KR101907589B1

KR101907589B1 - 확장 칼만 필터와 유전자 알고리즘을 이용한 건축 구조물 시스템 식별 장치 및 그 방법

Info

Publication number: KR101907589B1
Application number: KR1020180007837A
Authority: KR
Inventors: 박효선; 윤다요
Original assignee: 연세대학교 산학협력단
Priority date: 2018-01-22
Filing date: 2018-01-22
Publication date: 2018-10-12

Abstract

본 발명은 확장 칼만 필터와 유전자 알고리즘을 이용한 건축 구조물 시스템 식별 장치 및 그 방법에 관한 것이다. 건축 구조물 시스템 식별 방법은 확장 칼만 필터 알고리즘을 구성하고, 유전자 알고리즘을 이용하여 최적화된 초기 오차 공분산 메트릭스 변수와 잡음 공분산 메트릭스 변수를 구성하며, 도출된 최적의 파라미터를 가중 전체 반복 방법의 가중치로 확장 칼만 필터 알고리즘에 적용하여 건축 구조물의 동적 특성을 예측한다. 본 발명에 의하면, 확장 칼만 필터 알고리즘의 불안정성을 해결하고, 기존에 비해 빠르고 정확하게 건축 구조물의 실제 측정값에 수렴하는 건축 구조물의 동적 특성을 예측할 수 있다.

Description

확장 칼만 필터와 유전자 알고리즘을 이용한 건축 구조물 시스템 식별 장치 및 그 방법{STRUCTURAL SYSTEM IDENTIFICATION USING EXTENDED KALMAN FILTER AND GENETIC ALGORITHM}

본 발명은 건축 구조물 시스템 식별 장치 및 그 방법에 관한 것으로, 좀 더 구체적으로는 확장 칼만 필터 알고리즘과 유전자 알고리즘을 이용하여 건축 구조물의 동적 특성을 예측하기 위한 건축 구조물 시스템 식별 장치 및 그 방법에 관한 것이다.

실제 사용하고 있는 건축 구조물의 특성은 최초 설계 당시의 특성과 많이 다르다. 이는 장기 하중의 영향으로 인한 피로 손상의 축적이나 지진과 같은 단기 하중에 의한 순간적인 과도한 하중으로 안한 국부 손상 때문이라 할 수 있다. 이러한 건축 구조물의 손상은 일반적으로 강성의 저하를 의미하는데, 건축 구조문의 부재에 균열이 생기거나 노후화로 강성이 저하되면, 감쇠비(Damping ratio), 고유 진동수(Circular freguency) 등과 같은 건축 구조물 만의 고유한 특성인 동적 특성치에 변화가 나타난다. 이러한 변화를 예측하려면, 건축 구조물이 실제로 어떻게 거동하고 있는 지를 파악하기 위한 건축 구조물에 대한 시스템 식별(System Identification, SI) 기법이 필요하다.

시스템 식별 기법은 입력 정보와 출력 정보를 바탕으로 미지의 구조 계수를 추정한다. 즉, 시스템 식별 기법은 바람이나 지진에 의한 건축 구조물의 거동을 이용하여 구조 계수를 식별하는 것이다. 이러한 시스템 식별 기법은 구조물의 과부하나 노화에 따른 부재의 손상을 감성 계수의 감소로 나타낸다. 구조물의 운동 방정식은 질량, 감쇠, 강성으로 표현되는데, 구조물의 질량이 불변한다고 가정하면, 응답의 변화는 강성과 감쇠의 변화와 직접적으로 관련됨을 알 수 있다. 따라서 부재의 손상을 추정하는 것은 강성이 변화하는 위치를 찾고, 변화량을 식별하는 것과 같다. 시스템 식별 기법은 실제 계측을 통하여 변위, 속도, 가속도와 같은 응답을 측정하고, 이를 바탕으로 강성과 감쇠를 역해석하는 것이다.

건축 구조물의 시스템 식별 방법은 대표적으로 시간 영역 방법 및 주파수 영역 방법이 있다. 시간 영역 방법은 변위, 속도, 가속도 등의 시간에 따라 표본을 얻은 출력 자료를 이용하여 건축 구조물의 물성을 추정하는 방법으로, 예를 들어, SSI(Stochastic Subspace Identification), ERA(Eigensystem Realization Algorithm), ITD(Ibrahim Time Domain) 방법이 있다. 주파수 영역 방법은 예를 들어, EFDD(Enhanced Frequency Domain Decomposition) 방법이 있다.

현재 실무에서는 주파수 영역 방법인 EFDD 방법을 주로 사용하고 있다. 그러한 이유는 시간 영역 식별 방법이 구조물의 운동 방정식을 수학적 식으로 표현하여 운동 방정식의 시스템 파라미터를 추정하는 파라메트릭적 방법이기 때문이다. 즉, 실제 건물을 수학적 식으로 정의하는 것은 거의 불가능하기 때문에 대부분의 실무에서는 수학적 식으로 도출할 필요가 없는 비파라메트릭적 방법인 주파수 영역 식별 방법을 사용하고 있다.

주파수 영역 식별 방법 중 EFDD 방법은 출력 자료 만(output only)을 이용하는 식별 방법으로, 오직 건축 구조물로부터 획득된 가속도 데이터 또는 동적 데이터로만 건축 구조물의 동적 특성을 식별할 수 있다. 그러나 EFDD 방법의 단점은 건축 구조물의 응답에만 의존하고 있기 때문에 응답 데이터의 질과 량에서 결과가 크게 달라질 수 있으며, EFDD 방법의 기본 가정성 데이터 수가 많을수록 더 좋은 결과를 보인다고 할 수 있다. 따라서 자유 도수와 데이터 량의 관계에 따라 EFDD 기법은 엄청난 해석 시간을 필요로 하게 된다. 또한 EFDD 방법 중 모드 댐핑 추출 방법은 모드 분리를 통한 자유 감쇠 신호를 획득하여 모드 댐핑을 추출하는 것인데 이러한 방법은 모드 분리의 위치와 길이에 따라 모드 댐핑의 추출에 큰 차이를 보이고 있으며, 또한 상술한 바와 같이 데이터의 품질에 따라 모드 댐핑의 값이 크게 변화되므로 정확한 모드 댐핑이라고 말할 수 없는 실정이다.

건축 구조물의 동적 특성을 추정할 수 있는 시스템 식별 기법에는 여러 종류의 해석 기법이 있지만, 확장 칼만 필터(Extended Kalman Filter) 기법이 가장 일반적으로 사용되고 있는 실정이다.

