KR101579732B1 - A method for novel health monitoring scheme for smart concrete structures - Google Patents
A method for novel health monitoring scheme for smart concrete structures Download PDFInfo
- Publication number
- KR101579732B1 KR101579732B1 KR1020150006675A KR20150006675A KR101579732B1 KR 101579732 B1 KR101579732 B1 KR 101579732B1 KR 1020150006675 A KR1020150006675 A KR 1020150006675A KR 20150006675 A KR20150006675 A KR 20150006675A KR 101579732 B1 KR101579732 B1 KR 101579732B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- concrete structure
- wavelet
- smart concrete
- dsf
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
Abstract
Description
본 발명은 스마트 콘크리트 구조물의 건전성을 모니터링하기 위한 방법에 있어서, 상기 방법은 MR 댐퍼가 설치된 스마트 콘크리트 구조물로부터 데이터를 입력 받는 제1단계, 상기 입력받은 데이터를 이산 웨이블릿 분해를 적용하는 제2단계, 상기 웨이블릿 분해가 적용된 데이터를 자동회귀 모델을 적용하여 웨이블릿 기반 자동회기 모델을 생성하는 제3단계, 상기 웨이블릿 기반 자동 회기 모델에 의해 예측된 값과 상기 데이터의 값과의 차이를 측정하기 위해 평균제곱근 오차를 체크하는 제4단계, 손상에 민감한 특징(DSF)을 추출하는 제5단계, 상기 DSF를 분류하는 제6단계, 제6단계(S106)에서 분류된 데이터를 멀티클래스 비선형 relevance vector machine(MNRVM)을 이용하여 평가하는 제7단계, 에러 값이 허용 에러 값보다 큰 경우 상기 제2단계로 돌아가고, 작은 경우 다음단계를 진행하는 제8단계, 데이터의 유효성을 검사하는 제9단계를 포함하는 스마트 콘크리트 구조물의 건전성을 모니터링하기 위한 방법에 대한 것이다.
A method for monitoring the health of a smart concrete structure, the method comprising: a first step of receiving data from a smart concrete structure having an MR damper; a second step of applying discrete wavelet decomposition to the input data; A third step of generating a wavelet-based automatic session model by applying an automatic regression model to the data to which the wavelet decomposition is applied; a third step of calculating a difference between a value predicted by the wavelet-based automatic session model and a value of the data, A fourth step of checking the error, a fifth step of extracting a damage-sensitive characteristic (DSF), a sixth step of classifying the DSF, and a sixth step (S106) of dividing the data into a multi-class nonlinear relevance vector machine ). If the error value is larger than the allowable error value, the process returns to the second step. If the error value is larger than the allowable error value, An eighth step of proceeding to the next step, and a ninth step of validating the data. The present invention relates to a method for monitoring the health of a smart concrete structure.
산업사회로 발전하는 과정에서 건설된 대형 구조물과 시설물들은 설계 및 시공 과정에서의 결함 또는 설계 당시에 고려하지 못하였던 각종 요인으로 인하여 구조 손상이 발생되며, 이러한 구조물들의 사용 기간이 경과함에 따라 점차 노후화됨으로써 그 안전성이 크게 위협을 받고 있다. 예를 들면, 심각한 정도의 구조 손상이 발생한 구조물의 경우, 설계 당시에 계획되었던 설계 사용연한에 크게 못 미칠 정도로 사용연한의 단축을 초래하는 경우도 빈번히 발생하고 있다. 이에 따라 건축 구조물의 장기적인 안전성 및 작동성을 확보하기 위한 노력이 절실히 요구되고 있다. 특히, 건물, 교량, 댐 등과 같은 대형 구조물은 각종 운영 하중, 외부 물체에 의한 충격, 지진, 풍하중, 파랑 하중, 부식 등에 지속적으로 노출되어 있기 때문에 이들로부터 구조물의 안전을 확보하는 문제는 경제, 사회적으로 지대한 관심의 현안이 되고 있다. 이러한 대형 구조물들의 정확한 안전 진단을 위해서는 적절한 실험 계측을 통한 구조물 거동의 모니터링, 구조물 손상을 역학적으로 분석하는 기술 및 구조물 손상을 모델화하는 해석 기술을 통한 진단 기술이 요구된다.Large structures and facilities constructed in the process of developing into an industrial society are subject to structural damage due to defects in the design and construction process or due to various factors which were not considered at the time of designing, Its safety is being threatened. For example, in the case of structures with severe structural damage, frequent shortening of the service life is caused to a degree that is far less than the planned design life at the time of design. Accordingly, there is an urgent need for efforts to secure long-term safety and operability of building structures. In particular, large structures such as buildings, bridges, and dams are continuously exposed to various operating loads, shocks from external objects, earthquakes, wind loads, wave loads, and corrosion. Therefore, Has become a pending issue of interest. In order to accurately diagnose these large structures, it is required to monitor structural behavior through proper experimental measurement, to mechanically analyze structure damage, and to diagnose the structure damage through analysis technology.
