KR102073323B1 - 인공지능 기반의 구조물 건전성 관리 시스템 - Google Patents

Abstract

본 발명은 인공지능 기반의 구조물 건전성 관리 시스템에 관한 것으로서 구조물에 부착되고 센서 네트워크를 통해 측정된 센서 데이터를 전송하는 하나 이상의 센서; 수신된 센서 데이터를 저장하고, 학습에 필요한 센서데이터를 인공지능 트레이닝 모듈로 전달하며, 인공지능 예측 모듈로부터 수신한 센서 데이터 분석결과를 저장하는 데이터베이스 모듈; 데이터베이스 모듈로부터 전달받은 센서 데이터를 이용하여 학습을 수행하고 학습이 완료된 인공지능 모델을 인공지능 예측 모듈로 전달하는 인공지능 트레이닝 모듈; 상기 학습이 완료된 인공지능 모델을 탑재하고 데이터베이스 모듈로부터 센서 데이터를 입력받아 구조물의 상태를 실시간 분석하는 인공지능 예측 모듈;을 포함한다. 본 발명에 따르면 대형 구조물에 부착되는 하나 이상의 센서에서 발생하는 시계열 데이터를 입력받아 인공지능 모델을 통하여 분석함으로서 보다 효과적이고 효율적으로 대형 구조물의 건전성을 진단하고 예측하여 관리할 수 있다.

Description

인공지능 기반의 구조물 건전성 관리 시스템{AI Structure Integrity Management System}

본 발명은 대형 구조물의 건전성을 예측하고 관리할 수 있는 인공지능(AI : Artificial Intelligence) 기반의 구조물 건전성 관리 시스템에 관한 것이다.

대형 교량, 고층 빌딩, 댐과 같은 대형 구조물들은 사용 기간이 경과함에 따라 노후화, 사용에 따른 피로도 누적 등 각종 요인으로 인하여 구조적 손상이 발생될 수 있으며 이를 방치할 경우 안전성에 문제가 되어 대형 사고로 이어질 수 있다. 이에 따라 대형 구조물의 상태를 진단하고 건전성을 확보하기 위한 SHM(Structure Health Mornitering)과 같은 구조물 모니터링 시스템 개발이 요구되어 왔다.

이러한 대형 구조물의 모니터링을 위해 기존의 SHM(Structure Health Mornitering) 시스템은 구조물의 주요 부위에 다양한 측정 센서들을 부착하고 이들의 센서 값의 변동에 대하여 기준 값을 넘는 경우 이벤트 통지 등의 방법을 사용하고 있으나 오작동이나 정상인 경우에도 이벤트가 발생하는 등 신뢰성에 문제가 있다. 또한 대형 구조물의 경우 방대한 규모의 센서가 부착되어 있고, 센서의 종류도 다양해지고 있는 상황에서 전체적인 점검을 위해서는 센서간의 통계학적인 상관관계 분석을 통한 방법이 강구되고 있으나 이는 방대한 계산을 필요로 할뿐만 아니라 으로는 실시간 분석 및 예측이 곤란하여 구조물 관리가 불가능하다.

구조물 진단에 사용되는 다양한 종류의 센서 중에서 가속도계 센서는 2축방향 또는 3축방향의 가속도를 측정하는 센서로서 대형 구조물의 상시 진동이나 지진 진동 등을 측정하는 센서이다.

특히 교량의 경우 가속도계 센서는 교량의 진동 특성을 분석하는데 사용되는 센서로서 구조물의 건전성을 평가하는데 있어서 매우 중요한 센서 중 하나이다. 기존의 SHM의 경우 단순히 가속도계 센서 데이터가 임계치 이상인지 여부만을 바탕으로 이벤트 경보를 발생시켜 관리자에게 통지하기 때문에 실제로 구조물의 건전성 에 이상 있는지 여부는 추가적인 점검을 통해서 확인할 수 밖에 없다.

최근에는 인공지능(AI : Artificial Intelligence)을 이용하게 되면서 방대한 양의 데이터에 대한 실시간 분석이 가능해지고 일정부분 미래 예측도 가능할 수 있으므로, 이를 구조물 관리 분야에 도입하여 보다 효과적으로 구조물의 건전성을 점검할 수 있는 기술 개발이 요구되어 왔다.