확장 칼만 필터 기법은 선형 시스템에서 유도된 칼만 필터를 비선형계로 확장한 것으로, 초기 상태 벡터를 바탕으로 다음 상태에 대한 예측과 필터링 과정을 반복한다. 이러한 예측과 필터링 과정을 반복하기 위해서는 상태 벡터와 오차 공분산 행렬의 초기치를 필요로 한다. 이 초기치를 어떠한 값으로 설정하느냐에 따라 시스템 식별의 정밀도가 달라지는데, 현재까지 그 값을 정확하게 알 수가 없어 기법 적용 시, 임의에 따라 가정하는 것이 일반적이다. 이러한 초기치 문제는 동적 시스템의 초기 상태를 알지 못할 경우 발생될 수 있는 오차로서, 상태 벡터 변수의 발산에 큰 영향을 미치므로, 정밀도 높은 추정을 위해서는 초기치와 추정치와의 상관 관계를 규명하는 것이 불가피하다.

대한민국 등록특허공보 제10-1598417호(공고일 2016.03.02.) 대한민국 공개특허공보 제10-2014-0070033호(공개일 2014.06.10.) 대한민국 등록특허공보 제10-1655058호(공고일 2016.09.07.)

논문 '확장칼만필터를 이용한 건축구조물의 시스템식별기법', 서울대학교 대학원 건축학과 장상기, 2002년 2월.

본 발명에 따른 건축 구조물 시스템 식별 장치 및 그 방법은 다음과 같은 해결과제를 가진다.

첫째, 확장 칼만 필터 알고리즘과 유전자 알고리즘을 이용하여 건축 구조물의 정확한 상대 변위를 획득하여 건축 구조물의 동적 특성을 예측하고자 하는데 있다.

둘째, 선형 관계에 의해 고유 주파수, 모드 댐핑 등을 추정하여 건축 구조물의 동적 특성을 쉽고, 정확하게 획득하고자 하는데 있다.

셋째, 건축 구조물 시스템 식별 방법 중 EFDD 방법의 모드 댐핑 추정에 관한 부정확한 문제를 최적화된 파라미터와 가중치를 이용하여 해결하고자 한다.

본 발명의 해결과제는 이상에서 언급한 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확하게 이해되어질 수 있을 것이다.

상기 목적들을 달성하기 위한, 건축 구조물 시스템 식별 장치는 확장 칼만 필터 알고리즘을 구성하고, 유전자 알고리즘을 이용하여 최적화된 초기 오차 공분산 메트릭스 변수와 잡음 공분산 메트릭스 변수를 구성하며, 도출된 최적의 파라미터를 가중 전체 반복 방법의 가중치로 확장 칼만 필터 알고리즘에 적용하여 건축 구조물의 동적 특성을 예측하는데 그 한 특징이 있다. 이와 같은 건축 구조물 시스템 식별 장치는 빠르고 정확한 건축 구조물의 동적 특성을 예측할 수 있다.

이 특징에 따른 본 발명의 건축 구조물 시스템 식별 장치는, 건축 구조물로부터 횡방향 변위에 따른 동적 데이터를 실시간으로 측정하는 복수 개의 구조물 응답 센서; 상기 구조물 응답 센서들로부터 측정된 동적 데이터를 수집하는 데이터 수집부; 및 상기 데이터 수집부로부터 동적 데이터를 수신하고, 확장 칼만 필터 알고리즘과 유전자 알고리즘을 이용하여 최적화된 초기 파라미터를 도출하고, 도출된 초기 파라미터에 가중치를 부여하여 건축 구조물의 고유 진동수와 모드 댐핑을 획득하여 동적 특성을 예측하도록 동적 특성 예측부;를 포함한다.

이 특징의 한 실시예에 있어서, 상기 구조물 응답 센서는, 적어도 하나가 상기 건축 구조물의 각 층 또는 일정 층 간격으로 배치되게 설치되어 횡방향 변위에 따른 동적 데이터를 실시간으로 측정한다.

다른 실시예에 있어서, 상기 구조물 응답 센서는 적어도 바람, 지진에 의한 건축 구조물의 횡방향 변위에 따른 가속도 데이터를 측정한다.

또 다른 실시예에 있어서, 상기 동적 특성 예측부는, 상기 건축 구조물에 대한 운동 방정식을 칼만 필터 알고리즘을 적용하기 위한 상태 공간 방정식으로 변환하고, 상기 상태 공간 방정식을 보정하기 위한 칼만 게인을 산출하고, 산출된 칼만 게인을 통해 상기 상태 공간 방정식을 보정하고, 칼만 필터 알고리즘에 적용될 초기 오차 공분산 행렬 변수와 잡음 공분산 행렬 변수를 산출하는 상태 공간 방정식 유도부; 상기 상태 공간 방정식 유도부에서 산출된 오차 공분산 행렬 변수와, 잡음 공분산 행렬 변수 및 상태 벡터의 초기값 범위를 설정하여 확장 칼만 필터 알고리즘을 추출하고, 유전자 알고리즘을 이용하여 칼만 필터 알고리즘에 적용될 초기 오차 공분산 행렬 변수와 잡음 공분산 행렬 변수를 산출하고, 유전자 알고리즘을 이용하기 위해 최적 파라미터를 유도하는 목적 함수를 설정하며, 상기 목적 함수를 필터링하여 결과 데이터를 추출된 확장 칼만 필터 알고리즘에 적용하여 원하는 데이터가 얻을 때까지 반복 처리하여 수렴 데이터를 출력하는 최적 파라미터 설정부; 및 상기 최적 파라미터 설정부로부터 수렴된 수렴 데이터를 받아서 초기 상태 벡터와 오차 공분산 행렬과 잡음 공분산 행렬의 가중치를 결정하고, 결정된 가중치를 확장 칼만 필터 알고리즘에 적용하여 수렴 여부를 판단하여 상기 건축 구조물의 동적 특성을 예측하는 동적 특성 도출부;를 포함한다.

본 발명의 다른 특징에 따르면, 건축 구조물 시스템 식별 방법이 제공된다.

이 특징에 따른 건축 구조물 시스템 식별 방법은, 복수 개의 구조물 응답 센서들로부터 건축 구조물의 횡변위에 따른 가속도 데이터를 실시간으로 계측하는 단계; 유전자 알고리즘을 이용하여 칼만 필터 알고리즘의 상태 백터와 공분산 행렬 변수를 포함하는 초기 파라미터를 최적화하는 단계; 최적화된 파라미터를 칼만 필터 알고리즘에 적용하여 상태 벡터가 최적화된 파라미터에 의해 원하는 상태 벡터의 해에 수렴되는지를 판단하는 단계; 및 판단 결과, 칼만 필터 알고리즘이 최적화된 파라미터에 의해 원하는 상태 벡터의 해에 수렴되면, 수렴된 데이터를 건축 구조물의 동적 특성으로 도출하는 단계;를 포함한다.

