KR102216306B1 - System and method for predicting fatigue life of ship - Google Patents

System and method for predicting fatigue life of ship Download PDF

Info

Publication number
KR102216306B1
KR102216306B1 KR1020190157708A KR20190157708A KR102216306B1 KR 102216306 B1 KR102216306 B1 KR 102216306B1 KR 1020190157708 A KR1020190157708 A KR 1020190157708A KR 20190157708 A KR20190157708 A KR 20190157708A KR 102216306 B1 KR102216306 B1 KR 102216306B1
Authority
KR
South Korea
Prior art keywords
data
ship
neural network
strain
prediction
Prior art date
Application number
KR1020190157708A
Other languages
Korean (ko)
Inventor
양영준
장원두
손정민
Original Assignee
동명대학교산학협력단
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 동명대학교산학협력단 filed Critical 동명대학교산학협력단
Priority to KR1020190157708A priority Critical patent/KR102216306B1/en
Application granted granted Critical
Publication of KR102216306B1 publication Critical patent/KR102216306B1/en

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63J—AUXILIARIES ON VESSELS
    • B63J99/00—Subject matter not provided for in other groups of this subclass
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00—Monitoring properties or operating parameters of vessels in operation
    • B63B79/10—Monitoring properties or operating parameters of vessels in operation using sensors, e.g. pressure sensors, strain gauges or accelerometers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00—Monitoring properties or operating parameters of vessels in operation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00—Monitoring properties or operating parameters of vessels in operation
    • B63B79/20—Monitoring properties or operating parameters of vessels in operation using models or simulation, e.g. statistical models or stochastic models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00—Monitoring properties or operating parameters of vessels in operation
    • B63B79/30—Monitoring properties or operating parameters of vessels in operation for diagnosing, testing or predicting the integrity or performance of vessels
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Ocean & Marine Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

The present invention relates to a system and a method for predicting a ship fatigue lifespan using an artificial neural network. The system of the present invention comprises: a ship motion sensing module for collecting motion data; a learning model generating module including a raw database unit, a learning data generating unit, and a neural network learning unit; a strain prediction module for receiving the motion data from the ship motion sensing module; and a fatigue lifespan prediction module for calculating and providing fatigue lifespan prediction information on a ship. According to the present invention, the prediction accuracy of a ship fatigue lifespan can be improved.

Description

인공신경망을 이용한 선박 피로수명 예측 시스템 및 방법{System and method for predicting fatigue life of ship}System and method for predicting fatigue life of ship using artificial neural network

본 발명은 선박 피로수명 예측 시스템 및 방법에 관한 것으로, 더욱 상세하게는 인공신경망을 이용한 딥러닝 방식으로 분석하여, 선박 피로수명에 대한 예측정보를 산출하도록 구성되는 선박 피로수명 예측 시스템 및 방법에 관한 것이다.The present invention relates to a ship fatigue life prediction system and method, and more particularly, to a ship fatigue life prediction system and method configured to calculate prediction information on ship fatigue life by analyzing it by a deep learning method using an artificial neural network. will be.

일반적으로, 피로수명을 예측하기 위한 방법으로는, 응력-수명 방법, 변형률-수명 방법, 파괴역학적 방법, 균열 발생 수명 평가 등이 있다.In general, as a method for predicting the fatigue life, there are a stress-life method, a strain-life method, a fracture mechanics method, and a crack occurrence life evaluation.

우선, 응력-수명 방법(S-N Approach)은, 분석대상체의 부분에서 일반적은 또는 평균적으로 작용되는 응력값에 따라 분석을 진행하는 것으로, 주로 HCF(High Cycle Fatigue)가 이용된다.First, the stress-life method (S-N Approach) is to proceed with the analysis according to the value of the stress applied in general or average in the part of the analyte, mainly HCF (High Cycle Fatigue) is used.

다음으로, 변형률-수명 방법은, local 응력인 스트레인(strain, 변형도 또는 변형률)에 기초하여 분석을 하는 것이다.Next, the strain-life method is to perform an analysis based on the local stress, the strain (strain, strain or strain).

