KR101348817B1 - 인공신경망을 이용한 오류 계측값 추정 방법 및 시스템 - Google Patents

인공신경망을 이용한 오류 계측값 추정 방법 및 시스템 Download PDF

Info

Publication number
KR101348817B1
KR101348817B1 KR1020130003298A KR20130003298A KR101348817B1 KR 101348817 B1 KR101348817 B1 KR 101348817B1 KR 1020130003298 A KR1020130003298 A KR 1020130003298A KR 20130003298 A KR20130003298 A KR 20130003298A KR 101348817 B1 KR101348817 B1 KR 101348817B1
Authority
KR
South Korea
Prior art keywords
measurement value
estimated
value
neural network
normal
Prior art date
Application number
KR1020130003298A
Other languages
English (en)
Inventor
박효선
이지훈
최세운
Original Assignee
연세대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020130003298A priority Critical patent/KR101348817B1/ko
Application granted granted Critical
Publication of KR101348817B1 publication Critical patent/KR101348817B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

본 발명은 인공신경망을 이용한 오류 계측값 추정 방법 및 시스템에 관한 것으로, 트레이닝 세트 생성부가 센서 시스템으로부터 취득한 정상 계측값만을 이용하며, 정상 계측값을 입력값 및 출력값에 포함시켜 자기 참조형 트레이닝 세트를 생성하는 S1단계를 포함한다. 또한, 신경망 생성부가 S1단계의 자기 참조형 트레이닝 세트를 통해 정상 계측값에서 추정 계측값이 산출되도록 인공 신경망을 생성하는 S2단계를 포함한다. 또한, 추정데이터 산출부가 하나 이상의 계측값 중, 센서 시스템을 통해 건축 구조물에 대한 계측이 실패한 시점 이후의 정상 계측값을 인공 신경망에 입력하여, 계측이 실패한 시점 이후의 오류 계측값을 포함시켜 추정하는 추정 계측값을 산출하는 S3단계를 포함한다. 또한, 추정데이터 보정부가 S3단계로부터 취득한 추정 계측값들을 하나 이상의 센서에 부여된 센서번호를 기준으로 구간을 나누고, 구간별 보정 함수를 적용하여 추정 계측값과 정상 계측값이 일치되도록 추정 계측값들에 변화를 가해 보정하는 S4단계를 포함한다. 또한, 오류계측값 추출부가 S4단계에서 얻은 보정된 추정 계측값들로부터 오류 계측값을 추정한 최종값을 추출하는 S5단계를 포함한다.