구조 건전성 모니터링(SHM: structural health monitoring)은 실시간 모니터링 시스템을 통해 비파괴 검사를 이용하여 구조적 손상을 감지해내는 방법으로 토목 공학 분야에서 많은 관심을 받고 있다. 예를 들어, 구조물이 자연적 또는 인위적인 해저드(hazard)의해 여기(excited)되었을 때, 구조물의 강성과 댐핑과 같은 속성들은 변하게 된다. 센서를 통해 관측된 구조물의 변화들은 SHM 시스템에 전달되고, SHM 시스템은 사전에 대처할 수 있도록 손상 정도와 위치 등을 특정하여 실시간으로 제공한다. 그러나, 스마트 콘크리트 구조물의 손상을 감지하기 위해 SHM 시스템을 적용하는 것은 집약된(integrated) 스마트 컨트롤 시스템의 매우 복잡한 비선형 동작 때문에 많은 어려움이 따른다.Structural health monitoring (SHM) has attracted much attention in the civil engineering field as a method of detecting structural damage using non-destructive inspection through a real-time monitoring system. For example, when a structure is excited by natural or artificial hazards, properties such as stiffness and damping of the structure change. The changes of the structure observed through the sensor are transferred to the SHM system, and the SHM system specifies the degree of damage and the location in advance so as to cope with it in advance and provides it in real time. However, applying the SHM system to detect damage to smart concrete structures is challenging due to the highly complex nonlinear behavior of integrated smart control systems.
이러한 문제를 해결하기 위한 방법 중 하나는 SVM(support vector machine)을 이용하는 것이다. SVM은 스마트 컨트롤 시스템에서 얻어진 비선형 구조 응답 데이터를 평가하고 분류할 수 있는 방법의 하나로 일반적으로 오류율을 최소화하려는 목적으로 사용된다. 하지만, SVM은 두 부류 사이에 존재하는 margin(여백)을 최대화 하여 일반화 능력을 극대화하기 때문에 SVM은 일반화 측면에서 다른 모델과 비교해서 우수한 것으로 알려져 있지만 N2개 이상의 항을 갖는 수식을 계산해야 하기 때문에 구현이 어렵다는 문제점이 있다.One way to solve this problem is to use a support vector machine (SVM). SVM is one of the methods to evaluate and classify nonlinear structure response data obtained from smart control system and is generally used to minimize the error rate. However, SVM is due to maximize generalization ability to maximize the margin (the margin) that exists between the two kinds of SVM are known to be superior in comparison with other models in generalized terms, but because the need to calculate an equation having at least N 2 wherein There is a problem that implementation is difficult.
이에 SVM을 확장한 RVM(relevance vector machine)을 그 대안으로 생각해볼 수 있다. RVM 방법은 SVM 방법 보다 결정 및 일반화 속도가 빠르고 분류의 정확도도 뛰어나다. 하지만, 대부분의 연구가 비선형 스마트 콘크리트 구조의 손상에 대한 분류가 아닌 저비용으로 비선형 스마트 콘크리트 구조 시스템의 손상되지 않은 구조물로부터 얻어진 데이터를 압축하여 전송하는데 목적을 두고 있다.
The RVM (relevance vector machine) that extends SVM can be considered as an alternative. The RVM method has a faster decision and generalization speed than the SVM method and has excellent classification accuracy. However, most studies aim at compressing and transferring data obtained from undamaged structures of nonlinear smart concrete structural systems at low cost, rather than classification of damage to nonlinear smart concrete structures.
본 발명의 배경기술은 대한민국 특허청에 등록특허공보 10-1431237호가 2014.08.11. 자로 개시되어 있다.
BACKGROUND ART [0002] The background art of the present invention is disclosed in the Korean Intellectual Property Office (KIPO) Patent Publication No. 10-1431237. .