선행특허문헌(대한민국 공개특허공보 제10-2017-0069138호)에서 인공신경망 기반 고층 구조물 응력 예측모델 시스템, 안전성 평가 시스템 및 그 평가방법은 고층 구조물에 설치되는 다수개의 바람센서 및 변형률 센서를 통해 형성된 인공신경망(Artificial NeuralNetwork:ANN)을 바탕으로 바람정보에 따른 변형률 데이터를 훈련시켜 풍하중에 따른 고층 구조물의 응력 예측모델을 생성하는 응력 예측모델 생성부를 개시하고 있으나, 다양한 다른 종류 센서들에 직접 적용하기에는 한계가 있다.

인공지능을 이용한 학습이 제대로 효과를 발휘하기 위해서는 다양한 센서들의 데이터 특성에 따라 적합한 다수의 뉴럴넷 인공지능 모델 개발이 필요하고 그에 따른 입력 데이터의 인코딩 방법도 다수 필요하다. 가속도계 센서는 교량과 같은 구조물의 건전성을 판단하기 위한 중요한 요소인 고유진동수 측정을 위한 중요한 센서 중 하나이지만 가속도계 센서 데이터를 분석할 수 있는 전용의 인공지능 모델이 개발된 적이 없었고 상기 선행기술문헌에서도 가속도계 센서 데이터를 학습시키에 적합한 인공지능 모델을 제시하고 있지는 못하다. 가속도계 센서 데이터는 시계열 데이터로서 일정 시간 범위 내의 데이터들의 상관 관계를 분석하여야만 구조물의 이상여부를 판단할 수 있다. 이에 적합한 인공지능 모델의 개발에 있어서 가속도계 센서 데이터를 통한 교량의 고유 진동수 판단은 데이터의 변동이 정상인 경우의 수가 비정상인 경우보다 현저히 많아 학습이 어려운 구조이기 때문에 이에 적합한 새로운 인공지능(AI : Artificial Intelligence) 모델의 개발이 필요하다.

대한민국 공개특허공보 제10-2017-0069138호(공개일자 : 2017년06월20일)

상술한 문제점을 해결하기 위해 안출된 본 발명의 과제는, 대형 구조물에 부착되는 하나 이상의 센서에서 발생하는 시계열 데이터를 입력받아 분석할 수 있는 인공지능 기반의 구조물 건전성 관리 시스템을 제공하는 것이다. 본 발명의 또 다른 과제로는 센서에서 발생하는 데이터를 효과적으로 분석하여 구조물의 상태를 진단하고 예측할 수 있도록 학습시킬 수 있는 가속도계 센서 데이터에 적합한 인공지능 모델을 제공하는 것이다.

상술한 과제를 해결하기 위하여 본 발명의 인공지능 기반의 구조물 건전성 관리 시스템은 구조물에 부착되고 센서 네트워크를 통해 측정된 센서 데이터를 전송하는 하나 이상의 센서; 수신된 센서 데이터를 저장하고, 학습에 필요한 센서데이터를 인공지능 (AI : Artificial Intelligence) 트레이닝 모듈로 전달하며, 인공지능 예측 모듈로부터 수신한 센서 데이터 분석결과를 저장하는 데이터베이스 모듈; 데이터베이스 모듈로부터 전달받은 센서 데이터를 이용하여 학습을 수행하고 학습이 완료된 인공지능 모델을 인공지능 예측 모듈로 전달하는 인공지능 트레이닝 모듈; 학습이 완료된 인공지능 모델을 탑재하고 데이터베이스 모듈로부터 센서 데이터를 입력받아 구조물의 상태를 실시간 분석하는 인공지능 예측 모듈;을 포함할 수 있다.

상기 인공지능 트레이닝 모듈은 센서 데이터 전처리기를 포함하며, 센서 데이터 전처리는 센서 데이터가 학습에 적합하도록 센서 데이터의 누락값을 삭제 또는 대체하고, 센서 데이터를 정규화하며, 데이터의 수량을 조정하는 것을 특징으로 한다.