Description

인공신경망을 이용한 오류 계측값 추정 방법 및 시스템{METHOD AND SYSTEM FOR ESTIMATION OF ERROR OR OMITTED MEASURED VALUES USING ARTIFICIAL NEURAL NETWORK}
본 발명은 센서 시스템을 통한 계측값을 이용해, 건축 구조물의 구조 건전도 평가 시 오류 계측값을 추정하는 방법 및 시스템에 관한 것으로, 더욱 상세하게는 정상적으로 계측된 계측값으로 자기참조형 트레이닝 세트를 생성한 후, 인공신경망을 이용해 추정 계측값을 산출하고, 추정 계측값으로부터 오류 계측값을 산출하는 인공신경망을 이용한 오류 계측값 추정 방법 및 시스템에 관한 것이다.
건축 기술의 발달로 고층 빌딩과 장대교량 같은 건축 구조물이 증가하고 있다. 따라서, 구조 건전도 평가(Structural Health Monitoring: SHM)이 널리 이루어지고 있다. 이러한 점에서 모니터링 시스템을 구현하고자 하는 많은 연구가 시도되고 있다. 이와 같은 모니터링 기술은 건물, 교량 등과 같은 구조물의 동적 거동 상황을 측정, 분석 및 진단함으로써 구조물의 안전성을 극대화하고, 구조물의 안전성을 향상시킬 수 있는 기술이다.
해당 종래 기술로 한국등록특허 제10-0795967호의 “극치통계분석을 이용한 교량의 점검 및 유지관리 시스템 및 방법”이 소개된바 있다.
이와 같은, SHM은 주로 건축 구조물에 부착된 센서에서 변형률, 경사각 등의 계측값에 대한 데이터를 획득하고, 이들 데이터를 변환하여 구조물의 손상도 평가를 위한 데이터를 분석하는 과정으로 구별된다.
SHM은 건축 구조물에 센서를 설치하여 정밀한 데이터를 획득하는 것이 중요하다. SHM에서 데이터 획득을 위해 사용되는 센서로는 반영구적이면서 신뢰성이 있고 구조물에 용이하게 부착 가능한 경사계, 가속도 센서 및 변위계가 있으며, 또한 스트레인 게이지는 금속 또는 반도체의 저항체에 변형이 가해지면 그 저항값이 변화하는 압력저항 효과를 이용하는 것으로 구조물의 실응력을 측정하는데 사용되고 있다.
그러나, 전술한 센서 시스템은 기계 오작동, 통신 방해 등으로 인해 계측이 성공적으로 수행되지 않는 경우가 빈번히 발생한다. 이러한 경우, SHM에 오류 계측값 즉, 정밀하지 못한 계측값을 제공하게 된다.
따라서, 센서 시스템에 의해 계측이 성공적으로 이루어지지 않더라도 오류 계측값을 추정하고, 그 값을 이용해 정상적인 SHM을 가능하게 하는 기술이 필요하다.
본 발명에 따른 인공신경망을 이용한 오류 계측값 추정 방법 및 시스템은 다음과 같은 과제의 해결을 목적으로 한다.
본 발명은 센서에 의해 계측이 성공적으로 이루어지지 않아 발생되는 오류 계측값을 추정하여 정상적인 SHM을 가능하게 하는 것을 목적으로 한다.
본 발명의 해결과제는 이상에서 언급된 사항들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 과제를 해결하기 위한 본 발명에 따른 인공신경망을 이용한 오류 계측값 추정 방법은 트레이닝 세트 생성부가 센서 시스템으로부터 취득한 정상 계측값만을 이용하며, 정상 계측값을 입력값 및 출력값에 포함시켜 자기 참조형 트레이닝 세트를 생성하는 S1단계를 포함한다.
또한, 신경망 생성부가 S1단계의 자기 참조형 트레이닝 세트를 통해 정상 계측값에서 추정 계측값이 산출되도록 인공 신경망을 생성하는 S2단계를 포함한다.
또한, 추정데이터 산출부가 하나 이상의 계측값 중, 센서 시스템을 통해 건축 구조물에 대한 계측이 실패한 시점 이후의 정상 계측값을 인공 신경망에 입력하여, 계측이 실패한 시점 이후의 오류 계측값을 포함시켜 추정하는 추정 계측값을 산출하는 S3단계를 포함한다.
또한, 추정데이터 보정부가 S3단계로부터 취득한 추정 계측값들을 하나 이상의 센서에 부여된 센서번호를 기준으로 구간을 나누고, 구간별 보정 함수를 적용하여 추정 계측값과 정상 계측값이 일치되도록 추정 계측값들에 변화를 가해 보정하는 S4단계를 포함한다.
또한, 오류계측값 추출부가 S4단계에서 얻은 보정된 추정 계측값으로부터 추정된 오류 계측값을 추출하는 S5단계를 포함한다.
아울러, 전술한 과제를 해결하기 위한 본 발명에 따른 인공신경망을 이용한 오류 계측값 추정 시스템은 센서 시스템으로부터 정상적인 계측으로 취득한 정상 계측값만을 이용하며, 정상 계측값을 입력값 및 출력값에 포함시켜 자기 참조형 트레이닝 세트를 생성하는 트레이닝 세트 생성부를 포함한다.
또한, 자기 참조형 트레이닝 세트를 통해 정상 계측값에서 추정 계측값이 산출되도록 인공 신경망을 생성하는 신경망 생성부를 포함한다.
또한, 하나 이상의 계측값 중, 센서 시스템을 통해 건축 구조물에 대한 계측이 실패한 시점 이후의 정상 계측값을 인공 신경망에 입력하여, 계측이 실패한 시점 이후의 오류 계측값을 포함시켜 추정하는 추정 계측값을 산출하는 추정데이터 산출부를 포함한다.
또한, 추정 계측값과 정상 계측값에 대해 하나 이상의 센서에 부여된 센서번호를 기준으로 구간을 나누고, 구간별 보정 함수를 적용하여 추정 계측값에 변화를 가해 추정 계측값을 정상 계측값과 일치시켜 추정 계측값을 보정하는 추정데이터 보정부를 포함한다.
또한, 추정데이터 보정부에서 보정된 추정 계측값으로부터 추정된 오류 계측값을 추출하는 오류계측값 추출부를 포함한다.
본 발명에 따른 인공신경망을 이용한 오류 계측값 추정 방법 및 시스템은 다음과 같은 효과를 가진다.
본 발명은 인공신경망을 기반으로 하여 추정하려는 오류 계측값을 포함하는 추정 계측값을 산출하고, 정상적인 계측에 의해 취득한 정상 계측값과 추정 계측값이 일치하도록 보정한 후, 보정된 추정 계측값에서 오류 계측값을 추출함으로써, SHM의 신뢰도를 높일 수 있는 계측값을 제공할 수 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명에 따른 인공신경망을 이용한 오류 계측값 추정 방법을 설명하는 순서도이다.
도 2는 본 발명에 따른 인공신경망을 이용한 오류 계측값 추정 방법에서 자기 참조형 트레이닝 세트를 설명하는 도면이다.
도 3 및 4는 본 발명에 따른 인공신경망을 이용한 오류 계측값 추정 방법에서 추정 계측값의 보정을 설명하는 도면이다.
도 5는 본 발명에 따른 인공신경망을 이용한 오류 계측값 추정 시스템을 설명하는 도면이다.
이하에서는 본 발명에 대해 도면을 참조하여 구체적으로 설명하겠다.
본 발명에서 센서 시스템은 건축 구조물의 기둥, 보 등(이하에서는 ‘건축 구조물’로 통칭함)에 부착되어 변형률, 경사각 등을 측정하기 위한 시스템이다. 이 센서 시스템은 변형률계, 경사계, 가속도계 등의 센서를 통해 변형률, 경사각, 가속도 등을 측정하고, 측정된 변형률, 경사각 등을 데이터 형식으로 제공하는 시스템을 의미한다. 또한, 센서 시스템은 복수의 센서로 이루어지며, 본 발명에서는 건축 구조물의 층 수, 높이 등에 따라 그 수는 달라질 수 있다.