상술한 문제점을 해결하기 위해 안출된 본 발명의 과제는, 스마트 콘크리트 구조물의 건전성을 모니터링하기 위한 방법에 있어서, 스마트 콘크리트 구조물로부터 데이터를 입력 받아 입력받은 데이터를 이산 웨이블릿 분해 후, 분해된 데이터를 자동회귀 모델을 적용하여 웨이블릿 기반 자동회기 모델을 생성한다. 그리고 웨이블릿 기반 자동 회기 모델에 의해 예측된 값과 데이터의 값과의 차이를 측정하기 위해 평균제곱근 오차를 체크하고, 손상에 민감한 특징(DSF)을 추출/분류한 후, 에러값을 체크하여 데이터의 유효성을 검사하는 단계를 포함하는 스마트 콘크리트 구조물의 건전성을 모니터링하기 위한 방법을 제공한다.
Disclosure of Invention Technical Problem [8] In order to solve the above-described problems, the present invention provides a method for monitoring the health of a smart concrete structure, comprising the steps of discretizing wavelet decomposition of data received from a smart concrete structure, The regression model is applied to generate a wavelet - based autoregressive model. In order to measure the difference between the value predicted by the wavelet-based automatic regression model and the value of the data, a mean square root error is checked, a damage-sensitive characteristic (DSF) is extracted / classified, And validating the integrity of the smart concrete structure.
본 발명의 일실시 예에 따른 스마트 콘크리트 구조물의 건전성을 모니터링하기 위한 방법에 있어서, 상기 방법은 MR 댐퍼가 설치된 스마트 콘크리트 구조물의 센서로부터 데이터를 입력 받는 제1단계, 상기 센서로부터 입력받은 데이터를 이산 웨이블릿 분해를 적용하는 제2단계, 상기 웨이블릿 분해가 적용된 데이터를 자동회귀 모델을 적용하여 웨이블릿 기반 자동회기 모델을 생성하는 제3단계, 상기 웨이블릿 기반 자동 회기 모델에 의해 예측된 값과 상기 데이터의 값과의 차이를 측정하기 위해 평균제곱근 오차를 체크하는 제4단계, 손상에 민감한 특징(DSF)을 추출하는 제5단계, 상기 DSF를 분류하는 제6단계, 제6단계(S106)에서 분류된 데이터를 MNRVM을 이용하여 평가하는 제7단계, 에러 값이 허용 에러 값보다 큰 경우 상기 제2단계로 돌아가고, 작은 경우 다음단계를 진행하는 제8단계, 데이터의 유효성을 검사하는 제9단계를 포함하는 스마트 콘크리트 구조물의 건전성을 모니터링하기 위한 방법을 특징으로 한다.
A method for monitoring the health of a smart concrete structure according to an exemplary embodiment of the present invention, the method comprising: a first step of receiving data from a sensor of a smart concrete structure provided with an MR damper; A second step of applying wavelet decomposition, a third step of generating a wavelet-based auto-regressive model by applying the automatic regression model to the data to which the wavelet decomposition is applied, a step of calculating a value predicted by the wavelet- A fifth step of extracting a damage sensitive feature (DSF), a sixth step of classifying the DSF, and a sixth step of classifying the data classified in the sixth step (S106) The MNRVM, and if the error value is larger than the allowable error value, the process returns to the second step, Characterized by the steps of claim 8, a method for monitoring the soundness of the Smart concrete structure comprising a ninth step of validating the data to the next step.
본 발명의 일실시 예에 따른 스마트 콘크리트 구조물의 건전성을 모니터링하기 위한 방법을 이용하여 MR 댐퍼가 설치된 스마트 콘크리트 구조물 손상 정도를 멀티클래스 비선형 RVM 프레임웍을 이용해 분류할 수 있고, 그에 따라 스마트 콘크리트 구조물의 건전성을 모니터링 할 수 있다.
The method for monitoring the health of a smart concrete structure according to an embodiment of the present invention can classify the degree of damage of a smart concrete structure provided with an MR damper by using a multi-class nonlinear RVM framework, Can be monitored.
도 1은 스마트 콘크리트 구조물을 위한 MNRVM 기법의 전체 흐름도를 나타낸다.
도 2는 MR 댐퍼가 설치된 스마트 3층 콘크리트 구조물의 구조를 도시한 것이다.BRIEF DESCRIPTION OF THE DRAWINGS Figure 1 shows an overall flow diagram of an MNRVM technique for a smart concrete structure.
2 shows a structure of a smart three-layer concrete structure having an MR damper installed therein.