다음으로, 파괴역학적 방법은, 주로 균열의 propagation life를 추정하는ㄷ네 사용되는 것으로, 피로수평을 알려지거나 가정된 초기 균열 크기를 필요로 한다.Next, the fracture mechanics method, which is mainly used to estimate the propagation life of a crack, requires a known or assumed initial crack size of the fatigue level.

그러나, 상기과 같은 종래의 피로수명 예측을 위한 기술들은, 통계적인 측정치 등을 기반으로 하여 분석이 이루어지는 것으로, 본 발명에서는 인공신경망을 이용하여 딥러닝 학습에 의해 선박의 가속도, 롤링, 피칭과 같은 움직임정보를 이용하여 선박의 스트레인을 예측하여, 이를 이용하여 선박의 피로수명을 산출하고자 한다.However, the conventional techniques for predicting fatigue life as described above are analyzed based on statistical measurements, etc., and in the present invention, movements such as acceleration, rolling, and pitching of a vessel are performed by deep learning learning using an artificial neural network. The information is used to predict the strain of the ship, and the fatigue life of the ship is calculated using this.

한편, 선박은 파도와 같인 지속적인 외력으로 인해 구조 피로가 발생되며, 또한, 화물선과 같이 화물 적재 및 하역 작업 등에서 발생되는 하중과 같이 예상치 못한 하중으로 인한 선박 구조에 변형이 초래되나, 종래에는, 응력-수명 방법과 같이 일반적으로 또는 평균적으로 작용되는 응력값에 따라 분석이 이루어져 파랑에 의한 외력과 같이 지속적으로 발생되는 외력만이 분석에 반영되거나, 변형률-수명 방법과 같이, 스트레인에 기초하여 분석이 이루어져 반복횟수가 적은 외력에 의한 피로인 저주기피로만이 반영됨에 따라 선박의 피로수명 예측이 정확도가 낮은 문제점이 있었다.On the other hand, ships are subject to structural fatigue due to continuous external force such as waves, and deformations are caused to ship structures due to unexpected loads such as loads generated in cargo loading and unloading operations, such as cargo ships, but conventionally, stress -The analysis is performed according to the stress value applied generally or on average, such as the life method, and only the continuously generated external force such as the external force caused by the wave is reflected in the analysis, or the analysis is performed based on strain, such as the strain-life method. As a result, only low-cycle fatigue, which is a fatigue due to external force with a small number of repetitions, is reflected, and thus there is a problem in that the accuracy of the fatigue life prediction of the ship is low.

본 발명은 전술한 바와 같이, 인공신경망을 이용한 딥러닝 방식에 의해 선박 피로수명의 예측 정확성을 향상시킬 수 있도록 하되, 선박의 움직임에 대한 정보를 이용하여 선박의 피로수명을 예측 가능하도록 하는 인공신경망을 이용한 선박 피로수명 예측 시스템 및 방법을 제공하는 것을 목적으로 한다.The present invention, as described above, improves the accuracy of prediction of the ship's fatigue life by a deep learning method using an artificial neural network, but an artificial neural network that enables the prediction of the ship's fatigue life using information on the movement of the ship. It is an object of the present invention to provide a system and method for predicting a ship's fatigue life.