아울러, 정상 계측값은 어떤 센서에서 계측 실패가 발생하기 전에 안정적인 센서가 안정적인 계측을 수행하여 계측한 계측값을 의미한다.
오류 계측값은 센서 시스템에서 불안정한 센서의 기계 오작동, 통신 방해 등으로 인해 건축 구조물의 계측이 성공적으로 이루어지지 않았을 때의 추정하려고 하는 계측값들을 의미한다.
오류 계측값은 어떠한 센서에서 계측 실패가 발생한 후, 불안정 센서들이 계측 값을 얻지 못하여 그 값을 추정해야 하는 계측 값들. 혹은 계측 값에 에러가 있어 사용하지 못하여 그 값을 추정해야 하는 값들을 의미한다.
또한, 오류 계측값은 건축 구조물의 특정 구역의 계측이 이루어지지 않았을 때, 이 특정 구역에서 계측되어야 할 계측값으로도 해석될 수도 있을 것이다.
본 발명에서 자기 참조형 트레이닝 세트(Self-Referential Training Set)은 추정하고자 하는 오류 계측값을 입력(Input)과 출력(Output)에 모두 포함시키는 트레이닝 세트(Training Set)을 의미한다.
도 1은 본 발명에 따른 인공신경망을 이용한 오류 계측값 추정 방법을 설명하는 순서도이다. 도시된 바와 같이, 본 발명에 따른 인공신경망을 이용한 오류 계측값 추정 방법은
트레이닝 세트 생성부(110)가 센서 시스템으로부터 취득한 정상 계측값만을 이용하고, 정상 계측값을 입력값 및 출력값에 포함시켜 자기 참조형 트레이닝 세트를 생성하는 S1단계를 포함한다.
또한, 신경망 생성부(120)가 S1단계의 자기 참조형 트레이닝 세트를 통해 정상 계측값에서 추정 계측값이 산출되도록 인공 신경망을 생성하는 S2단계를 포함한다.
또한, 추정데이터 산출부(130)가 하나 이상의 계측값 중, 센서 시스템을 통해 건축 구조물에 대한 계측이 실패한 시점 이후의 정상 계측값을 인공 신경망에 입력하여, 계측이 실패한 시점 이후의 오류 계측값을 포함시켜 추정하는 추정 계측값을 산출하는 S3단계를 포함한다.
또한, 추정데이터 보정부(140)가 S3단계로부터 취득한 추정 계측값들을 하나 이상의 센서에 부여된 센서번호를 기준으로 구간을 나누고, 구간별 보정 함수를 적용하여 추정 계측값과 정상 계측값이 일치되도록 추정 계측값들에 변화를 가해 보정하는 S4단계를 포함한다.
또한, 오류계측값 추출부(150)가 S4단계에서 얻은 보정된 추정 계측값으로부터 추정된 오류 계측값을 추출하는 S5단계를 포함한다.
일 실시 예에 있어서, S1단계는 복수의 센서들로 구성된 센서 시스템에서 계측 실패가 발생하기 전에 안정적인 센서들로부터 취득한 정상 계측값들만을 이용하여 자기 참조형 트레이닝 세트(Self-Referential Training Set)를 생성한다.
또한, S2단계는 S1단계에서 생성된 자기 참조형 트레이닝 세트를 통해 추정 계측값이 산출되도록 인공 신경망(Artificial Neural Network)생성한다. S1단계의 자기 참조형 트레이닝 세트는 도 2를 참조하여 설명한다. 도 2는 본 발명에 따른 인공신경망을 이용한 오류 계측값 추정 방법을 설명에서 자기 참조형 트레이닝 세트를 설명하는 도면이다.
도시된 바와 같이, S1단계에서 자기 참조형 트레이닝 세트는 계측이 실패하기 전에 모든 센서가 안정적인 계측을 수행하고 있는 기간동안 계측했던 계측값들인 정상 계측값들로 구성된다. 이 과정에서 계측에 실패하여 계측값에 오류가 있거나 취득에 실패하게 될 센서가 안정적으로 계측한 정상 계측값인 오류 계측값들과 센서 네트워크에 부분적으로 계측 실패가 발생한 후에도 안정적으로 계측을 수행할 센서로부터 취득한 정상 계측값들을 모두 자기 참조형 트레이닝 세트의 출력값에 포함시킨다.
자기 참조형 트레이닝 세트는 시간(t)별로 구분된 복수의 트레이닝 세트들로 이루어지며, 입력값에 정상 계측값이 포함되고, 출력값에 오류 계측값과 정상 계측값이 모두 포함된다. 또한, S1단계에서 자기 참조형 트레이닝 세트는 건축 구조물의 정보 없이 정상적으로 센서시스템에 의해 계측된 데이터인 정상 계측값만을 이용하여 구성된다.
도 1에 도시된 S2단계의 인공 신경망은 자기 참조형 트레이닝 세트의 입력값을 인공 신경망에 적용해 얻은 출력값들과 자기 참조형 트레이닝 세트의 출력값들의 전체적인 오차가 최소가 되도록 훈련된다.
본 발명에서의 인공 신경망은 백프로퍼게이션 인공신경망(Back Propagation Neural Network: BPNN)과 같이, 분리되어 정의할 수 있는 성격의 입력과 출력의 관계를 맺어준다. 이로 인해, 차후 미지의 출력을 알아내지 위하여 오직 입력만을 필요로 하는 방식의 인공 신경망기법을 이용하며, 특정한 인공 신경망 기법에 제한되지 않을 것이다.
S3단계는 추정데이터 산출부(130)에 의해 오류 계측값이 포함된 추정 계측값을 산출하게 된다. S3단계의 추정데이터 산출부(130)는 S1단계 및 S2단계에서 자기 참조형 트레이닝 세트로 훈련된 인공 신경망으로 계측이 실패한 시점(Tageted Time Zone)을 인공 신경망으로 추정하여, 추정하려는 오류 계측값을 추정하기 위한 추정 계측값을 산출한다.
또한, 계측이 실패한 시점 이후 안정적인 센서로 취득한 정상 계측값들을 산출하고, 산출된 정상 계측값들을 인공 신경망에 적용하여 추정하려는 오류 계측값을 출력값으로 포함하는 추정 계측값을 산출한다.
S3단계는 계측이 실패한 시점의 오류 계측값과 정상 계측값을 인공 신경망으로 추정하여, 추정하려는 오류 계측값을 출력값으로 포함하는 추정 계측값을 산출한다.
본 발명에서 설명하는 S3단계 내지 S5단계는 센서의 계측값들의 연관성을 고려하여 센서에 센서번호가 부여되어 있는 것을 전제로 한다. 총 n개의 센서에서 k개의 안정적인 센서가 있으며 정상 계측값을 나타내는 벡터(
Figure 112013002934264-pat00001
)는 k개의 요소를 추정 계측값을 나타내는 벡터(D)는 n개의 요소를 가지는 벡터가 된다.
추정 계측값, 정상 계측값은 아래의 수학식1로 정의된다.
Figure 112013002934264-pat00002
여기서, 벡터 I는 정상 계측값을 계측한 센서의 번호를 의미한다. D는 추정 계측값을 나타내는 벡터,
Figure 112013002934264-pat00003
는 S1, S2,..., Sk센서의 정상 계측값을 나타낸다. S1, S2,..., Sk는 설치된 n개의 모든 센서들이 연관성을 고려하여 사전에 부여받은 센서번호에 대해서 센서 네트워크 시스템에 계측 실패가 발생한 후에도 안정적으로 작동한 k개의 정상 센서들의 번호이다.