기타 실시 예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.The details of other embodiments are included in the detailed description and drawings.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.BRIEF DESCRIPTION OF THE DRAWINGS The advantages and features of the present invention and the manner of achieving them will become apparent with reference to the embodiments described in detail below with reference to the accompanying drawings. The present invention may, however, be embodied in many different forms and should not be construed as being limited to the embodiments set forth herein. Rather, these embodiments are provided so that this disclosure will be thorough and complete, and will fully convey the concept of the invention to those skilled in the art. Is provided to fully convey the scope of the invention to those skilled in the art, and the invention is only defined by the scope of the claims. Like reference numerals refer to like elements throughout the specification.
시간에 따라 변하는 이력(hysteretic) 컨트롤 장치가 장착된 구조물의 손상을 탐지하기 위해 RVM 기반 구조적 건전성 모니터링 프레임웍을 이용하여 효율적으로 손상정도를 분류할 수 있다. The RVM-based structural health monitoring framework can be used to efficiently classify damage levels to detect damage to structures with time-varying hysteretic control devices.
도 1은 본 발명의 스마트 콘크리트 구조물을 위한 MNRVM 기법의 전체 흐름도를 나타낸다. BRIEF DESCRIPTION OF THE DRAWINGS Figure 1 shows an overall flow diagram of the MNRVM technique for the smart concrete structure of the present invention.
MNRVM 기법의 유효성과 테스트를 위한 데이터를 수집하기 위해서 MR 댐퍼가 설치된 스마트 콘크리트 구조물을 이용한다. 제1단계에서는 (S101)수집된 데이터들은 가속(acceleration), 편향(velocity), 변형(displacement) 등과 같은 데이터를 스마트 콘크리트 구조물에 부착된 센서들로부터 얻게 된다. 제2단계에서는 (S102) 센서로부터 얻어진 데이터를 압축하고 노이즈를 제거하기 위해 이산 웨이블릿 변환(DWT: discrete wavelet transforms)을 적용한다. 이산 웨이블릿 변환 주어진 신호를 여러 레벨의 서브 컴포넌트로 분해하고 노이즈 제거와 압축을 한 후 다시 원래의 신호로 재구성하는 방법으로 연속된 웨이블릿 변환은 수학식 1과 같다.In order to collect the data for the validity and test of the MNRVM technique, a smart concrete structure with an MR damper is used. In the first step (S101), the collected data are obtained from sensors attached to the smart concrete structure, such as acceleration, velocity, displacement, and the like. In the second step (S102), data obtained from the sensor is compressed and discrete wavelet transforms (DWT) are applied to remove noise. Discrete Wavelet Transform The discrete wavelet transform is decomposed into several levels of subcomponents, noise reduction and compression, and then reconstructed into original signals.
여기서, 상기 S1과 S2는 각각 스케일링 인수와 변형 파라미터를 나타내고, f(n)은 이산시간 신호를 의미한다.Here, S 1 and S 2 denote scaling factors and distortion parameters, respectively, and f (n) denotes a discrete time signal.
수학식 1을 이용하여 이산 웨이블릿 변환식을 유도 할 수 있는데 다음의 수학식 2와 같다.The discrete wavelet transform equation can be derived using Equation (1).
시간 빈도 분석 방법에서 이산 웨이블릿 변환은 원래의 신호에서 고주파 컴포넌트들을 분리한다. 저주파와 고주파 신호를 고려하기 위해서는 이산웨이블릿 변환은 다중분해 해석(MRA: multi resolution analysis)을 이용한다. 다중분해 해석은 스마트 콘크리트 구조물에서 얻어진 시간에 따라 변하는 신호들을 저주파와 고주파 컴포넌트로 분해한다. 스케일링 함수(θ)와 웨이블릿(ψ)은 수학식 3과 같다.In the time frequency analysis method, the discrete wavelet transform separates the high frequency components from the original signal. In order to consider low frequency and high frequency signals, discrete wavelet transform uses multi resolution analysis (MRA). The multiple decomposition analysis decomposes the time-varying signals obtained from smart concrete structures into low frequency and high frequency components. The scaling function? And the wavelet?
스케일링 함수는 고주파에서 데이터를 필터링하기 위해서 로우패스 필터가 동작한다. 이산 웨이블릿 변환 모델링의 효율성을 높이기 위해서는 자동회귀(AR: auto regression) 모델을 적용한다.The scaling function operates a low-pass filter to filter data at high frequencies. To improve the efficiency of discrete wavelet transform modeling, an auto regression (AR) model is applied.
