분석하는 기법이다.

*   **활용 방안:** 특정 기계 장비의 진동 주파수를 분석하여 베어링 마모나 축 불균형 등 고장 징후를 포착하는 '스펙트럼 분석'에 활용된다.
*   **데이터 변화:** $\text{시간-가속도 그래프} \xrightarrow{\text{FFT}} \text{주파수-진폭 그래프}$

## 센서 유형별 온도 드리프트 특성
가속도계의 정밀도는 주변 온도 변화에 따라 변하는 **온도 드리프트(Temperature Drift)** 현상의 영향을 받는다.

*   **MEMS 및 정전용량식:** 온도 변화에 따라 내부 구조물의 열팽창이나 정전용량 변화가 발생하여 제로-지 오프셋이 변하는 경향이 크다. 따라서 정밀 측정 시에는 온도 센서를 내장하여 소프트웨어적으로 보상(Temperature Compensation)하는 과정이 필요하다.
*   **압전식:** 온도 변화에 따른 전하 누설이나 감도 변화가 발생하며, 특히 고온 환경에서 드리프트가 심화될 수 있다.

## 쿼터니언 기반의 동적 좌표 변환
단순한 벡터 뺄셈 방식의 중력 보정은 센서의 회전이 빠른 동적 상태에서 오차가 크다. 이를 해결하기 위해 **쿼터니언(Quaternion)**을 이용한 자세 표현과 좌표 변환을 사용한다.

*   **개념:** 4차원 벡터(Scalar 1개, Vector 3개)를 사용하여 짐벌 락(Gimbal Lock) 현상을 방지하고 회전을 효율적으로 계산한다.
*   **절차:** 자이로스코프 데이터를 적분하여 현재의 쿼터니언 자세($q$)를 추정하고, 이를 통해 지구 고정 좌표계(World Frame)의 중력 벡터를 센서 좌표계(Body Frame)로 변환하여 실시간으로 제거함으로써 순수 동적 가속도를 산출한다.

## 엣지 AI 기반 진동 패턴 인식 및 HAR
최근에는 가속도계 데이터를 클라우드로 보내지 않고 센서 단(Edge)에서 즉시 처리하는 **엣지 AI(Edge AI)** 기술이 결합되어 고도화된 인식 기능을 제공한다.

### 사용자 행동 인식 (Human Activity Recognition, HAR)
가속도계의 시계열 데이터를 딥러닝 모델(CNN, LSTM 등)에 입력하여 사용자의 상태를 분류한다.
*   **데이터셋 예시:**
    *   **입력 데이터:** $X, Y, Z$축 가속도 값의 윈도우 슬라이싱 데이터 (예: 2.56초 간격의 128개 샘플)
    *   **특징 추출:** 평균, 표준편차, 제로 크로싱 레이트(Zero-crossing rate), FFT 기반 주파수 피크 값.
    *   **분류 레이블:** `Walking`(걷기), `Running`(뛰기), `Sitting`(앉기), `Standing`(서기), `Falling`(낙상).

### 기계 고장 진단 AI
산업용 모터나 펌프에 부착된 가속도계의 진동 패턴을 학습하여 정상 상태와 이상 상태를 구분한다.
*   **사례:** 정상 작동 시의 주파수 스펙트럼을 학습한 후, 특정 주파수 대역에서 진폭이 상승하는 패턴이 감지되면 '베어링 결함' 또는 '축 정렬 불량'으로 판정하여 유지보수 알람을 발생시킨다.