상기 인공지능 트레이닝 모듈은 센서 데이터를 이용하여 학습을 수행하기 위한 인공지능 모델을 포함하며, 인공지능 모델은 LSTM 셀을 포함할 수 있다. 상기 인공지능 모델은 k 개수의 LSTM 셀이 직렬로 연결되는 LSTM 셀 어레이를 포함할 수 있다.(k>3, k는 자연수) 상기 인공지능 모델은 LSTM 셀 어레이가 다층 구조의 레이어로 구성될 수 있다. 상기 인공지능 모델은 3층 이상의 레이어로 구성되고, 인접한 레이어는 1 단위시간만큼 시프트되어 결합될 수 있다.

본 발명의 일실시 예에 따른 인공지능 기반의 구조물 건전성 관리 시스템은 대형 구조물에 부착되는 하나 이상의 센서에서 발생하는 시계열 데이터를 입력받아 인공지능 모델을 통하여 분석함으로서 보다 효과적이고 효율적으로 대형 구조물의 건전성을 진단하고 예측하여 관리할 수 있다. 또한 본 발명은 센서 데이터에 적합한 인공지능 모델을 제공함으로서 센서에서 발생하는 시계열 데이터를 보다 효과적으로 학습시킬 수 있다.

본 발명에 따른 인공지능 기반의 구조물 건전성 관리 시스템은 대형 구조물에 부착되는 센서로부터 입력되는 시계열 데이터를 입력받아 인공지능 모델을 학습시키고, 학습이 완료된 인공지능 모델을 사용하여 방대한 센서 데이터의 실시간 분석이 가능하고 구조물의 미래 상태 예측이 가능하다.

도 1은 대형 교량에 부착되는 다양한 센서들을 보여주기 위한 도면이다.
도 2는 본 발명의 일실시예에 따른 인공지능 기반의 구조물 건전성 관리 시스템의 구성을 도시한 것이다.
도 3은 본 발명의 일실시예에 따른 인공지능 트레이닝 모듈의 구성을 도시한 것이다.
도 4는 본 발명의 일실시예에 따라 센서 데이터를 학습시키기 위한 인공지능 모델의 구성을 도시한 것이다.
도 5는 본 발명의 일실시예에 따라 각각의 센서 데이터에 대한 인공지능 모델을 결합하여 전체 센서들을 학습시키기 위한 딥 앤 와이드(Deep and Wide) 모델을 도시한 것이다.

본 명세서에서 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시 예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.

본 발명의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 “연결되어” 있다거나 “접속되어” 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 “직접 연결되어” 있다거나 “직접 접속되어” 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 “~사이에”와 “바로~사이에” 또는 “~에 이웃하는”과 “~에 직접 이웃하는” 등도 마찬가지로 해석되어야 한다.

본 명세서에서 사용한 용어는 단지 특정한 실시 예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서 “포함하다” 또는 “가지다” 등의 용어를 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 예에 따른 인공지능 기반의 구조물 관리 시스템에 관하여 살펴보기로 한다.

도 1은 대형 교량에 부착되는 다양한 센서들을 보여주기 위한 도면으로, 교량에는 온도계, 풍향풍속계, 변형율계, GNSS, 장력계, PTZ 등 다양한 종류의 센서들이 부착되며 이들 센서들의 데이터를 분석하여 교량의 상태를 진단하게 된다. 이들 센서들은 IoT 기반으로 연결될 수 있으며, 이 경우 센서 네트워크를 형성할 수 있다. 도 1에서 가속도계 센서가 교각과 상판 부근에 설치되어 있는 것으로 도시되어 있으나 이에 한정되는 것은 아니며 교량의 구조에 따라 필요한 곳에 필요한 수의 센서가 부착될 수 있다. 또한 도 1에는 센서의 이름이 특정되지 않았지만 다양한 도형으로 다양한 종류의 센서들을 표현 하였다. 가속도계 센서는 2축방향 또는 3축방향의 가속도를 측정하는 센서로서 대형 구조물의 상시 진동이나 지진 진동 등을 측정하는데 사용된다. 교량의 경우 가속도계 센서는 교량의 진동 특성을 측정하여 구조물의 건전성을 평가하기 위하여 사용된다. 가속도계 센서는 분해능에 따라 매초당 수회에서 수백회에 걸쳐서 측정된 데이터 값을 출력하게 되며 이들 데이터 값의 변동을 분석하면 구조물의 고유진동수의 변화를 감시할 수 있다.