제3단계(S103)에서는 필터링된 응답에 대해 자동회귀 모델을 적용하여 웨이블릿 기반 AR 모델을 만든다.In the third step (S103), an automatic regression model is applied to the filtered response to produce a wavelet-based AR model.
AR 모델은 스마트 콘크리트 구조물에서 얻어진 응답을 사용하여 구조적 동적 시스템의 동작을 추정하는 것이다. AR 모델은 수학식 4와 같다.The AR model estimates the behavior of structural dynamic systems using responses obtained from smart concrete structures. The AR model is shown in Equation (4).
여기서, P는 AR 모델의 최대 순서를 et는 노이즈 소스 또는 예측 에러를 나타내고, yt-kF는 후보 벡터를 나타낸다.Where P denotes the maximum order of the AR model, e t denotes the noise source or prediction error, and y t -k F denotes the candidate vector.
RVM 모델의 분류에서는 웨이블릿 기반 AR 모델(WAR)을 사용하는데 수학식 5를 이용하여 유도할 수 있다.The classification of the RVM model can be derived using Equation (5) using a wavelet-based AR model (WAR).
웨이블릿 기반 AR 모델은 2레벨의 웨이블릿 필터링 된 신호를 이용하고, 웨이블릿 AR 모델의 계수는 스마트 콘크리트 구조물의 구조적 손상을 탐지를 수행하는 폴(pole)의 집합으로 변환 할 수 있다.The wavelet-based AR model uses a two-level wavelet-filtered signal and the coefficients of the wavelet AR model can convert the structural damage of the smart concrete structure into a set of poles that perform detection.
Z-변환(Z transform)을 이용하여 웨이블릿 기반 AR 모델은 웨이블릿 AR 모델의 계수를 폴(pole)의 집합으로 변환할 수 있고, 수학식 6과 같다.Using the Z-transform, the wavelet-based AR model can transform the coefficients of the wavelet AR model into a set of poles, as shown in equation (6).
여기서, Wz는 출력 yt의 Z-변환을 나타내고,XZ는 예측에러를, P와 L은 최대 AR과 MA(moving object) 모델을 나타낸다.Where W z represents the Z-transform of the output y t , X Z represents the prediction error, and P and L represent the maximum AR and moving object (MA) models.
자동회기 이동평균 모델(ARMA)의 전송 함수(transfer function)는 수학식 7과 같다.The transfer function of the automatic session moving average model (ARMA) is shown in Equation (7).
여기서, 상기 전송 함수(Gz)의 분모는 순서 P의 특성방정식(characteristic equation)을 나타낸다.Here, the denominator of the transfer function (G z ) represents a characteristic equation of the order P.
제4단계(S104)에서는 웨이블릿 기반 AR모델과 실제로 얻은 값 간의 차이를 측정하기 위해 평균 제곱근 오차(root mean squared error)를 체크한다.In a fourth step S104, a root mean squared error is checked to determine the difference between the wavelet-based AR model and the actually obtained value.
다음으로 제5단계(S105)에서는 DSF(damage sensitive feature)를 추출한다. DSF는 손상된 구조물과 온전한(healthy) 구조물간의 차이를 구분하는데 사용하는 것으로 정규화된 웨이블릿 기반 AR 계수들로부터 추출하고, 이때, 웨이블릿 기반 AR 계수들의 정규화는 응답속도를 이용한 슈도 에너지 표현(pseudo energy expression)을 사용한다. DSF는 수학식 8에 의해서 결정이 된다.Next, in a fifth step S105, a damage sensitive feature (DSF) is extracted. The DSF is extracted from the normalized wavelet-based AR coefficients used to distinguish the difference between the damaged structure and the healthy structure, wherein the normalization of the wavelet-based AR coefficients is performed using a pseudo energy expression using the response speed, Lt; / RTI > The DSF is determined by equation (8).
여기서, 상기 m과 
제6단계(S106)에서는 상기 제5단계(S105)의 결과를 분류하는 단계로 다중 클래스 분류를 이용하다. 다중 클래스 분류에서는 RVM 모델의 성능을 수량화하기 위해 5가지의 평가 지표를 사용한다. 첫 번째는 민감도(sensitivity)이고 수학식 9와 같다.In the sixth step (S106), the multi-class classification is used as a step of classifying the result of the fifth step (S105). In the multi-class classification, five evaluation indexes are used to quantify the performance of the RVM model. The first is the sensitivity and is expressed by Equation (9).
여기서, 상기 TP와 FN은 포지티브와 네거티브를 의미한다. Here, TP and FN mean positive and negative.