S3단계에서 산출되는 추정 계측값은 추정하려는 오류 계측값을 입력값으로 포함하고 있다. 따라서, 자기 참조형 트레이닝 세트는 인공 신경망의 입력값과 추정 계측값 사이의 훈련과정에 있어서 안정적인 센서에서 계측한 정상 계측값으로 이루어진 입력값에 대한 모든 센서의 추정 계측값의 오차가 최소가 되도록 훈련되도록 한다. 따라서, 안정적인 센서의 추정 계측값과 정상 계측값이 일치하지는 않는다.
따라서, S3의 계측이 성공한 시점에서 하나 이상의 센서에 대한 추정 계측값의 변화를 아래의 수학식2가 되도록 정의된다.
Figure 112013002934264-pat00004
여기서, k는 계측에 성공한 안정적인 센서의 수를 의미한다. 추정 계측값의 보정은 전술한 수식의 변화(수식을 만족하도록 하는 변화)를 이용하게 된다. S1단계의 자기 참조형 트레이닝 세트에 의한 S2단계의 인공 신경망을 통한 추정 계측값들은 안정적인 센서에 대해서 정상 계측값과 추정 계측값이 일치하지는 않는다. 그러나, 센서들 사이의 데이터 즉, 계측값의 경향을 도 3에 도시된 바와 같이 제공한다.
도 3 및 도 4는 본 발명에 따른 인공신경망을 이용한 오류 계측값 추정 방법에서 추정 계측값의 보정을 설명하는 도면이다. 도시된 바와 같이, S4단계에서 하나 이상의 센서에 대한 각각의 추정 계측값은 서로 연결된 곡선의 형태로 나타내며 곡선의 기울기를 변화시켜, 각각의 정상 계측값에 추정 계측값을 구간별로 일치시켜 추정 계측값을 보정한다.
도 3에서 S3단계에 의해 산출된 추정 계측값을 나타내는 곡선은 도면상에 D이며, D는 추정 계측값들을 서로 연결시킨 곡선(Curve)이다. S4단계에서 곡선의 기울기를 변화시켜 구간별로 정상 계측값(
Figure 112013002934264-pat00005
)에 추정 계측값을 일치되도록 보정한다. 본 발명에서 일치는 수치적으로 동일한 의미를 가질 수 있으며, 기 설정된 소정의 범위내에 각 계측값이 대응될 때를 의미할 수도 있을 것이다.
S4단계는 안정적인 센서를 추정한 추정 계측값을 경계로 센서에 부여된 센서번호에 의거하여 추정 계측값의 구간을 나눈다. 또한, 구간마다의 경향을 보존하되 곡선의 기울기를 조정함으로써, 추정 계측값에 변화를 가하여 구간의 양 경계층에서 추정 계측값을 정상 계측값과 일치하도록 구간별로 곡선을 보정한다.
곡선내부의 경계 센서들은 안정적인 센서의 벡터로 정의되지만, 곡선의 시작점은 안정적인 센서가 아닐 수도 있으므로 아래의 수학식3과 같이, 안정적인 센서의 수정된 벡터(Modified Index Vector of Stable Sensors) ‘J’와 수정된 정상 계측값의 벡터(Modified Measured Value Vector) ‘
Figure 112013002934264-pat00006
’를 새롭게 정의한다.
Figure 112013002934264-pat00007
여기서, J와
Figure 112013002934264-pat00008
는 가상 초기 센서 번호(Virtual Initial Sensor Number)‘0’에서 가상 정상 측정값(Virtual Measured Value)‘0’을 각각 I와
Figure 112013002934264-pat00009
의 첫번째 원소로 추가하여 주어진다. 가상의 초기 센서 번호와 가상 정상 측정값은 바뀔 수 있으나 본 발명에서는 두 값 모두 ‘0’으로 설정하였다.
전술한 추정 계측값의 변화를 나타내는 수학식 2를 만족시키기 위한 보정은 곡선을 구간별로 본래의 기울기에 변화를 주어서 구간 양끝 센서에 대한 추정 계측값과 정상 계측값을 일치시켜야 한다. 이는, 안정적인 센서에 의한 정상 계측값은 계측 실패가 발생한 후에도 알고 있으므로 추정 계측값을 나타내는 ‘D’의 각 구간 양 절점 센서에 해당하는 안정적인 센서(Stable Sensor)를 추정하는 추정 계측값은 정상 계측값과 같아야 하기 때문이다.
S4단계에서 추정 계측값의 보정을 위한 기울기의 변화량은 아래의 수학식4로 정의된다.
Figure 112013002934264-pat00010
여기서,
Figure 112013002934264-pat00011
는 T번째 구간내에 위치한 임의의 i번 센서에 작용하는 기울기의 변화 함수,
Figure 112013002934264-pat00012
는 T번째 구간 기울기 변화의 크기를 나타내는 계수,
Figure 112013002934264-pat00013
는 T구간의 시작 센서 변호,
Figure 112013002934264-pat00014
는 T구간의 마지막 센서 번호, T-th interval은 임의의 T번째 구간을 의미한다.
도 3에서 T구간의 곡선은 수학식 4에 의해 비균등하게 기울기에 변화가 생겨 양 경계 절점인 안정적인 센서의 추정 계측값도 변하게 만든다. 여기서, 계수인
Figure 112013002934264-pat00015
는 그 차이를 측정값의 차가 되도록 하여 구할 수 있다. T 구간 양 경계의 안정적인 센서 사이에서 발생하는 추정 계측값과 정상 계측값의 변화량은 각각 “
Figure 112013002934264-pat00016
”와 “
Figure 112013002934264-pat00017
”이므로 계수인
Figure 112013002934264-pat00018
는 아래의 수학식 5로 정의된다.
Figure 112013002934264-pat00019
여기서,
Figure 112013002934264-pat00020
과
Figure 112013002934264-pat00021
는 각각, 센서번호
Figure 112013002934264-pat00022
과
Figure 112013002934264-pat00023
의 계측값을 추정한 추정 계측값을 의미하고,
Figure 112013002934264-pat00024
과
Figure 112013002934264-pat00025
는 각각 T, T+1번째 수정된 정상 계측값 벡터인
Figure 112013002934264-pat00026
의 원소이다.
여기서, 수학식 5의 우변을 dt라고 두고, 수학식 5를 정리하면
Figure 112013002934264-pat00027
는 아래의 수학식 6과 같이 정의된다.
Figure 112013002934264-pat00028
여기서,
Figure 112013002934264-pat00029
는 T 구간 기울기 변화의 크기를 나타내는 계수이다.
Figure 112013002934264-pat00030
과
Figure 112013002934264-pat00031
는 센서번호를 나타낸다.
S4단계의 수학식 4는 곡선의 기울기를 다루는 것이기 때문에 추정 계측값을 나타내는 벡터(D)에 적용하기 위해, 각각의 추정 계측값의 기울기를 구하여 수학식 4와 6을 통해 얻은 각 센서의 추정 계측값에 대한 기울기 증가량을 합한 후, 이를 다시 계측값으로 계산한다. 따라서, 4단계에서 추정 계측값의 변화량은 아래의 수학식7로 정의된다.