본 발명에 따른 인공신경망을 이용한 선박 피로수명 예측 시스템은, 선박에 설치되어, 선박의 가속도값, 롤링값, 피칭값을 포함하는 움직임데이터를 수집하는 선박움직임 센싱모듈; 선박에 설치되는 스트레인 게이지를 통해 측정되는 선박의 스트레인 정보와, 상기 선박움직임 센싱모듈에 의해 측정되는 선박의 가속도값, 롤링값, 피칭값을 포함하는 선박의 움직임정보가 저장되는 원시데이터베이스부와, 상기 원시 데이터베이스부에 저장된 데이터 중 동일한 시점에 측정된 스트레인 정보와 움직임정보를 하나의 입력데이터로 생성하고, 생성되는 각 입력데이터별로 해당 입력데이터별 스트레인 정보와 움직임정보가 측정된 시점보다 기설정된 소정 주기만큼 이후 시점에 측정된 스트레인 정보를 상기 원시 데이터베이스부로부터 추출하여, 해당 입력데이터의 출력데이터로 생성하여, 생성된 상기 입력데이터와, 각 입력데이터별로 대응되어 생성된 출력데이터를 하나의 데이터세트로 그룹화하여, 인공신경망 학습을 위한 학습데이터로 생성하는 학습데이터 생성부와, 상기 학습데이터의 입력데이터를 입력값으로 하고, 상기 입력데이터에 대응되는 상기 학습데이터의 출력데이터를 상기 입력데이터에 대응되는 출력값으로 하여 인공신경망을 학습시키는 신경망 학습부를 포함하는 학습모델 생성모듈; 상기 선박움직임 센싱모듈로부터 상기 움직임데이터를 전달받아, 전달받은 상기 움직임데이터를 입력값으로 하여, 상기 신경망 학습부를 통해 학습된 인공신경망을 이용한 딥러닝 학습에 의해 선박의 스트레인 예측정보를 해당 입력값에 대응되는 출력값으로 산출하여 제공하는 스트레인 예측모듈; 및 상기 스트레인 예측모듈에서 산출된 상기 스트레인 예측정보를 이용하여 선박의 피로수명 예측정보를 산출하여 제공하는 피로수명 예측모듈;을 포함하여 구성되는 것을 특징으로 한다.A ship fatigue life prediction system using an artificial neural network according to the present invention includes a ship movement sensing module installed on a ship and collecting motion data including an acceleration value, a rolling value, and a pitching value of the ship; A raw database for storing ship's strain information measured by a strain gauge installed on the ship, and ship motion information including the ship's acceleration value, rolling value, and pitching value measured by the ship motion sensing module; Strain information and motion information measured at the same point in time among the data stored in the original database are generated as one input data, and a predetermined predetermined time than when the strain information and motion information for each corresponding input data are measured for each generated input data. Strain information measured at a point in time after a period is extracted from the original database unit and generated as output data of the corresponding input data, and the generated input data and output data generated corresponding to each input data are included in one dataset. A learning data generator that is grouped into and generates learning data for learning an artificial neural network, and input data of the learning data as input values, and output data of the learning data corresponding to the input data corresponds to the input data. A learning model generation module including a neural network learning unit for training an artificial neural network using the output value; By receiving the motion data from the ship motion sensing module and using the received motion data as an input value, the strain prediction information of the ship is converted to the corresponding input value by deep learning learning using the artificial neural network learned through the neural network learning unit. A strain prediction module that calculates and provides a corresponding output value; And a fatigue life prediction module that calculates and provides the fatigue life prediction information of a ship using the strain prediction information calculated by the strain prediction module.

또한, 상기 인공신경망은 LSTM(Long Short-Term Memory) 신경망 모델이 적용되며, 상기 스트레인 예측모듈은 상기 선박움직임 센싱모듈로부터 상기 움직임데이터를 전달받아, 전달받은 상기 움직임데이터를 입력값으로 하여, 상기 신경망 학습부를 통해 학습된 인공신경망을 이용한 딥러닝 학습에 의해 선박의 스트레인 예측정보를 해당 입력값에 대응되는 출력값으로 산출하여 제공하되, 입력값인 상기 선박움직임 센싱모듈로부터 전달받은 움직임데이터가 측정된 시점으로부터 기설정된 소정 기간 이후인 예측시점의 스트레인 예측정보를 산출하여 저장하며, 저장된 상기 스트레인 예측정보는 이후 스트레인 예측정보 산출 시 이용되도록 구성되는 것을 특징으로 한다.In addition, the artificial neural network is applied with a long short-term memory (LSTM) neural network model, and the strain prediction module receives the motion data from the ship motion sensing module, and uses the received motion data as an input value. The ship's strain prediction information is calculated and provided as an output value corresponding to the corresponding input value by deep learning using the artificial neural network learned through the neural network learning unit, but the motion data received from the ship motion sensing module as the input value is measured. Strain prediction information of a prediction time point after a predetermined period from the time point is calculated and stored, and the stored strain prediction information is configured to be used when calculating the strain prediction information later.