이 특징의 일 실시예에 있어서, 상기 방법은; 판단 결과 수렴되지 않으면, 칼만 필터 알고리즘이 상태 벡터의 해로 수렴될 때까지 반복 수행하는 단계;를 더 포함한다.

다른 실시예에 있어서, 상기 초기 파라미터를 최적화하는 단계는, 오차 공분산 행렬 변수와 잡음 공분산 행렬 변수 및 상태 벡터의 초기값 범위를 설정하는 단계; 설정된 초기값 범위에 따른 확장 칼만 필터 알고리즘을 추출하는 단계; 확장 칼만 필터 알고리즘을 적용하기 위하여 건축 구조물의 운동 방정식으로부터 상태 공간 방정식으로 변환하는 단계; 상기 상태 공간 방정식을 보정하기 위한 칼만 게인을 산출하는 단계; 산출된 칼만 게인을 통해 상기 상태 공간 방정식을 보정하고 오차 공분산 행렬을 산출하는 단계; 유전자 알고리즘을 사용하기 위한 최적 파라미터를 유도하는 목적 함수를 설정하는 단계; 추출된 확장 칼만 필터 알고리즘으로 설정된 상기 목적 함수의 추정치를 평가하여 필터링하는 단계; 필터링 결과, 설정된 상기 목적 함수의 추정치가 일정 기준값 이하이면, 결과 데이터를 획득하는 단계; 추출된 확장 칼만 필터 알고리즘에 상기 목적 함수의 결과 데이터를 적용하여 최적의 파라미터가 도출되었는지를 평가하는 단계; 상기 목적 함수가 최적의 파라미터를 도출하여 최적화된 상태 벡터와 공분산 행렬이 수렴되었는지를 판단하는 단계; 판단 결과, 최적화된 상태 벡터와 공분산 행렬이 수렴되었으면, 수렴 데이터를 도출하는 단계;를 포함한다.

또 다른 실시예에 있어서, 상기 초기 파라미터를 최적화하는 단계는, 판단 결과, 최적화된 상태 벡터와 공분산 행렬이 수렴되지 않았으면, 유전자 알고리즘에서 최적화된 상태 백터와 공분산 행렬이 수렴될 때까지를 반복 처리하는 단계를 더 포함한다.

또 다른 실시예에 있어서, 상기 원하는 상태 벡터의 해에 수렴되는지를 판단하는 단계는, 확장 칼만 필터 알고리즘에 최적화된 상태 벡터와 수렴된 공분산 행렬을 적용하는 단계; 가중 전체 반복(Weighted Global Iteration) 방법을 사용하여 원하는 상태 벡터의 해에 도달하기 위하여 가중치를 결정하는 단계; 초기 상태 벡터를 가속도 데이터로 유도하기 위해 결정된 가중치를 확장 칼만 필터 알고리즘에 적용하는 단계; 가중치가 적용된 확장 칼만 필터 알고리즘이 최적의 상태 벡터의 해가 원하는 해로 수렴되었는지를 판별하는 단계; 판별 결과, 최적의 상태 벡터의 해가 원하는 해로 수렴되면, 수렴된 동적 특성을 도출하여 건축 구조물의 동적 특성을 예측하는 단계;를 포함한다.

또 다른 실시예에 있어서, 상기 원하는 상태 벡터의 해에 수렴되는지를 판단하는 단계는, 판별 결과, 최적의 상태 벡터의 해가 원하는 해로 수렴되지 않으면, 가중치가 적용된 확장 칼만 필터 알고리즘이 최적의 상태 벡터의 해로 유도되어 원하는 해로 수렴될 때까지 반복 수행하는 단계;를 더 포함한다.

본 발명의 또 다른 특징에 따르면, 건축 구조물 시스템 식별 방법의 각 단계들을 수행하도록 작성되어 컴퓨터로 독출 가능한 기록 매체에 기록된 컴퓨터 프로그램이 제공된다.

본 발명에 따른 건축 구조물 시스템 식별 장치 및 그 방법은 다음과 같은 효과를 가진다.

첫째, 확장 칼만 필터 알고리즘과 유전자 알고리즘을 이용하여 최적화된 파라미터를 도출하고, 도출된 최적의 파라미터에 가중치를 두고 확장 칼만 필터 알고리즘에 적용함으로써, 확장 칼만 필터 알고리즘의 불안정성을 해결하고, 기존에 비해 빠르고 정확하게 건축 구조물의 실제 측정값에 수렴하는 건축 구조물의 동적 특성을 예측할 수 있다.

둘째, 건축 구조물의 동적 특성을 선형 관계에 의해 모드 댐핑을 추정함으로써, 쉽고 정확하게 건축 구조물의 동적 특성을 획득할 수 있다.

셋째, 건축 구조물의 운동 방정식을 시간 영역 상에서 시스템 식별이 가능하도록 간단하게 변환하고, 이를 통해 EFDD 추정에서 모드 댐핑 추정에 대한 불확식성을 해결할 수 있다.

넷째, 구조 건전도를 위한 여러 가지 응답 중 건축 구조물의 건전도를 나타낼수 있는 변위 응답을 가속도 응답으로부터 추정하여, 상대적 변위 계측이 어려운 실제 건물에서 효과적으로 적용 가능하다.

다섯째, 기존의 시스템 식별을 위한 시스템 구축에 비해 저렴한 비용으로 정확하게 건축 구조물의 동적 특성을 획득할 수 있다.

본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해되어 질 수 있을 것이다.

도 1은 본 발명에 따른 건축 구조물 시스템 식별 장치의 구성을 도시한 블럭도,
도 2는 도 1에 도시된 동적 특성 예측부의 구성을 나타내는 블럭도,
도 3은 본 발명에 따른 건축 구조물 시스템 식별 장치의 건축 구조물의 동적 특성을 예측하기 위한 처리 수순을 도시한 흐름도,
도 4는 도 3에 도시된 유전자 알고리즘을 이용하여 칼만 필터 알고리즘의 초기 파라미터를 최적화하는 수순을 나타내는 흐름도,
도 5는 도 3에 도시된 최적화된 파라미터를 칼만 필터 알고리즘에 적용하는 수순을 나타내는 흐름도,
도 6은 본 발명의 일 실시예에 따른 4 층 건축 구조물에서의 고유각 진동수 추정 및 응답을 나타내는 파형도,
도 7 내지 도 10은 도 6의 실시예에 따른 각 층별 변위 응답을 나타내는 파형도들, 그리고
도 11 내지 도 14는 도 6의 실시예에 따른 각 층별 속도 응답을 나타내는 파형도들이다.

이하, 첨부한 도면을 참조하여, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 설명한다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 이해할 수 있는 바와 같이, 후술하는 실시예는 본 발명의 개념과 범위를 벗어나지 않는 한도 내에서 다양한 형태로 변형될 수 있다. 가능한 한 동일하거나 유사한 부분은 도면에서 동일한 도면부호를 사용하여 나타낸다.