민감도 파라미터는 분류된 온전한 데이터의 백분율로서 실제 포지티브 비율을 측정하는데 사용된다. 두 번째는 특이성(specificity)로 수학식 10으로 계산한다.The sensitivity parameter is used to measure the actual positive rate as a percentage of the categorized intact data. The second is calculated by the formula (10) as the specificity.
특이성은 올바르게 분류된 즉 손상되지 않은 온전한 데이터의 백분율과 같은 네거티브 비율을 측정하는데 사용한다. 세 번째는 정확도로 수학식 11로 계산한다.The specificity is used to measure the negative ratio, such as the percentage of correctly categorized, intact, intact data. The third is calculated by the equation 11 with accuracy.
다음으로 사용된 지지(support)와 관련(relevance) 벡터의 수를 네 번째 지표로 사용하고, 본 발명의 모델을 실험하고 평가하기 위해 걸린 CPU 시간을 다섯 번째 지표로 사용한다. 제7단계(S107)에서는 상기 제6단계(S106)에서 분류된 데이터를 RVM을 이용하여 평가하고 제8단계에서는 상기 평가된 데이터의 에러값이 허용 에러 값보다 큰 경우 제2단계(S102) 과정을 반복하고, 조건을 만족하는 경우에는 제9단계(S109)로 넘어간다.Next, the number of support and relevance vectors used is used as the fourth index, and the CPU time taken to test and evaluate the model of the present invention is used as the fifth index. In the seventh step S107, the data classified in the sixth step S106 is evaluated using the RVM. In the eighth step, if the error value of the evaluated data is larger than the allowable error value, If the condition is satisfied, the process goes to the ninth step (S109).
제9단계(S109)에서는 유효성 검사를 하는 단계로 유효성을 만족하면 종료하고 만족하지 못하면 상기 제2단계(S102)로 다시 돌아가 실험하지 않은 데이터를 평가한다.In the ninth step S109, if the validity is satisfied, the validation is terminated. If the validity is not satisfied, the procedure returns to the second step S102 to evaluate the untrained data.
도2는 본 발명의 MNRVM 기법 모델의 효율성을 실험하기 위한 MR-댐퍼가 설치된 스마트 3층 건축 구조물의 구조를 나타낸다. MR-댐퍼는 건물에서 발생하는 진동을 효과적으로 관리하고 구조적 안정성을 확보하여 건물의 내구 수명을 연장하기 위해 MR(magneto rheological) 유체를 활용한 MR-댐퍼를 이용하여 진동을 제어하고 있다. 도 2에서는 MR-댐퍼가 1층에 설치되어 있지만, 이는 필요에 따라 다른 층에도 적절하게 설치가 가능하다. 수학식 12는 스마트 콘크리트 구조물과 MR-댐퍼가 통합된 미분방정식을 나타낸다. FIG. 2 shows a structure of a smart 3-layer building structure equipped with an MR damper for testing the efficiency of the MNRVM technique model of the present invention. The MR-damper effectively controls the vibration generated by the building and controls the vibration by MR-damper using MR (magneto rheological) fluid to secure the structural stability and extend the durability life of the building. Although the MR damper is provided in the first layer in FIG. 2, it can be appropriately installed in other layers as required. Equation (12) represents a differential equation in which a smart concrete structure and an MR-damper are integrated.
여기서, M, C, K는 각각 질량, 댐핑, 강성을 나타내고, 상기 
본 발명은 상술한 바람직한 실시예에만 한정되는 것이 아니라 본 발명의 요지를 벗어나지 않는 범위 내에서 여러 가지로 개량, 변경, 대체 또는 부가하여 실시할 수 있는 것임은 당해 기술 분야의 통상의 지식을 가진 자라면 용이하게 이해할 수 있을 것이다. 이러한 개량, 변경, 대체 또는 부가에 의한 실시가 이하의 첨부된 청구범의 범주에 속하는 것이라면 그 기술사상 역시 본 발명에 속하는 것으로 간주한다.It will be understood by those skilled in the art that various changes in form and details may be made therein without departing from the spirit and scope of the invention as defined by the appended claims. It will be easy to understand. If the practice of such improvement, alteration, substitution or addition is within the scope of the following claims, the technical idea is also deemed to belong to the present invention.