Figure 112013002934264-pat00032
여기서,
Figure 112013002934264-pat00033
는 T번째 구간의 i번째 센서 계측값에 더해지는 변화량 함수이다.
수학식 7은 도 4의 b)의 곡선을 갖는 함수로 최대값은 항상
Figure 112013002934264-pat00034
센서에서 dt를 갖는다. 한편 k개의 안정적인 센서의 마지막 센서 번호가 n이 아니면 (k+1)-th구간이 존재하지만, k+1구간은
Figure 112013002934264-pat00035
값이 존재하지 않기 때문에 수학식 5를 적용할 수 없으며 따라서 보정된 추정 계측값을 산출할 수 없다. 이런 경우 곡선을 보정하지 않고 추정 곡선의 경향을 그대로 따르며, 이를 반영하기 위해 수학식 3과 수학식 7에 조건을 추가하게 된다.
조건은 아래의 수학식 8 및 수학식 9와 같이 정의된다.
Figure 112013002934264-pat00036
Figure 112013002934264-pat00037
전술한 S4단계의 수학식 4 내지 9는 각 구간의 양 경계절점에 해당하는 안정적인 센서의 추정 계측값과 정상 계측값의 차이가 “0”이 되도록 보정하는 과정을 설명한 것이다.
S4단계에서 추정 계측값을 정상 계측값과 일치시켜 최종 보정된 추정 계측값은 아래의 수학식10으로 정의된다.
Figure 112013002934264-pat00038
여기서, D는 추정 계측값을 나타내는 벡터, i는 임의의 센서,
Figure 112013002934264-pat00039
는 보정된 추정 계측값을 나타내는 벡터,
Figure 112013002934264-pat00040
는 수정된 정상 계측값 벡터인
Figure 112013002934264-pat00041
의 T번째 원소이다.
Figure 112013002934264-pat00042
는 T구간의 i번째 계측값에 더해지는 변화량 함수이다.
Figure 112013002934264-pat00043
는 센서번호
Figure 112013002934264-pat00044
의 계측값을 추정한 추정 계측값이다.
일 실시 예에 있어서, S5단계는 보정된 추정 계측값에서 추정 계측값만을 분리하는 단계이다. 추정 계측값 벡터 D는 안정적으로 취득한 정상 계측값과 계측에 실패하여 추정한 추정 계측값이 함께 포함되어 있으므로, 보정이 완료된 계측값만 분리하는 과정이 필요하다. 이러한 과정은 S5단계에 의해 이루어진다.
도 5는 본 발명에 따른 인공신경망을 이용한 오류 계측값 추정 시스템을 설명하는 도면이다. 도시된 바와 같이, 인공신경망을 이용한 오류 계측값 추정 시스템(100)은 센서 시스템으로부터 정상적인 계측으로 취득한 정상 계측값만을 이용하고, 정상 계측값을 입력값 및 출력값에 포함시키는 자기 참조형 트레이닝 세트를 생성하는 트레이닝 세트 생성부(110)을 포함한다.
또한, 자기 참조형 트레이닝 세트를 통해 정상 계측값에서 추정 계측값이 산출되도록 인공 신경망을 생성하는 신경망 생성부(120)를 포함한다.
또한, 하나 이상의 계측값 중, 센서 시스템을 통해 건축 구조물에 대한 계측이 실패한 시점 이후의 정상 계측값을 인공 신경망에 입력하여, 계측이 실패한 시점 이후의 오류 계측값을 포함시켜 추정하는 추정 계측값을 산출하는 추정데이터 산출부(130)를 포함한다.
여기서, 계측이 실패한 시점의 정상 계측값은 센서 시스템을 통해 취득되는 복수의 계측값 중에 오류 계측값을 제외한 정상 계측값이다. 각 센서들은 각각의 위치에서 설정된 시점에 계측을 하게 되고, 이 중 계측에 실패하는 센서도 존재하게 된다. 복수의 센서들 중 계측에 실패하게 된 센서의 실패 시정에서의 정상적인 계측값을 S3단계에서 이용한다. 이때, 오류 계측값은 존재하지 않을 수 있으며, 상이한 계측값 즉, 오류가 포함된 계측값일 수 있다.
또한, 추정 계측값과 정상 계측값에 대해 하나 이상의 센서에 부여된 센서번호를 기준으로 구간을 나누고, 구간별 보정 함수를 적용하여 추정 계측값에 변화를 가해 추정 계측값을 정상 계측값과 일치시켜 추정 계측값을 보정하는 추정데이터 보정부(140)를 포함한다. 또한, 오류 계측값이 포함된 보정 후 추정 계측값으로부터 오류 계측값을 추출하는 오류계측값 추출부(150)를 포함한다.
트레이닝 세트 생성부(110)의 자기 참조형 트레이닝 세트는 계측이 실패하기 전에 모든 센서가 안정적인 계측을 수행하고 있는 기간동안 계측했던 계측값들인 정상 계측값들로 구성된다. 이 과정에서 계측에 실패하여 계측값에 오류가 있거나 취득에 실패하게 될 센서가 안정적으로 계측한 정상 계측값인 오류 계측값들과 센서 네트워크에 부분적으로 계측 실패가 발생한 후에도 안정적으로 계측을 수행할 센서로부터 취득한 정상 계측값들을 모두 자기 참조형 트레이닝 세트의 출력값에 포함시킨다.
또한, 신경망 생성부(120)의 인공 신경망은 인공 신경망은 자기 참조형 트레이닝 세트의 입력값을 인공 신경망에 적용해 얻은 출력값들과 자기 참조형 트레이닝 세트의 출력값들의 전체적인 오차가 최소가 되도록 훈련된다. 또한, 추정데이터 보정부(140)에서 센서 시스템을 구성하는 하나 이상의 센서에 대한 각각의 추정 계측값은 서로 연결된 제1곡선의 형태로 나타내며 제1곡선의 기울기를 변화시켜, 각각의 정상 계측값이 서로 연결된 제2곡선과 구간별로 일치시켜 추정 계측값을 보정한다.
본 발명에 따른 인공신경망을 이용한 오류 계측값 추정 시스템(100)의 트레이닝 세트 생성부(110)는 인공신경망을 이용한 오류 계측값 추정 방법의 S1단계를 수행한다. 또한, 신경망 생성부(120)는 S2단계를 수행하며, 추정데이터 산출부(130)는 S3단계를 수행한다. 아울러, 추정데이터 보정부(140)는 S4단계를 수행하고, 오류계측값 추출부(150)는 S5단계를 수행한다.
도 1 내지 도 5에서 설명한 본 발명에 따른 인공신경망을 이용한 오류 계측값 추정 방법 및 시스템은 인공신경망을 기반으로 하여 추정하려는 오류 계측값을 포함하는 추정 계측값을 산출하고, 정상적인 계측에 의해 취득한 정상 계측값과 추정 계측값이 일치하도록 보정한 후, 보정된 추정 계측값에서 오류 계측값을 추출함으로써, SHM의 신뢰도를 높일 수 있는 계측값을 제공할 수 있다.
본 실시 예 및 본 명세서에 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 명확하게 나타내고 있는 것에 불과하며, 본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시 예는 모두 본 발명의 권리범위에 포함되는 것이 자명하다고 할 것이다.
100: 인공신경망을 이용한 오류 계측값 추정 시스템
110: 트레이닝 세트 생성부
120: 신경망 생성부
130: 추정데이터 산출부
140: 추정데이터 보정부
150: 오류계측값 추출부