본 명세서에서 사용되는 전문용어는 단지 특정 실시예를 언급하기 위한 것이며, 본 발명을 한정하는 것을 의도하지는 않는다. 여기서 사용되는 단수 형태들은 문구들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다.

본 명세서에서 사용되는 "포함하는"의 의미는 특정 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분을 구체화하며, 다른 특정 특성, 영역, 정수, 단계, 동작, 요소, 성분 및/또는 군의 존재나 부가를 제외시키는 것은 아니다.

본 명세서에서 사용되는 기술용어 및 과학용어를 포함하는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 의미와 동일한 의미를 가진다. 사전에 정의된 용어들은 관련기술문헌과 현재 개시된 내용에 부합하는 의미를 가지는 것으로 추가 해석되고, 정의되지 않는 한 이상적이거나 매우 공식적인 의미로 해석되지 않는다.

본 발명의 건축 구조물 시스템 식별 장치는 건축 구조물의 동적 특성을 예측하기 위하여, 확장 칼만 필터 알고리즘을 구성하고, 유전자 알고리즘을 이용하여 최적화된 초기 오차 공분산 메트릭스 변수와 잡음 공분산 메트릭스 변수를 구성하며, 도출된 최적화된 파라미터를 가중 전체 반복(Weigted Global Iteration) 방법의 가중치로 확장 칼만 필터 알고리즘에 적용하여 건축 구조물의 동적 특성을 식별한다.

이러한 본 발명의 건축 구조물 시스템 식별 장치는 확장 칼만 필터 알고리즘과 유전자 알고리즘을 이용하여 최적화된 파라미터를 도출하고, 도출된 최적의 파라미터에 가중치를 두고 확장 칼만 필터 알고리즘에 적용함으로써, 확장 칼만 필터 알고리즘의 불안정성을 해결하고, 기존에 비해 빠르고 정확하게 건축 구조물의 동적 특성을 예측할 수 있다.

이하에서는 도면을 중심으로 본 발명을 상세히 설명한다.

도 1은 본 발명에 따른 건축 구조물 시스템 식별 장치의 구성을 도시한 블럭도이고, 도 2는 도 1에 도시된 동적 특성 예측부의 구성을 나타내는 블럭도이다.

도 1 및 도 2를 참조하면, 본 발명의 건축 구조물 시스템 식별 장치(100)는 건축 구조물의 동적 특성을 예측하기 위한 시스템 식별 방법을 이용하여 실시간으로 측정된 건축 구조물의 실제 측정값과, 확장 칼만 필터 알고리즘과 유전자 알고리즘을 이용한 추정값을 비교하고, 이를 통해 건축 구조물의 동적 특성을 예측한다. 여기서 건축 구조물의 시스템 식별(Sytem Identification, SI)은 건축 구조물의 동적 특성을 예측하는 것을 의미하며, 동적 특성에는 예를 들어, 고유 주파수, 모드 형상, 모드 댐핑 등이 있다.

이를 위해 본 발명의 건축 구조물 시스템 식별 장치(100)는 예컨대, 컴퓨터 네트워크 시스템으로 구비되고, 복수 개의 구조물 응답 센서(110)와, 데이터 수집부(120) 및 동적 특성 예측부(130)를 포함한다.

구조물 응답 센서(110)는 건축 구조물의 동적 데이터를 실시간으로 측정한다. 구조물 응답 센서(110)는 예컨대, 가속도 센서로 구비되고, 적어도 하나가 건축 구조물의 각 층 또는 일정 층 간격으로 배치되게 설치되어 바람이나 지진 등에 의한 횡방향 변위에 따른 동적 데이터를 실시간으로 측정한다. 구조물 응답 센서(110)는 횡방향 변위를 측정하기 위하여 건축 구조물의 수직축을 따라 해당 층마다 동일한 위치에 설치된다. 구조물 응답 센서(110)는 측정된 동적 데이터 예컨대, 가속도 데이터를 유선 또는 무선 통신망 등을 이용하여 데이터 수집부(120)로 제공한다.

데이터 수집부(120)는 구조물 응답 센서(110)들 각각으로부터 측정된 가속도 데이터를 수집한다. 데이터 수집부(120)는 수신된 가속도 데이터를 해당 층별로 수집하여 변위 오차를 줄일 수 있도록 평균값을 산출할 수도 있다. 데이터 수집부(120)는 수집된 가속도 데이터를 유선 또는 무선 통신망 등을 이용하여 동적 특성 예측부(130)로 제공한다.

그리고 동적 특성 예측부(130)는 확장 칼만 필터 알고리즘과 유전자 알고리즘을 이용하여 최적화된 초기 파라미터를 도출하고, 도출된 초기 파라미터에 가중치를 부여하여 건축 구조물의 고유 특성인 고유 진동수와 모드 댐핑을 획득하여 동적 특성을 예측하도록 처리한다.

구체적으로, 동적 특성 예측부(130)는 도 2에 도시된 바와 같이, 상태 공간 방정식 유도부(132), 최적 파라미터 설정부(134) 및, 동적 특성 도출부(136)를 포함한다.

상태 공간 방정식 유도부(132)는 건축 구조물에 대한 운동 방정식을 칼만 필터 알고리즘을 적용하기 위한 상태 공간 방정식으로 변환한다. 상태 공간 방정식 유도부(132)는 상태 공간 방정식을 보정하기 위한 칼만 게인을 산출한다. 상태 공간 방정식 유도부(132)는 산출된 칼만 게인을 통해 상태 공간 방정식을 보정하고, 칼만 필터 알고리즘에 적용될 모든 공분산 행렬 변수 즉, 초기 오차 공분산 행렬(initial error covariance matrix) 변수와 잡음 공분산 행렬 변수(noise covariance matrix)를 산출한다.

최적 파라미터 설정부(134)는 모든 공분산 행렬 변수와 확장 상태 벡터의 초기값 범위를 설정하여 확장 칼만 필터 알고리즘을 추출한다. 최적 파라미터 설정부(134)는 유전자 알고리즘을 이용하여 칼만 필터 알고리즘에 적용될 최적의 초기 오차 공분산 행렬 변수와 잡음 공분산 행렬 변수를 산출한다. 최적 파라미터 설정부(134)는 유전자 알고리즘을 이용하기 위해 최적 파라미터를 유도하는 목적 함수를 설정한다. 최적 파라미터 설정부(134)는 목적 함수를 필터링하여 그 결과 데이터를 추출된 확장 칼만 필터 알고리즘에 적용하여 원하는 데이터가 얻을 때 까지 반복 처리하여 수렴 여부를 판단한다. 최적 파라미터 설정부(134)는 수렴 데이터를 동적 특성 예측부(136)로 제공한다.

