쿨센트리(CoolSentry)

2026년 생성형 AI 확산으로 데이터센터의 GPU 집적도와 발열이 증가하면서 냉각설비의 연속 운전과 조기 이상감지가 핵심 운영요건이 되고 있다. 본 과제는 STM32 Nucleo와 THC-03 마이크를 이용해 팬 운전음을 현장에서 분석하고, 서버실 냉각계통의 이상 징후를 낮은 비용으로 선별하는 엣지 인공지능 시스템을 제안한다. 팬 음향은 16 kHz 모노로 수집해 3초(48,000 samples) 단위로 분할했으며, 고장 팬, 정상 팬, 미동작, 전원 문제의 4개 상태에서 총 800개 음원을 구성하였다. 각 음원은 20개 MFCC 계수와 149개 시간 프레임의 20×149 특징맵으로 변환하고, 두 개의 합성곱·최대풀링 블록과 전역평균풀링, 완전연결층으로 이루어진 경량 CNN을 학습하였다. 모델은 1,588개 파라미터와 약 1.067M MAC의 추론량을 가지며, 파일 단위 계층화 무작위 분할 시험에서 float 및 입출력을 INT8로 양자화한 CNN 모두 160개 시험 음원을 100% 분류하였다. 다만 이는 보유 데이터 내부 시험 결과이므로 독립 팬, 날짜, 거리, 배경소음 조건의 현장 일반화 성능을 뜻하지 않는다. 현재 데이터 수집, MFCC 추출, CNN 학습, 사후 INT8 변환 및 PC 시험까지 완료하였고, STM32 연속 추론과 LCD 또는 Bluetooth 상태 출력은 통합·검증 목표로 구분하였다. 본 결과물은 고가 설비를 대체하지 않고 기존 온도·유량·전류·DCIM 감시를 보완하는 저비용 후설치형 1차 경보 노드라는 점이 특징이다. 향후 시간적 평활화와 미지 이상 점수, 온도·진동 센서 융합을 추가하고, 액체냉각 환경의 펌프·CDU·밸브 음향까지 대상으로 확장하면 AI 데이터센터의 분산형 예방보전과 유지관리 비용 절감에 활용할 수 있다.