또한, 본 발명에 따른 인공신경망을 이용한 선박 피로수명 예측 시스템은, 선박에 설치되어, 선박 주변의 파고, 파주기, 파향 중 적어도 하나를 포함하는 해양환경에 대한 측정데이터 또는 예측데이터를 바탕으로 피로손상 예측정보 생성하는 피로손상 예측모듈;를 더 포함하고, 상기 피로수명 예측모듈은, 상기 스트레인 예측정보와 상기 피로손상 예측정보를 동시에 이용하여 선박의 피로수명 예측정보를 산출하여 제공하도록 구성되는 것을 특징으로 한다.In addition, the ship fatigue life prediction system using an artificial neural network according to the present invention is installed on a ship, and fatigue is performed based on measurement data or prediction data for a marine environment including at least one of wave height, wave period, and wave direction around the ship. Further comprising a fatigue damage prediction module for generating damage prediction information, wherein the fatigue life prediction module is configured to calculate and provide the fatigue life prediction information of the ship by simultaneously using the strain prediction information and the fatigue damage prediction information. It is characterized.

더불어, 상기 피로손상 예측모듈은, 해상이미지를 생성하여 전송하는 레이더와, 파고, 파주기, 파향 중 적어도 하나 이상을 계측하여 해양환경에 대한 계측정보를 생성하여 전송하는 해양환경 계측부와, 상기 레이더로부터 수신되는 상기 해상이미지가 저장되는 해상이미지 저장부와, 상기 해양환경 계측모듈로부터 수신되는 상기 계측정보를 저장하는 계측정보 저장부와, 상기 해상이미지 저장부에 저장된 상기 해상이미지를 인공신경망을 통한 딥러닝 학습에 이용될 수 있도록 가공 처리하여 가공이미지데이터를 생성하는 해상이미지 가공부와, 상기 가공이미지데이터의 원시 데이터인 상기 해상이미지가 생성된 시각과 대응되는 시각에 생성된 계측정보를 상기 계측정보 저장부로부터 추출하여, 상기 가공이미지데이터와 추출된 계측정보를 하나의 데이터세트로 분류하여, 분류된 각 데이터세트별로 데이터세트에 포함된 가공이미지데이터는 인공신경망에 입력될 입력데이터로, 상기 데이터세트의 계측정보는 인공신경망을 통해 산출되는 출력데이터로 설정한 학습데이터를 생성하여 저장하는 제2 학습데이터 생성부와, 상기 학습데이터를 이용하여, 상기 인공신경망에 입력되는 입력데이터인 상기 데이터세트의 가공이미지데이터에 대한 해양환경 예측값인 출력데이터가 해당 데이터세트의 계측정보가 되도록 인공신경망을 학습시키는 제2 신경망 학습부와, 상기 제2 신경망 학습부를 통해 학습된 인공신경망을 이용한 딥러닝 학습에 의해, 상기 레이더로부터 수신되는 해상이미지에 대한 파고, 파주기, 파향 중 적어도 하나를 포함하는 해양환경에 대한 예측데이터를 산출하는 해양환경 예측부와, 상기 해양환경 예측부에서 산출된 상기 해양환경에 대한 예측데이터를 바탕으로 피로손상 예측정보를 생성하는 피로손상 예측부를 포함하여 구성되는 것을 특징으로 한다.In addition, the fatigue damage prediction module includes a radar that generates and transmits a marine image, a marine environment measuring unit that generates and transmits measurement information about the marine environment by measuring at least one of wave height, wave period, and wave direction, and the radar A marine image storage unit for storing the marine image received from the marine environment, a measurement information storage unit for storing the measurement information received from the marine environment measurement module, and the marine image stored in the marine image storage unit through an artificial neural network. A marine image processing unit that generates processed image data by processing it to be used for deep learning learning, and the measurement information generated at a time corresponding to the time when the marine image, which is the raw data of the processed image data, is generated. Extracted from the information storage unit, the processed image data and the extracted measurement information are classified into one data set, and the processed image data included in the data set for each classified data set is input data to be input to the artificial neural network. The measurement information of the dataset is a second learning data generator that generates and stores learning data set as output data calculated through an artificial neural network, and the data, which is input data input to the artificial neural network, using the learning data. Deep learning learning using a second neural network learning unit that trains an artificial neural network so that the output data, which is the predicted value of the marine environment for the processed image data of the set, becomes the measurement information of the data set, and the artificial neural network learned through the second neural network learning unit. By, a marine environment prediction unit that calculates predicted data for a marine environment including at least one of a wave height, a wave period, and a wave direction for the marine image received from the radar, and the marine environment calculated by the marine environment prediction unit It characterized in that it comprises a fatigue damage prediction unit that generates fatigue damage prediction information based on the prediction data for.