그리고 동적 특성 예측부(136)는 최적 파라미터 설정부(134)로부터 수렴된 수렴 데이터를 받아서 초기 상태 벡터와 공분산 행렬의 가중치로 결정하고, 결정된 가중치를 확장 칼만 필터 알고리즘에 적용하여 수렴 여부를 판단한다.

구체적으로 본 발명의 건축 구조물 시스템 식별 장치의 처리 과정을 도 3 내지 도 5를 이용하여 상세히 설명한다.

도 3은 본 발명에 따른 건축 구조물 시스템 식별 장치의 건축 구조물의 동적 특성을 예측하기 위한 처리 수순을 도시한 흐름도이고, 도 4는 도 3에 도시된 유전자 알고리즘을 이용하여 칼만 필터 알고리즘의 초기 파라미터를 최적화하는 수순을 나타내는 흐름도이며, 그리고 도 5는 도 3에 도시된 최적화된 파라미터를 칼만 필터 알고리즘에 적용하는 수순을 나타내는 흐름도이다.

도 3 내지 도 5를 참조하면, 본 발명의 건축 구조물 시스템 식별 방법은 단계 S200에서 복수 개의 구조물 응답 센서(110)들로부터 건축 구조물의 횡변위에 따른 가속도 데이터를 실시간으로 계측한다.

단계 S210에서 유전자 알고리즘을 이용하여 칼만 필터 알고리즘의 초기 파라미터를 최적화한다.

구체적으로, 단계 S210은 도 4에 도시된 바와 같이, 단계 S212에서 모든 공분산 행렬 변수와 확장 상태 벡터의 초기값 범위를 설정하고, 단계 S214에서 교배(crossover), 돌연변이(mutation) 과정을 통해 확장 칼만 필터 알고리즘을 추출한다. 단계 S216에서 칼만 필터 알고리즘을 적용하기 위하여 건축 구조물의 운동 방정식으로부터 상태 공간 방정식으로 변환한다.

단계 S218에서 상태 공간 방정식을 보정하기 위한 칼만 게인을 산출한다. 단계 S220에서 칼만 게인을 통해 상태 공간 방정식을 보정하고 오차 공분산 행렬을 산출한다. 단계 S222에서 유전자 알고리즘을 사용하기 위한 최적 파라미터를 유도하는 목적 함수를 설정한다.

단계 S224에서 단계 S214의 추출된 칼만 필터 알고리즘으로 설정된 목적 함수의 추정치를 평가하여 필터링한다. 필터링 결과, 설정된 목적 함수의 추정치가 일정 기준값 이하이면, 단계 S226으로 진행하여 결과 데이터를 획득하고, 일정 기준값을 초과하면, 단계 S216으로 진행한다.

단계 S228에서 추출된 확장 칼만 필터에 목적 함수의 결과 데이터를 적용하여 최적의 파라미터가 도출되었는지를 평가한다.

단계 S230에서 목적 함수가 최적의 파라미터를 도출하여 최적화된 상태 벡터와 공분산 행렬이 수렴되었는지를 판단한다. 판단 결과, 수렴되었으면 단계 S250으로 진행하고, 그렇지 않으면 이 수순은 단계 S214로 진행하여 유전자 알고리즘에서 최적화된 상태 백터와 공분산 행렬이 수렴될 때까지를 반복 처리한다.

단계 S250에서 최적화된 파라미터 즉, 상태 백터와 공분산 행렬을 칼만 필터 알고리즘에 적용한다. 구체적으로, 단계 S250은 도 5에 도시된 바와 같이, 단계 S252에서 칼만 필터 알고리즘에 최적화된 상태 벡터와 수렴된 공분산 행렬을 적용한다. 단계 S254에서 초기 상태 벡터와 실제 측정값 즉, 가속도 데이터와의 차이가 매우 크거나, 또는 초기 공분산 행렬을 너무 작게 설정하는 경우, 상태 벡터의 발산이 발생될 수 있고, 초기 공분산 행렬이 너무 크게 설정한다면 상태 벡터의 발산 원인이 될 수 있으므로, 원하는 상태 벡터의 해에 도달하기 위하여 가중치를 결정한다. 여기서 가중치는 가중 전체 반복(Weighted Global Iteration, WGI) 방법을 사용하여 결정한다. 단계 S256에서 초기 상태 벡터를 실제값으로 점차 유도하기 위해 결정된 가중치를 확장 칼만 필터 알고리즘에 적용한다. 단계 S258에서 가중치가 적용된 확장 칼만 필터 알고리즘이 최적의 상태 벡터의 해로 유도되어 원하는 해로 수렴되었는지를 판별한다. 판별 결과, 수렴되면, 단계 S260에서 수렴된 동적 특성을 도출한다. 그러나 판별 결과 수렴되지 않으면, 이 수순은 단계 S254로 진행하여 가중치가 적용된 확장 칼만 필터 알고리즘이 최적의 상태 벡터의 해로 유도되어 원하는 해로 수렴될 때까지 반복 수행한다.

구체적으로, 본 발명의 건축 구조물 시스템 식별 방법을 살펴보면, 다음과 같다.

먼저, 확장 칼만 필터의 장점은 상태 벡터의 구성에 따라 여러 분야에 적용이 간단하고, 비선형성에 대한 부분도 추정이 가능하기 때문에 매우 많이 사용하고 있는 필터 알고리즘이다. 여기서 상태 벡터는 시스템의 응답으로 구성되는 벡터로, 현재 단계의 상태 벡터는 이전 단계의 상태 벡터와 상태 방정식에 의해 관계를 갖는다.

이러한 확장 칼만 필터 알고리즘과 유전자 알고리즘을 이용하여 건축 구조물 시스템 식별 방법은 다음과 같은 절차를 따른다. 즉, 본 발명의 건축 구조물 시스템 식별 방법은 상태 공간 방정식을 유도하는 제1 절차와, 초기 파라미터 설정을 위한 목적 함수를 구성하는 제2 절차 및 가중 전체 반복 방법을 사용하여 가중치를 설정하고 수렴되도록 반복 처리하는 제3 절차로 이루어진다.

제1 절차는 아래의 수학식 1의 운동 방정식을 이용하여 상태 공간 방정식을 유도한다.

여기에서 변수

는 건축 구조물의 질량, 변수

는 감쇠, 변수

는 강성을 의미한다. 또 변수

각각은 시스템의 가속도, 속도, 변위, 지반 가속도의 응답을 나타낸다. 이러한 운동 방정식은 모드 중첩에 의해서 다음의 수학식 2와 같이 모달 좌표계의 식으로 변환될 수 있다.