도 2는 본 발명의 일실시예에 따른 인공지능 기반의 구조물 건전성 관리 시스템(100)의 구성을 도시한 것으로서, 구조물에 부착되고 센서 네트워크(200)를 통해 측정된 센서 데이터를 전송하는 하나 이상의 센서와;, 수신된 센서 데이터를 저장하고, 학습에 필요한 센서데이터를 인공지능 트레이닝 모듈(120)로 전달하며, 인공지능 예측 모듈로부터 수신한 센서 데이터 분석결과를 저장하는 데이터베이스 모듈(110);과, 데이터베이스 모듈로부터 전달받은 센서 데이터를 이용하여 학습을 수행하고 학습이 완료된 인공지능 모델을 인공지능 예측 모듈(140)로 전달하는 인공지능 트레이닝 모듈(120);과, 학습이 완료된 인공지능 모델을 탑재하고 데이터베이스 모듈(110)로부터 센서 데이터를 입력받아 구조물의 상태를 실시간 분석하는 인공지능 예측 모듈(140);을 포함한다.

센서 네트워크(200)는 도 1에 도시된 다양한 센서들이 연결된 네트워크이다. 도 2에 도시되지는 않았지만 센서 네트워크(200) 안에는 가속도계 센서가 포함될 수 있다. 특히 본 발명에서 센서 데이터는 가속도계 센서로부터 측정되는 데이터를 포함한다. 센서 네트워크에서 측정된 데이터는 데이터베이스 모듈(110)로 전송되고 데이터베이스 모듈(100)은 센서 데이터를 저장하고 인공지능 트레이닝 모듈(120)로 학습을 위한 데이터를 전달하게 된다. 또한 인공지능 예측 모듈(140)로 센서 데이터를 전달하고 인공지능 예측 모듈이 분석한 결과를 전달 받아 저장하는 기능을 수행한다. 저장된 데이터들과 분석 결과들은 웹서비스 모듈을 통해 사용자 단말에서 확인할 수 있다.

인공지능 트레이닝 모듈(120)은 도 3에 도시된 바와 같이 데이터베이스 모듈(110)로부터 전달받은 센서 데이터를 인공지능 학습에 적합한 포맷으로 바꾸어 주기 위한 센서 데이터 전처리기(121)와 가속도계 센서 데이터의 학습에 적합한 인공지능 모델(122)을 포함한다. 센서 데이터 전처리기(121)는 센서 데이터가 학습에 적합하도록 측정된 센서 데이터의 누락값을 삭제 또는 대체하고, 센서 데이터를 정규화하며, 데이터의 수량을 조정할 수 있다.

인공지능 모델(122)은 다수의 뉴럴넷으로 이루어 질 수 있는데 본 발명에 따른 인공지능 모델(122)은 특히 시계열적으로 상관 관계를 가지는 가속도계 센서 데이터의 트레이닝에 적합하도록 LSTM(Long short-term memory) 셀(Cell)을 포함한다.

도 4를 참조하면 본 발명의 인공지능 모델(122)은 LSTM 셀을 포함한다. 보다 상세하게는 본 발명의 인공지능 모델(122)은 LSTM 어레이(Array)를 포함할 수 있고, LSTM 셀 어레이는 k 개수의 LSTM 셀이 직렬로 연결되어 구성될 수 있다.(k>3, k는 자연수) LSTM 셀의 갯수는 도 4에는 7개의 예시적인 구성을 보여주고 있으나 이에 한정되는 것은 아니며, 센서 데이터의 종류 및 부착 위치 등 상황에 따라 수개에서 수십개까지 선택하여 구성할 수 있다. 가속도계 센서 데이터는 T1으로 입력되고, 단위시간 이후 새로운 데이터가 입력되면 기존 데이터는 시프트되어 우측으로 이동하게 되며 이러한 동작이 반복된다. 도 4에는 T1 부터 T7 까지 입력을 받도록 LSTM 셀이 구성된 것으로 도시되었으나 필요에 따라 가변적이라고 이해될 수 있을 것이다.