Claims (4)
상기 방법은 MR 댐퍼가 설치된 스마트 콘크리트 구조물의 센서로부터 데이터를 입력 받는 제1단계;
상기 센서로부터 입력받은 데이터를 이산 웨이블릿 분해를 적용하는 제2단계;
상기 웨이블릿 분해가 적용된 데이터를 자동회귀 모델을 적용하여 웨이블릿 기반 자동회기 모델을 생성하는 제3단계;
상기 웨이블릿 기반 자동 회기 모델에 의해 예측된 값과 상기 데이터의 값과의 차이를 측정하기 위해 평균제곱근 오차를 체크하는 제4단계;
손상에 민감한 특징(DSF)을 추출하는 제5단계;
상기 DSF를 분류하는 제6단계;
상기 제6단계(S106)에서 분류된 데이터를 RVM을 이용하여 평가하는 제7단계;
에러 값이 허용 에러 값보다 큰 경우 상기 제2단계로 돌아가고, 작은 경우 다음단계를 진행하는 제8단계;
데이터의 유효성을 검사하는 제9단계;를 포함하고 상기 DSF는 상기 웨이블릿 기반 자동 회기 모델의 계수를 정규화하여 추출하고, 상기 DSF는
A method for monitoring the health of a smart concrete structure,
The method comprising: a first step of receiving data from a sensor of a smart concrete structure provided with an MR damper;
A second step of applying discrete wavelet decomposition to the data received from the sensor;
A third step of generating a wavelet-based automatic session model by applying the automatic regression model to the data to which the wavelet decomposition is applied;
A fourth step of checking an average square root error to measure a difference between the value predicted by the wavelet-based automatic session model and the value of the data;
A fifth step of extracting a damage-sensitive feature (DSF);
A sixth step of classifying the DSF;
A seventh step of evaluating data classified in the sixth step (S106) using RVM;
Returning to the second step if the error value is larger than the allowable error value, and proceeding to the next step when the error value is smaller than the allowable error value;
Wherein the DSF normalizes and extracts the coefficients of the wavelet-based automatic session model, and the DSF extracts
The smart concrete structure according to claim 1, wherein the data of the first step is collected through an attached sensor of the smart concrete structure and is acceleration, speed, and movement information of the smart concrete structure. Lt; / RTI >
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020150006675A KR101579732B1 (en) | 2015-01-14 | 2015-01-14 | A method for novel health monitoring scheme for smart concrete structures |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020150006675A KR101579732B1 (en) | 2015-01-14 | 2015-01-14 | A method for novel health monitoring scheme for smart concrete structures |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101579732B1 true KR101579732B1 (en) | 2015-12-30 |
Family
ID=55088060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020150006675A KR101579732B1 (en) | 2015-01-14 | 2015-01-14 | A method for novel health monitoring scheme for smart concrete structures |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101579732B1 (en) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108732931A (en) * | 2018-05-17 | 2018-11-02 | 北京化工大学 | A kind of multi-modal batch process modeling method based on JIT-RVM |
| CN109061544A (en) * | 2018-08-23 | 2018-12-21 | 广东工业大学 | A kind of electric energy metering error estimation method |
| CN109725138A (en) * | 2019-01-24 | 2019-05-07 | 济南大学 | Clinker quality detection method, device and equipment in intelligent cement factory production |
| CN110018695A (en) * | 2018-03-29 | 2019-07-16 | 重庆大学 | Super-span suspension bridge flutter pneumatic wing plate Active Control Method |
| KR20200019377A (en) * | 2018-08-14 | 2020-02-24 | 강원대학교산학협력단 | Method for Kalman filtering using measurement noise recommendation, and recording medium thereof |
| CN111881800A (en) * | 2020-07-22 | 2020-11-03 | 福建农林大学 | Concrete filled steel tube void defect detection method based on AR model and self-service inspection |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100844893B1 (en) * | 2007-02-27 | 2008-07-09 | 한양대학교 산학협력단 | Structural health monitoring apparatus |
| KR20120114439A (en) * | 2011-03-25 | 2012-10-17 | 한국유지관리 주식회사 | System for intelligent monitoring and safety evaluation of bridge based on usn |
| KR101394240B1 (en) * | 2013-05-15 | 2014-05-27 | 한국건설기술연구원 | Sensor fixing apparatus for burying and installing in concrete structure, and method for the same |
-
2015
- 2015-01-14 KR KR1020150006675A patent/KR101579732B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100844893B1 (en) * | 2007-02-27 | 2008-07-09 | 한양대학교 산학협력단 | Structural health monitoring apparatus |
| KR20120114439A (en) * | 2011-03-25 | 2012-10-17 | 한국유지관리 주식회사 | System for intelligent monitoring and safety evaluation of bridge based on usn |