여기서 변수

각각은 시스템의 모드 댐핑, 고유각 진동수, 모드 참여 계수를 의미한다. 또 변수

각각은 수학식 2의 모달 좌표계에서의 응답인 모드 가속도, 모드 속도, 모드 변위에 해당하는 응답을 나타낸다. 건축 구조물로부터 획득된 가속도 응답은 물리적 응답이기 때문에 두 개의 응답을 맞춰주기 위하여, 양변에 모드 형상

을 곱하여 주면, 모달 좌표계로 변환된 운동 방정식을 물리적 좌표계로 표현되는 운동 방정식으로 나타낼 수 있다. 즉, 그 식은 다음의 수학식 3과 같다.

따라서 수학식 3의 운동 방정식을 상태 공간 방정식으로 나타내면 다음의 수학식 4와 같다.

상태 공간 방정식으로 표현된 수학식 4는 다음의 수학식 5와 같이

에 관한 함수식으로 표현할 수 있다.

여기에서 함수

는 연속 상태 공간 방정식에 해당되며, 함수

는 입력된 하중에 해당된다. 또한 함수

는 시스템 모델이 가지고 있는 잡음 공분산 행렬이다.

확장 칼만 필터 알고리즘은 실제 데이터와 시스템 모델로부터 획득된 데이터와의 상호 보정으로 최적의 값을 추정해나가는 알고리즘이기 때문에 실제 사용된 데이터와 상태 벡터와의 상응하는 연속 측정 방정식을 구성해야 한다. 연속 측정 방정식은 다음의 수학식 6과 같다.

여기에서 함수

는 연속 측정 방정식을 의미한다. 또 함수

는 측정 데이터에 상응하는 연속 상태 공간 방정식

에 관한 함수를 표현한다. 또 함수

는 측정 데이터의 잡음 공분산 행렬에 해당된다.

확장 칼만 필터 방법은 예측 단계와 보정 단계로 나누어 생각할 수 있다. 예측 단계에서는 시스템 모델로부터 구한 상태 공간 방정식을 통해서 시스템에서 발생하는 변위, 속도, 가속도 등의 물리적 값을 표현하는 상태 공간 방정식을 구성하게 된다. 또한 원래의 상태 벡터의 해로 수렴할 수 있게 가속 역할을 하는 오차 공분산 행렬을 설정하게 된다. 연속 상태 공간 방정식으로 유도된 수학식 5는 칼만 필터 알고리즘에 적용하기 위해서 이산 상태 공간 방정식으로 표현되어야 하며, 이산 상태 공간 방정식은 다음의 수학식 7과 수학식 8에 의해서 유도될 수 있다.

수학식 7에서,

는 k+1 스텝에서의 예측 이산 상태 공간 방정식을 나타낸다.

는 상태 전이 행렬(state transition matrix)이며, 이는 다음의 수학식 9와 같이 함수 연속 상태 공간 방정식

를 근사하여 획득할 수 있다.

다음 보정 단계에서는, 앞서 구한 오차 공분산 행렬을 통해서 이산 상태 공간 방정식의 보정 역할을 하는 칼만 게인과, 칼만 게인의 통해 보정된 이산 상태 공간 방정식, 오차 공분산 행렬을 구하는 단계이다. 칼만 게인과 보정된 상태 공간 방정식 및 오차 공분산 행렬은 다음의 수학식 10 내지 수학식 12와 같이 나타낼 수 있다.

수학식 12에서,

는 k+1 스텝에서의 이산 상태 공간 방정식을 나타낸다.

제2 절차는 유전자 알고리즘을 이용하여 확장 칼만 필터 알고리즘의 초기 파라미터 설정을 위한 목적 함수를 구성한다. 즉, 확장 칼만 필터 알고리즘을 사용하기 위해서는 다음과 같은 3 가지 파라미터에 대한 값을 결정해야 한다. 3 가지 파라미터에 대한 값은 다음과 같다. 실제 값과 초기 상태 벡터 설정의 차이에 의한 오차 공분산 행렬인 P 값 결정과, 잡음 공분산 행렬인 Q, R 값을 결정하는 것이다.

오차 공분산 행렬과 잡음 공분산 행렬을 결정하기 위하여, 본 발명에서는 유전자 알고리즘을 사용한다. 유전자 알고리즘은 수학적 함수로 유도할 수 없는 문제에 대하여 그것을 나타내는 목적 함수만 나타내면 최적해를 추정하는 최적화 알고리즘이다. 확장 칼만 필터의 단점은 위에서 제시한 3가지 파라미터에 대하여 정확한 값을 설정하는 것이 매우 어렵기 때문에 여러 가지 파라미터를 설정하고 추정이 잘되는 파라미터를 사용해왔다. 그러나 이와 같은 설정 방법은 확장 칼만 필터의 편향된 추정을 야기하고 크게는 상태 벡터 해의 발산을 유도한다. 따라서 본 발명에서는 유전자 알고리즘을 사용하여 최적의 파라미터를 사용하는 확장 칼만 필터 방법을 개발하였다. 이를 위해 유전자 알고리즘에 의해서 확장 칼만 필터에서 사용되는 3 가지 파라미터는 최적으로 유도되고 확장 칼만 필터에서 사용되어 진다.

유전자 알고리즘을 사용하기 위해서는 최적 파라미터를 유도하는 목적 함수를 설정해야 하는데, 이는 칼만 필터 알고리즘에서 실제 데이터와 시스템 모델의 데이터의 차로 표현되는 수학식 13으로 유도할 수 있다.

수학식 13은 실제 값과 상태 공간 방정식에서 유도된 시스템 모델의 값의 잔차에 해당하는 값이다. 더욱 최적의 오차 공분산 행렬 및 잡음 공분산 행렬이 선택되었을 시, 해당

의 잔차는 매우 작게 결정될 것이다.

획득된

는 평균 제곱근 오차(Root Mean Square Error, RMSE) 방법에 의하여 실제 값과 추정 값 간의 상대적 오차를 나타내는 지표로 사용될 수 있으며, 이 값이 작을수록 최적으로 도출되는 파라미터라고 말할 수 있다. 평균 제곱근 오차(RMSE)를 나타내는 수학식 14는 다음과 같다.

여기에서 S는 잔차

의 전체 길이에 해당된다.

이어서 제3 절차는 가중치를 이용하여 확장 칼만 필터 알고리즘의 수렴 여부를 결정한다. 즉, 최적의 파라미터를 사용하는 확장 칼만 필터는 1 회의 반복으로 원하는 상태 벡터 해에 도달할 수 없는 경우가 존재한다. 그러한 결과가 발생하는 이유는 초기 상태 벡터와 실제값과의 차이가 매우 크거나 또는 초기 공분산 행렬을 너무 작게 설정하였거나 하는 등의 이유에서 발생할 수 있다. 그렇다고 초기 공분산 행렬을 너무 크게 설정하면, 상태 벡터의 발산의 원인이 될 수 있으므로 본 발명에서는 가중 전체 반복(WGI) iteration 방법을 사용한다.