Claims (13)

  1. 트레이닝 세트 생성부가 센서 시스템으로부터 취득한 정상 계측값만을 이용하며, 정상 계측값을 입력값 및 출력값에 포함시켜 자기 참조형 트레이닝 세트를 생성하는 S1단계;
    신경망 생성부가 S1단계의 자기 참조형 트레이닝 세트를 통해 정상 계측값에서 추정 계측값이 산출되도록 인공 신경망을 생성하는 S2단계;
    추정데이터 산출부가 하나 이상의 계측값 중, 센서 시스템을 통해 건축 구조물에 대한 계측이 실패한 시점 이후의 정상 계측값을 상기 인공 신경망에 입력하여, 계측이 실패한 시점 이후의 오류 계측값을 포함시켜 추정하는 추정 계측값을 산출하는 S3단계;
    추정데이터 보정부가 S3단계로부터 취득한 추정 계측값들을 하나 이상의 센서에 부여된 센서번호를 기준으로 구간을 나누고, 구간별 보정 함수를 적용하여 추정 계측값과 정상 계측값이 일치되도록 추정 계측값들에 변화를 가해 보정하는 S4단계; 및
    오류계측값 추출부가 S4단계에서 얻은 보정된 추정 계측값으로부터 추정된 오류 계측값을 추출하는 S5단계
    를 포함하는 인공신경망을 이용한 오류 계측값 추정 방법.
  2. 제1항에 있어서,
    S1단계의 자기 참조형 트레이닝 세트는 센서 시스템을 통해 건축 구조물에 대한 계측이 실패한 시점 이전에 안정적인 계측에 의한 정상 계측값을 입력값과 출력값에 모두 포함시키는 것을 특징으로 하는 인공신경망을 이용한 오류 계측값 추정 방법.
  3. 제1항에 있어서,
    S2단계의 인공 신경망은 정상 계측값으로 이루어진 입력값과 출력값을 가지는 하나 이상의 센서에 대한 추정 계측값의 오차가 최소가 되도록 훈련되는 것을 특징으로 하는 인공신경망을 이용한 오류 계측값 추정 방법.
  4. 제1항에 있어서,
    S3단계는 계측이 실패한 시점의 오류 계측값과 정상 계측값을 인공 신경망으로 추정하여, 추정하려는 오류 계측값을 출력값으로 포함하는 추정 계측값을 산출하고, 추정 계측값, 정상 계측값은 아래의 수식으로 정의되는 것을 특징으로 하는 인공신경망을 이용한 오류 계측값 추정 방법.
    Figure 112013002934264-pat00045