또한 상기 인공지능 모델(122)은 LSTM 셀 어레이를 다층으로 쌓은 형태로 하여 다층 구조의 레이어(Layer)를 포함될 수 있다. 본 발명의 실시예에서는 4층 형태의 다층 레이어 구조를 보여주고 있으나 이에 한정되는 것은 아니며, 필요에 따라 상기 인공지능 모델은 3층 이상의 레이어를 포함할 수 있다. 한편 시계열 센서 데이터의 분석과 예측을 위하여 인접한 레이어에서 LSTM 셀 어레이들 간의 결합은 1 단위시간만큼 시프트되어 결합될 수 있다.

이러한 구성으로 인하여 각각의 LSTM 셀의 출력은 우측 또는 상측에 인접한 LSTM 셀이 있는 경우 인접한 셀의 입력으로 연결된다. 우측 또는 상측에 인접한 LSTM 셀이 없는 경우 해당 LSTM 셀은 최종 출력을 내보내게 된다.

이러한 LSTM 셀 어레이 및 다층 구조의 신경망을 통하여 우측 상단의 LSTM 셀의 출력으로부터 확률분포값을 판단하여 정상 또는 비정상 판정을 학습시키게 되고 훈련된 가중치는 저장되어 학습이 종료되면 최종적으로 학습이 완료된 인공지능 모델이 준비되게 된다.

본 발명에 따르면 인공지능 트레이닝 모듈(120)은 가속도계 센서 데이터를 이용하여 인공지능 모델(122)을 학습시키고, 학습이 완료된 인공지능 모델을 구조물 건전성 진단에 사용하기 위하여 인공지능 예측 모듈(140)로 전달한다.

인공지능 예측 모듈(140)은 학습이 완료된 인공지능 모델을 탑재하고 데이터베이스 모듈(110)로부터 센서 데이터를 입력받아 분석 결과를 리턴한다. 인공지능 예측 모듈(140)에 탑재되는 학습이 완료된 인공지능 모델은 주기적으로 업데이트 될 수 있으며, 이경우 인공지능 트레이닝 모듈이 주기적인 학습을 통하여 인공지능 모델을 업데이트 시킬 수 있다.

웹서비스 모듈(130)은 외부 사용자 단말과 연결되며 사용자 인터페이스를 담당한다. 사용자가 요청하는 데이터를 보여주거나 데이터베이스 모듈로부터의 분석결과를 사용자 단말로 주기적으로 전송할 수 있다.

한편 도 2에 도시된 바와 같이 데이터베이스 모듈(110)과 인공지능 트레이닝 모듈(120)과 웹서비스 모듈(130)과 인공지능 예측 모듈(140)은 클라우드 서비스 환경에서 구축될 수 있다. 클라우드 서비스(Cloud Service) 환경은 컴퓨팅 파워와 더불어 확장성 등 다양한 이점을 제공할 수 있다.

도 5는 본 발명의 일실시예에 따라 각각의 가속도계 센서 데이터에 대한 인공지능 모델을 결합하여 전체 센서들을 학습시키기 위한 딥 앤 와이드(Deep and Wide) 모델을 도시한 것이다. 대형 교량에 부착되는 가속도계 센서는 여러 개로 구성되고 이들 각각의 센서마다 각각의 트레이닝 모듈(120)로 딥러닝을 수행하게 된다. 구조물의 건전성을 진단하기 위하여 이들 각각의 센서들의 데이터를 분석한 결과를 종합하여 분석할 필요가 있으므로, 도 5에 예시된 바와 같은 딥 앤 와이드(Deep and Wide) 모델 또는 다른 적합한 학습 모델로 종합적으로 분석 예측할 수 있을 것이다.