가중 전체 반복(WGI) 방법은 초기 상태 벡터를 실제값으로 점차 유도하기 위해 가중치를 설정하여 칼만 필터 알고리즘을 여러 번 반복하여 실행하는 기법이다. 본 발명에서는 가중치 설정에서 앞서 제시한 유전자 알고리즘에서 유도된 최적 공분산 행렬이 반복 구간에 사용된다. 공분산 행렬이 유전자 알고리즘에 의해서 유도되었기 때문에 확장 칼만 필터는 최적의 상태 벡터의 해로 유도될 것이며, 반복을 계속하면 원하는 해로 점차 수렴할 수 있다.

따라서 본 발명은 확장 칼만 필터 알고리즘에 의해서 수학식 13에 의해 목적 함수를 구성하고, 목적 함수

는 평균 제곱근 편차(Root Mean Square Error, RMSE) 방법에 의해서 표현되어 유전자 알고리즘에서 사용된다. 유전자 알고리즘에서는 이 목적 함수

를 최소화하는 오차 공분산 행렬과, 잡음 공분산 행렬들을 추정한다. 유전자 알고리즘에서의 모든 세대 진화가 이루어지게 되면, 최적으로 추정된 3 개의 파라미터 즉, 오차 공분산 행렬 P, 잡음 공분산 행렬 Q, R을 획득하게 된다. 가중 전체 반복(WGI) 방법에서 임의로 설정된 가중치가 아닌 최적으로 추정된 파라미터를 사용하여 확장 칼만 필터를 반복 실행하여 상태 벡터의 해가 원하는 실제 값으로 수렴될 수 있다.

그 결과, 확장 칼만 필터 알고리즘과 유전체 알고리즘을 통해 건축 구조물의 고유 시스템 파라미터인 고유각 진동수, 모드 댐핑, 모든 층의 응답을 정확하게 획득할 수 있다.

도 6은 본 발명의 일 실시예에 따른 4 층 건축 구조물에서의 고유각 진동수 추정 및 응답을 나타내는 파형도이고, 도 7 내지 도 10은 도 6의 실시예에 따른 각 층별 변위 응답을 나타내는 파형도들이며, 그리고 도 11 내지 도 14는 도 6의 실시예에 따른 각 층별 속도 응답을 나타내는 파형도들이다.

도 6 내지 도 14를 참조하면, 이 실시예는 4 층 건축 구조물의 모멘트 프레임 골조의 고유각 진동수 추정에 대한 그래프와 응답을 나타낸다. 이 응답은 수렴성을 나타내는 것으로, 도 6에 도시된 바와 같이, 10 회의 반복(iteration)에서 모든 차수의 진동수가 실제 시스템의 파라미터로 수렴되는 것을 확인할 수 있다.

이 실시예에서 도 7과 도 8은 1 층과 2 층 각각에서의 변위 응답을 나타내고, 도 9와 도 10은 3 층과 4 층 각각에서의 변위 응답을 나타낸다. 또 도 11과 도 12는 1 층과 2 층 각각에서의 속도 응답을 나타내고, 도 13과 도 14는 3 층과 4 층 각각에서의 속도 응답을 나타낸다.

따라서 이 실시예에서 10 회의 반복(iteration)에서의 응답은 전 구간에서 실제 모멘트 프레임 골조의 응답값과 완전히 일치하게 추정되는 것을 확인할 수 있다.

상술한 본 발명의 건축 구조물 시스템 식별 방법은 컴퓨터에서 수행하도록 작성되어 컴퓨터로 독출 가능한 기록 매체에 기록된 컴퓨터 프로그램으로 제공될 수 있다. 예컨대, 본 발명의 건축 구조물 시스템 식별 장치가 컴퓨터로 구비되고, 건축 구조물 시스템 식별 방법을 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 컴퓨터 프로그램으로 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체에는 컴퓨터에 의하여 읽힐 수 있는 데이터가 저장되는 다양한 종류의 기록 장치를 포함할 수 있다. 예를 들어, 기록 매체에는 ROM, RAM, 광학 디스크, 자기 테이프, 플로피 디스크, 하드 디스크, 비휘발성 메모리 등을 포함할 뿐만 아니라, 인터넷, 인프라 등의 네트워크를 통해 상호 연결된 컴퓨터에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 컴퓨터 프로그램이 저장 및 실행되는 형태로 제공될 수 있다.

본 명세서에서 설명되는 실시예와 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 예시적으로 설명하는 것에 불과하다. 따라서, 본 명세서에 개시된 실시예들은 본 발명의 기술적 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이므로, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아님은 자명하다. 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 것으로 해석되어야 할 것이다.

100 : 건축 구조물 시스템 식별 장치
110 : 구조물 응답 센서
120 : 데이터 수집부
130 : 동적 특성 예측부
132 : 상태 공간 방정식 유도부
134 : 최적 파라미터 설정부
136 : 동적 특성 예측부