    (여기서, D는 추정 계측값을 나타내는 벡터,
    Figure 112013002934264-pat00046
    는 정상 계측값을 나타내는 벡터, I는 정상 계측값을 계측한 센서의 번호)
  5. 제4항에 있어서,
    S3단계의 계측이 성공한 시점에서 하나 이상의 센서에 대한 추정 계측값의 변화는 아래의 수식을 만족하도록 유도되는 것을 특징으로 하는 인공신경망을 이용한 오류 계측값 추정 방법.
    Figure 112013002934264-pat00047

    (여기서, k는 계측에 성공한 안정적인 센서의 수)
  6. 제1항에 있어서,
    S4단계에서 하나 이상의 센서에 대한 각각의 추정 계측값은 서로 연결된 곡선의 형태로 나타내며 상기 곡선의 기울기를 변화시켜, 각각의 정상 계측값에 추정 계측값을 구간별로 일치시켜 추정 계측값을 보정하는 것을 특징으로 하는 인공신경망을 이용한 오류 계측값 추정 방법.
  7. 제6항에 있어서,
    S4단계에서 추정 계측값의 보정을 위한 기울기의 변화량은 아래의 수학식으로 정의되는 것을 특징으로 하는 인공신경망을 이용한 오류 계측값 추정 방법.
    Figure 112013002934264-pat00048

    (여기서,
    Figure 112013002934264-pat00049
    는 T구간내에 위치한 임의의 i센서에 작용하는 기울기의 변화 함수,
    Figure 112013002934264-pat00050
    는 T 구간 기울기 변화의 크기를 나타내는 계수,
    Figure 112013002934264-pat00051
    는 T구간의 시작 센서 변호,
    Figure 112013002934264-pat00052
    는 T구간의 마지막 센서 번호, T-th interval은 T구간)
  8. 제6항에 있어서,
    S4단계에서 추정 계측값의 변화량은 아래의 수학식으로 정의되는 것을 특징으로 하는 인공신경망을 이용한 오류 계측값 추정 방법.
    Figure 112013002934264-pat00053

    (여기서,
    Figure 112013002934264-pat00054
    는 T구간의 i번째 계측값에 더해지는 변화량 함수,
    Figure 112013002934264-pat00055
    과
    Figure 112013002934264-pat00056
    는 센서번호)
  9. 제6항에 있어서,
    S4단계에서 추정 계측값을 정상 계측값과 일치시켜 최종 보정된 추정 계측값은 아래의 수학식으로 정의되는 것을 특징으로 하는 인공신경망을 이용한 오류 계측값 추정 방법.
    Figure 112013002934264-pat00057

    (여기서, D는 추정 계측값을 나타내는 벡터, i는 임의의 센서,
    Figure 112013002934264-pat00058
    는 보정된 추정 계측값을 나타내는 벡터,
    Figure 112013002934264-pat00059
    는 T번째 수정된 정상 계측값 벡터인
    Figure 112013002934264-pat00060
    의 원소이다.
    Figure 112013002934264-pat00061
    는 T구간의 i번째 계측값에 더해지는 변화량 함수,
    Figure 112013002934264-pat00062
    는 센서번호
    Figure 112013002934264-pat00063
    의 계측값을 추정한 추정 계측값)
  10. 센서 시스템으로부터 정상적인 계측으로 취득한 정상 계측값만을 이용하며, 정상 계측값을 입력값 및 출력값에 포함시켜 자기 참조형 트레이닝 세트를 생성하는 트레이닝 세트 생성부;
    상기 자기 참조형 트레이닝 세트를 통해 정상 계측값에서 추정 계측값이 산출되도록 인공 신경망을 생성하는 신경망 생성부;
    하나 이상의 계측값 중, 센서 시스템을 통해 건축 구조물에 대한 계측이 실패한 시점 이후의 정상 계측값을 상기 인공 신경망에 입력하여, 계측이 실패한 시점 이후의 오류 계측값을 포함시켜 추정하는 추정 계측값을 산출하는 추정데이터 산출부;
    상기 추정 계측값과 정상 계측값에 대해 하나 이상의 센서에 부여된 센서번호를 기준으로 구간을 나누고, 구간별 보정 함수를 적용하여 추정 계측값에 변화를 가해 상기 추정 계측값을 정상 계측값과 일치시켜 추정 계측값을 보정하는 추정데이터 보정부; 및
    추정데이터 보정부에서 보정된 추정 계측값으로부터 추정된 오류 계측값을 추출하는 오류계측값 추출부
    를 포함하는 인공신경망을 이용한 오류 계측값 추정 시스템.
  11. 제10항에 있어서,
    트레이닝 세트 생성부의 자기 참조형 트레이닝 세트는 센서 시스템을 통해 건축 구조물에 대한 계측이 실패한 시점 이전에 안정적인 계측에 의한 정상 계측값을 입력값과 출력값에 모두 포함시키는 것을 특징으로 하는 인공신경망을 이용한 오류 계측값 추정 시스템.
  12. 제10항에 있어서,
    신경망 생성부의 인공 신경망은 정상 계측값으로 이루어진 입력값과 상기 입력값을 가지는 하나 이상의 센서에 대한 추정 계측값의 오차가 최소가 되도록 훈련되는 것을 특징으로 하는 인공신경망을 이용한 오류 계측값 추정 시스템.
  13. 제10항에 있어서,
    추정데이터 보정부에서 센서 시스템을 구성하는 하나 이상의 센서에 대한 각각의 추정 계측값은 서로 연결된 제1곡선의 형태로 나타내며 제1곡선의 기울기를 변화시켜, 각각의 정상 계측값이 서로 연결된 제2곡선과 구간별로 일치시켜 추정 계측값을 보정하는 것을 특징으로 하는 인공신경망을 이용한 오류 계측값 추정 시스템.
KR1020130003298A 2013-01-11 2013-01-11 인공신경망을 이용한 오류 계측값 추정 방법 및 시스템 KR101348817B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130003298A KR101348817B1 (ko) 2013-01-11 2013-01-11 인공신경망을 이용한 오류 계측값 추정 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130003298A KR101348817B1 (ko) 2013-01-11 2013-01-11 인공신경망을 이용한 오류 계측값 추정 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR101348817B1 true KR101348817B1 (ko) 2014-01-08