또한, 상기 해상이미지 가공부는, 상기 해상이미지 저장부에 저장된 상기 해상이미지를 3D-FFT 처리하여 생성되는 제1 변환이미지데이터에 로그를 취하여 하여 가공이미지데이터를 생성하도록 구성되는 것을 특징으로 한다.In addition, the marine image processing unit is configured to generate processed image data by taking a log of the first converted image data generated by 3D-FFT processing the marine image stored in the marine image storage unit.

본 발명에 따른 인공신경망을 이용한 선박 피로수명 예측 시스템 및 방법은, 인공신경망을 이용하여 딥러닝 학습에 의해 선박의 가속도, 롤링, 피칭 등의 움직임정보를 이용하여 선박에서 발생되는 스트레인을 예측하여, 이를 선박의 피로수명을 산출할 수 있도록 구성되어, 선박의 움직임 정보만으로 선박에 발생되는 선박의 피로수명을 산출할 수 있도록 하는 효과가 있다.A ship fatigue life prediction system and method using an artificial neural network according to the present invention predicts strain generated in a ship using motion information such as acceleration, rolling, and pitching of a ship by deep learning learning using an artificial neural network, This is configured to calculate the fatigue life of the ship, and there is an effect that the fatigue life of the ship generated on the ship can be calculated only with the movement information of the ship.

또한, 본 발명에 따른 인공신경망을 이용한 선박 피로수명 예측 시스템 및 방법은, 스트레인 예측모듈과 피로손상 예측모듈을 통해 파고, 파주기, 파향 등의 해양환경으로 인한 피로손상과, 예상치 못하게 발생되는 외력에 의한 스트레인에 대한 예측정보를 산출하여, 피로손상과, 스트레인을 모두 반영하여 선박의 피로수명에 대한 예측정보를 산출하도록 구성됨에 따라, 선박의 피로수명 예측 정확성을 향상시킬 수 있는 효과가 있다.In addition, the system and method for predicting ship fatigue life using an artificial neural network according to the present invention include fatigue damage due to marine environments such as wave breaking, wave period, wave direction, and unexpected external force through a strain prediction module and a fatigue damage prediction module. By calculating the predicted information on the strain caused by, the fatigue damage and the strain are all reflected to calculate the predicted information on the fatigue life of the ship, thereby improving the accuracy of predicting the fatigue life of the ship.