이상으로 본 발명에 따른 인공지능 기반의 구조물 건전성 관리 시스템에 대한 바람직한 실시예를 설명하였다. 전술된 실시 예는 모든 면에서 예시적인 것이며, 한정적인 것이 아닌 것으로 이해되어야 하며, 본 발명의 범위는 전술된 상세한 설명보다는 후술 될 특허청구범위에 의하여 나타내어질 것이다. 그리고 이 특허청구범위의 의미 및 범위는 물론, 그 등가 개념으로부터 도출되는 모든 변경 및 변형 가능한 형태가 본발명의 범주에 포함되는 것으로 해석되어야 한다.

100 : 인공지능 기반의 구조물 건전성 관리 시스템
110 : 데이터베이스 모듈
120 : 인공지능 트레이닝 모듈
121 : 센서 데이터 전처리기
122 : 인공지능 트레이닝 모델
130 : 웹서비스 모듈
140 : 인공지능 예측 모듈
200 : 센서 네트워크

Claims (6)

1. 대형 구조물에 부착되는 하나 이상의 센서에서 발생하는 시계열 데이터를 입력받아 인공지능 모델을 통하여 대형 구조물의 건전성을 예측하고 관리할 수 있는 인공지능 기반의 구조물 건전성 관리 시스템에 있어서,
   구조물에 부착되고 센서 네트워크를 통해 측정된 센서 데이터를 전송하는 하나 이상의 센서;
   수신된 센서 데이터를 저장하고, 학습에 필요한 센서 데이터를 인공지능 트레이닝 모듈로 전달하며, 인공지능 예측 모듈로부터 수신한 센서 데이터 분석결과를 저장하는 데이터베이스 모듈;
   데이터베이스 모듈로부터 전달받은 센서 데이터를 이용하여 학습을 수행하고 학습이 완료된 인공지능 모델을 인공지능 예측 모듈로 전달하는 인공지능 트레이닝 모듈;
   상기 학습이 완료된 인공지능 모델을 탑재하고 데이터베이스 모듈로부터 센서 데이터를 입력받아 구조물의 상태를 실시간 분석하는 인공지능 예측 모듈;을 포함하고,
   상기 인공지능 트레이닝 모듈은 센서 데이터를 이용하여 학습을 수행하기 위한 인공지능 모델을 포함하며, 상기 인공지능 모델은 하나 이상의 LSTM 셀을 포함하되 k 개수의 LSTM 셀이 직렬로 연결되어 구성되는 LSTM 셀 어레이를 포함하며,
   상기 센서 데이터는 시계열적으로 상관관계를 가지는 가속도계 센서 데이터이고, 센서 데이터는 LSTM 셀에 입력되고, 단위시간 이후 새로운 데이터가 입력되면 기존 데이터는 시프트되어 다음 LSTM 셀에 입력되는 것을 특징으로 하고,
   상기 인공지능 트레이닝 모듈은 LSTM 셀 어레이가 다층 구조의 레이어로 구성되되,
   상기 인공지능 트레이닝 모듈은 3층 이상의 레이어로 구성되고, 인접한 레이어는 1 단위시간만큼 시프트되어 결합되는 것을 특징으로 하는 인공지능 기반의 구조물 건전성 관리 시스템.(k>3, k는 자연수)
   
2. 청구항 1에 있어서,
   상기 인공지능 트레이닝 모듈은 센서 데이터 전처리기를 포함하며,
   센서 데이터 전처리는 센서 데이터가 학습에 적합하도록 센서 데이터의 누락값을 삭제 또는 대체하고, 센서 데이터를 정규화하며, 데이터의 수량을 조정하는 것을 특징으로 하는 인공지능 기반의 구조물 건전성 관리 시스템.
   
3. 청구항 1에 있어서,
   상기 데이터베이스 모듈과 상기 인공지능 트레이닝 모듈과 상기 인공지능 예측 모듈은 클라우드 서비스 환경에서 구축되는 것을 특징으로 하는 인공지능 기반의 구조물 건전성 관리 시스템.
   
4. 삭제
5. 삭제
6. 삭제

Images