Family

ID=50144877

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130003298A KR101348817B1 (ko) 2013-01-11 2013-01-11 인공신경망을 이용한 오류 계측값 추정 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR101348817B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102072174B1 (ko) * 2018-12-18 2020-02-03 브이씨엔씨(주) 강제배차서버 및 강제배차서버에서 배차를 수행하는 방법
KR20200121666A (ko) * 2019-04-16 2020-10-26 광주과학기술원 오차 보정 방법 및 센서 시스템
KR20210065790A (ko) * 2019-11-27 2021-06-04 광운대학교 산학협력단 기술적 지표 및 감성 지표를 기반으로 하는 테마주 주가 예측 장치 및 방법
KR102332188B1 (ko) * 2021-07-14 2021-12-02 이채규 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 ai 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법
WO2022203127A1 (ko) * 2021-03-26 2022-09-29 에스케이플래닛 주식회사 객체 이상 탐지 및 상태 분류 모델의 지속적인 학습을 위한 방법 및 이를 위한 장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08212184A (ja) * 1995-02-01 1996-08-20 Fujitsu Ltd 認識装置および欠損値推定／学習方法
KR20050081630A (ko) * 2004-02-16 2005-08-19 대림산업 주식회사 인공신경망을 사용한 동적신호의 스펙트럼 패턴 비교를통한 구조물의 상태평가기법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08212184A (ja) * 1995-02-01 1996-08-20 Fujitsu Ltd 認識装置および欠損値推定／学習方法
KR20050081630A (ko) * 2004-02-16 2005-08-19 대림산업 주식회사 인공신경망을 사용한 동적신호의 스펙트럼 패턴 비교를통한 구조물의 상태평가기법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
문진철외 1명, 인공신경망에서 풍하중으로부터 구조반응 추정을 위한 데이터 추출, 대한건축학회 학술발표대회 논문집 구조계 제29권제1호 *
문진철외 1명, 풍하중으로부터 구조반응 추정을 위한 인공신경망 기법의 적용, 한국방재학회 2010년 정기학술발표대회 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102072174B1 (ko) * 2018-12-18 2020-02-03 브이씨엔씨(주) 강제배차서버 및 강제배차서버에서 배차를 수행하는 방법
KR20200121666A (ko) * 2019-04-16 2020-10-26 광주과학기술원 오차 보정 방법 및 센서 시스템
KR102238472B1 (ko) 2019-04-16 2021-04-09 광주과학기술원 오차 보정 방법 및 센서 시스템
KR20210065790A (ko) * 2019-11-27 2021-06-04 광운대학교 산학협력단 기술적 지표 및 감성 지표를 기반으로 하는 테마주 주가 예측 장치 및 방법
KR102329232B1 (ko) * 2019-11-27 2021-11-18 광운대학교 산학협력단 기술적 지표 및 감성 지표를 기반으로 하는 테마주 주가 예측 장치 및 방법
WO2022203127A1 (ko) * 2021-03-26 2022-09-29 에스케이플래닛 주식회사 객체 이상 탐지 및 상태 분류 모델의 지속적인 학습을 위한 방법 및 이를 위한 장치
KR102332188B1 (ko) * 2021-07-14 2021-12-02 이채규 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 ai 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법
KR102435166B1 (ko) * 2021-07-14 2022-08-23 이채규 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 ai 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법

Similar Documents

Publication Publication Date Title
CN107330176B (zh) 一种基于结构模态估计的应变计与加速度计联合布设方法
KR101348817B1 (ko) 인공신경망을 이용한 오류 계측값 추정 방법 및 시스템
US10429269B2 (en) Building safety verification system and building safety verification method
CN107315874B (zh) 一种用于结构局部变形与整体模态信息同时获取的传感器布设方法
CN111609805B (zh) 基于全分布应变测点断面曲率的隧道结构状态诊断方法
CN108875178B (zh) 用于减小结构模态识别不确定性的传感器布置方法
Kaloop et al. Multi input–single output models identification of tower bridge movements using GPS monitoring system
KR20190025474A (ko) 플랜트 데이터 예측 장치 및 방법
KR20190025473A (ko) 플랜트 데이터 예측 장치 및 방법
US20210216609A1 (en) Degradation detection system
CN112597577B (zh) 桥梁索力高精度动态测量方法、装置和计算机设备
Liang et al. Safety monitoring of high arch dams in initial operation period using vector error correction model
KR20200063308A (ko) 오토인코더를 이용한 psc 교량의 텐던 손상 추정 방법
KR101328889B1 (ko) 계측 변위 기반의 구조물 건전도 평가 시스템
Kullaa Robust damage detection using Bayesian virtual sensors
CN106446384B (zh) 一种桥式起重机主梁结构的损伤识别方法
US20190178814A1 (en) State assessing device, state assessing method, and storage medium for storing program
CN110728089A (zh) 基于botda技术的大跨桥梁斜拉索结构损伤诊断方法
KR101227776B1 (ko) Ａｎｎ을 이용한 구조물 변위 예측 모델의 수립 방법 및 ａｎｎ을 이용한 구조물 변위 예측 방법
US20200278241A1 (en) Vibration determination device, vibration determination method, and program
WO2018198267A1 (ja) 因果関係学習方法、プログラム、装置および異常分析システム
JP4782734B2 (ja) プラント用計測器校正支援装置及びプラント用計測器校正支援方法
KR20150004127A (ko) 가속도 및 변형률 측정값에 기반한 구조물의 다 지점 변위 추정 방법
Döhler et al. Efficient structural system reliability updating with subspace-based damage detection information
KR20180001617A (ko) 변위 및 경사각 계측 데이터를 융합한 구조물의 변형 형상 추정 방법

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20171221

Year of fee payment: 5

LAPS Lapse due to unpaid annual fee