Claims

건축 구조물 시스템 식별 장치에 있어서,
건축 구조물로부터 횡방향 변위에 따른 동적 데이터를 실시간으로 측정하는 복수 개의 구조물 응답 센서; 상기 구조물 응답 센서들로부터 측정된 동적 데이터를 수집하는 데이터 수집부; 및 상기 데이터 수집부로부터 동적 데이터를 수신하고, 확장 칼만 필터 알고리즘과 유전자 알고리즘을 이용하여 최적화된 초기 파라미터를 도출하고, 도출된 초기 파라미터에 가중치를 부여하여 건축 구조물의 고유 진동수와 모드 댐핑을 획득하여 동적 특성을 예측하도록 동적 특성 예측부;를 포함하며,
상기 동적 특성 예측부는,
상기 건축 구조물에 대한 운동 방정식을 칼만 필터 알고리즘을 적용하기 위한 상태 공간 방정식으로 변환하고, 상기 상태 공간 방정식을 보정하기 위한 칼만 게인을 산출하고, 산출된 칼만 게인을 통해 상기 상태 공간 방정식을 보정하고, 칼만 필터 알고리즘에 적용될 초기 오차 공분산 행렬 변수와 잡음 공분산 행렬 변수를 산출하는 상태 공간 방정식 유도부;
상기 상태 공간 방정식 유도부에서 산출된 오차 공분산 행렬 변수와, 잡음 공분산 행렬 변수 및 상태 벡터의 초기값 범위를 설정하여 확장 칼만 필터 알고리즘을 추출하고, 유전자 알고리즘을 이용하여 칼만 필터 알고리즘에 적용될 초기 오차 공분산 행렬 변수와 잡음 공분산 행렬 변수를 산출하고, 유전자 알고리즘을 이용하기 위해 최적 파라미터를 유도하는 목적 함수를 설정하며, 상기 목적 함수를 필터링하여 결과 데이터를 추출된 확장 칼만 필터 알고리즘에 적용하여 원하는 데이터가 얻을 때까지 반복 처리하여 수렴 데이터를 출력하는 최적 파라미터 설정부; 및
상기 최적 파라미터 설정부로부터 수렴된 수렴 데이터를 받아서 초기 상태 벡터와 오차 공분산 행렬과 잡음 공분산 행렬의 가중치를 결정하고, 결정된 가중치를 확장 칼만 필터 알고리즘에 적용하여 수렴 여부를 판단하여 상기 건축 구조물의 동적 특성을 예측하는 동적 특성 도출부;를 포함하는 것을 특징으로 하는 건축 구조물 시스템 식별 장치.
청구항 1에 있어서,
상기 구조물 응답 센서는,
적어도 하나가 상기 건축 구조물의 각 층 또는 일정 층 간격으로 배치되게 설치되어 횡방향 변위에 따른 동적 데이터를 실시간으로 측정하는 것을 특징으로 하는 건축 구조물 시스템 식별 장치.
청구항 1 또는 청구항 2에 있어서,
상기 구조물 응답 센서는 적어도 바람, 지진에 의한 건축 구조물의 횡방향 변위에 따른 가속도 데이터를 측정하는 것을 특징으로 하는 건축 구조물 시스템 식별 장치.
삭제
건축 구조물 식별 방법에 있어서:
복수 개의 구조물 응답 센서들로부터 건축 구조물의 횡변위에 따른 가속도 데이터를 실시간으로 계측하는 단계;
유전자 알고리즘을 이용하여 칼만 필터 알고리즘의 상태 백터와 공분산 행렬 변수를 포함하는 초기 파라미터를 최적화하는 단계;
최적화된 파라미터를 칼만 필터 알고리즘에 적용하여 상태 벡터가 최적화된 파라미터에 의해 원하는 상태 벡터의 해에 수렴되는지를 판단하는 단계; 및
판단 결과, 칼만 필터 알고리즘이 최적화된 파라미터에 의해 원하는 상태 벡터의 해에 수렴되면, 수렴된 데이터를 건축 구조물의 동적 특성으로 도출하는 단계;를 포함하는 것을 특징으로 하는 건축 구조물 시스템 식별 방법.
청구항 5에 있어서,
상기 방법은;
판단 결과 수렴되지 않으면, 칼만 필터 알고리즘이 상태 벡터의 해로 수렴될 때까지 반복 수행하는 단계;를 더 포함하는 것을 특징으로 하는 건축 구조물 시스템 식별 방법.
청구항 5에 있어서,
상기 초기 파라미터를 최적화하는 단계는,
오차 공분산 행렬 변수와 잡음 공분산 행렬 변수 및 상태 벡터의 초기값 범위를 설정하는 단계;
설정된 초기값 범위에 따른 확장 칼만 필터 알고리즘을 추출하는 단계;
확장 칼만 필터 알고리즘을 적용하기 위하여 건축 구조물의 운동 방정식으로부터 상태 공간 방정식으로 변환하는 단계;
상기 상태 공간 방정식을 보정하기 위한 칼만 게인을 산출하는 단계;
산출된 칼만 게인을 통해 상기 상태 공간 방정식을 보정하고 오차 공분산 행렬을 산출하는 단계;
유전자 알고리즘을 사용하기 위한 최적 파라미터를 유도하는 목적 함수를 설정하는 단계;
추출된 확장 칼만 필터 알고리즘으로 설정된 상기 목적 함수의 추정치를 평가하여 필터링하는 단계;
필터링 결과, 설정된 상기 목적 함수의 추정치가 일정 기준값 이하이면, 결과 데이터를 획득하는 단계;
추출된 확장 칼만 필터 알고리즘에 상기 목적 함수의 결과 데이터를 적용하여 최적의 파라미터가 도출되었는지를 평가하는 단계;
상기 목적 함수가 최적의 파라미터를 도출하여 최적화된 상태 벡터와 공분산 행렬이 수렴되었는지를 판단하는 단계;
판단 결과, 최적화된 상태 벡터와 공분산 행렬이 수렴되었으면, 수렴 데이터를 도출하는 단계;를 포함하는 것을 특징으로 하는 건축 구조물 시스템 식별 방법.
청구항 7에 있어서,
상기 초기 파라미터를 최적화하는 단계는,
판단 결과, 최적화된 상태 벡터와 공분산 행렬이 수렴되지 않았으면, 유전자 알고리즘에서 최적화된 상태 백터와 공분산 행렬이 수렴될 때까지를 반복 처리하는 단계를 더 포함하는 것을 특징으로 하는 건축 구조물 시스템 식별 방법.
청구항 5에 있어서,
상기 원하는 상태 벡터의 해에 수렴되는지를 판단하는 단계는,
확장 칼만 필터 알고리즘에 최적화된 상태 벡터와 수렴된 공분산 행렬을 적용하는 단계;
가중 전체 반복(Weighted Global Iteration) 방법을 사용하여 원하는 상태 벡터의 해에 도달하기 위하여 가중치를 결정하는 단계;
초기 상태 벡터를 가속도 데이터로 유도하기 위해 결정된 가중치를 확장 칼만 필터 알고리즘에 적용하는 단계;
가중치가 적용된 확장 칼만 필터 알고리즘이 최적의 상태 벡터의 해가 원하는 해로 수렴되었는지를 판별하는 단계;
판별 결과, 최적의 상태 벡터의 해가 원하는 해로 수렴되면, 수렴된 동적 특성을 도출하여 건축 구조물의 동적 특성을 예측하는 단계;를 포함하는 것을 특징으로 하는 건축 구조물 시스템 식별 방법.
청구항 9에 있어서,
상기 원하는 상태 벡터의 해에 수렴되는지를 판단하는 단계는,
판별 결과, 최적의 상태 벡터의 해가 원하는 해로 수렴되지 않으면, 가중치가 적용된 확장 칼만 필터 알고리즘이 최적의 상태 벡터의 해로 유도되어 원하는 해로 수렴될 때까지 반복 수행하는 단계;를 더 포함하는 것을 특징으로 하는 건축 구조물 시스템 식별 방법.
청구항 5 내지 청구항 10 중 어느 한 항에 기재된 상기 건축 구조물 시스템 식별 방법의 각 단계들을 수행하도록 작성되어 컴퓨터로 독출 가능한 기록 매체에 기록된 컴퓨터 프로그램.