| KR101394240B1 (en) * | 2013-05-15 | 2014-05-27 | 한국건설기술연구원 | Sensor fixing apparatus for burying and installing in concrete structure, and method for the same |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110018695A (en) * | 2018-03-29 | 2019-07-16 | 重庆大学 | Super-span suspension bridge flutter pneumatic wing plate Active Control Method |
| CN110018695B (en) * | 2018-03-29 | 2020-12-15 | 重庆大学 | Active control method for flutter pneumatic wing plate of super-large-span suspension bridge |
| CN108732931A (en) * | 2018-05-17 | 2018-11-02 | 北京化工大学 | A kind of multi-modal batch process modeling method based on JIT-RVM |
| KR20200019377A (en) * | 2018-08-14 | 2020-02-24 | 강원대학교산학협력단 | Method for Kalman filtering using measurement noise recommendation, and recording medium thereof |
| KR102100386B1 (en) * | 2018-08-14 | 2020-04-13 | 강원대학교산학협력단 | Method for Kalman filtering using measurement noise recommendation, and recording medium thereof |
| CN109061544A (en) * | 2018-08-23 | 2018-12-21 | 广东工业大学 | A kind of electric energy metering error estimation method |
| CN109061544B (en) * | 2018-08-23 | 2020-11-06 | 广东工业大学 | Electric energy metering error estimation method |
| CN109725138A (en) * | 2019-01-24 | 2019-05-07 | 济南大学 | Clinker quality detection method, device and equipment in intelligent cement factory production |
| CN109725138B (en) * | 2019-01-24 | 2021-06-29 | 济南大学 | Method, device and equipment for detecting quality of clinker in production of intelligent cement factory |
| CN111881800A (en) * | 2020-07-22 | 2020-11-03 | 福建农林大学 | Concrete filled steel tube void defect detection method based on AR model and self-service inspection |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zenzen et al. | A modified transmissibility indicator and Artificial Neural Network for damage identification and quantification in laminated composite structures | |
| KR101579732B1 (en) | A method for novel health monitoring scheme for smart concrete structures | |
| Chen et al. | Application of Hilbert-Huang transform in structural health monitoring: A state-of-the-art review | |
| Asgarian et al. | Damage detection of jacket type offshore platforms using rate of signal energy using wavelet packet transform | |
| Sohn | Effects of environmental and operational variability on structural health monitoring | |
| Naderpour et al. | A synthesis of peak picking method and wavelet packet transform for structural modal identification | |
| TWI449883B (en) | Method for analyzing structure safety | |
| Bao et al. | Time-varying system identification using a newly improved HHT algorithm | |
| CN102353509B (en) | Method for rapidly detecting medium and small bridge on basis of block impact vibration test | |
| Cheung et al. | The application of statistical pattern recognition methods for damage detection to field data | |
| Nie et al. | Structural damage detection based on the reconstructed phase space for reinforced concrete slab: experimental study | |
| Tabrizian et al. | A new damage detection method: Big Bang-Big Crunch (BB-BC) algorithm | |
| Basu | Identification of stiffness degradation in structures using wavelet analysis | |
| Rageh et al. | Automated, strain-based, output-only bridge damage detection | |
| Yang et al. | Vibration-based structural damage identification: a review | |
| Jayawardhana et al. | Statistical damage sensitive feature for structural damage detection using AR model coefficients | |
| Monavari et al. | Structural deterioration detection using enhanced autoregressive residuals | |
| Sanchez et al. | Structural health monitoring using synchrosqueezed wavelet transform on IASC-ASCE benchmark phase I | |
| Ahmadi et al. | Health monitoring of pedestrian truss bridges using cone-shaped kernel distribution | |
| Fakharian et al. | Damage severity quantification using wavelet packet transform and peak picking method | |
| Sands et al. | Output-only structural damage detection via enhanced random vibration analysis using LSTM/GRU model | |
| Farrar et al. | Integrated structural health monitoring | |
| Peng et al. | Improving identifiability of structural damage using higher order responses and phase space technique | |
| Qiao | Structural damage detection using signal-based pattern recognition | |
| Gidiagba et al. | Crack Detection on a Structural Beam: A Simplified Analytical Method Based on Artificial Neural Network Model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20190719 Year of fee payment: 4 |
|
| R401 | Registration of restoration | ||
| FPAY | Annual fee payment |
Payment date: 20191218 Year of fee payment: 5 |