도 1은 본 발명의 제1 실시예에 따른 인공신경망을 이용한 선박 피로수명 예측 시스템의 구성을 나타낸 블록도이다.
도 2는 본 발명의 제1 실시예에 따른 인공신경망을 이용한 선박 피로 수명 예측 시스템에서, 스트레인 예측모듈을 통해 스트레인 예측정보를 지속적으로 산출하는 일련의 과정을 나타낸 개략도이다.
도 3은 본 발명의 제1 실시예에 따른 인공망을 이용한 선박 피로수명 예측 시스템에서, 학습데이터 생성을 위해 설치된 스트레인 게이지 4개가 선박에 설치된 상태를 개략적으로 나타낸 그림이다.
도 4는 본 발명의 제1 실시예에 따른 인공신경망을 이용한 선박 피로수명 예측 시스템을 이용하여 실제 스트레인 예측정보 산출을 위한 테스트를 진행한 결과, 산출된 스트레인 예측정보와, 투입된 실제 스트레인 측정데이터를 함께 도시한 그래프이다.
도 5는 본 발명의 제1 실시예에 따른 인공신경망을 이용한 선박 피로수명 예측 시스템을 이용하여 실제 스트레인 예측정보 산출을 위한 테스트를 진행한 결과, 도 4에 도시된 스트레인 예측정보와 투입된 실제 스트레인 측정데이터 간의 예측기간에 따른 상관계수 변화추이를 나타낸 그래프이다.
도 6은 본 발명의 제2 실시예에 따른 인공신경망을 이용한 선박 피로수명 예측 시스템의 구성을 나타낸 블록도이다.
도 7은 본 발명의 제2 실시예에 따른 인공신경망을 이용한 선박 피로수명 예측 시스템에서, 피로손상 예측모듈의 상세 구성을 블록도이다.1 is a block diagram showing the configuration of a ship fatigue life prediction system using an artificial neural network according to a first embodiment of the present invention.
2 is a schematic diagram showing a series of processes of continuously calculating strain prediction information through a strain prediction module in the ship fatigue life prediction system using an artificial neural network according to the first embodiment of the present invention.
3 is a diagram schematically showing a state in which four strain gauges installed to generate learning data are installed on a ship in the ship fatigue life prediction system using an artificial network according to the first embodiment of the present invention.
FIG. 4 is a result of a test for calculating actual strain prediction information using a ship fatigue life prediction system using an artificial neural network according to the first embodiment of the present invention, and the calculated strain prediction information and input actual strain measurement data are shown. It is a graph shown together.
5 is a result of a test for calculating actual strain prediction information using a ship fatigue life prediction system using an artificial neural network according to the first embodiment of the present invention, and the strain prediction information shown in FIG. 4 and the input actual strain measurement This is a graph showing the trend of correlation coefficient change according to the prediction period between data.
6 is a block diagram showing the configuration of a ship fatigue life prediction system using an artificial neural network according to a second embodiment of the present invention.
7 is a block diagram showing a detailed configuration of a fatigue damage prediction module in a ship fatigue life prediction system using an artificial neural network according to a second embodiment of the present invention.

이상과 같은 본 발명에 해결하고자 하는 과제, 과제의 해결수단, 발명의 효과를 포함한 구체적인 사항들은 다음에 기재할 실시예 및 도면들에 포함되어 있다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다.Specific matters including the problems to be solved in the present invention as described above, solutions to the problems, and effects of the invention are included in the following examples and drawings. Advantages and features of the present invention, and a method of achieving them will become apparent with reference to the embodiments described below in detail together with the accompanying drawings.

또한, 명세서 전체에서 어떤 부분이 어떤 구성요소를 “포함” 또는 “구비”한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함하거나 구비할 수 있는 것을 의미한다.In addition, when a part of the specification is said to “include” or “equipped” a certain element, this does not exclude other elements, but may further include or include other elements unless otherwise stated. Means that.

이하, 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 상세히 설명한다. 우선 각 도면의 구성요소들에 참조 부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. First of all, in adding reference numerals to elements of each drawing, it should be noted that the same elements are assigned the same numerals as possible even if they are indicated on different drawings. In addition, in describing the present invention, if it is determined that a detailed description of a related known configuration or function may obscure the subject matter of the present invention, a detailed description thereof will be omitted.

도 1은 본 발명의 제1 실시예에 따른 인공신경망을 이용한 선박 피로수명 예측 시스템의 구성을 나타낸 블록도이다.1 is a block diagram showing the configuration of a ship fatigue life prediction system using an artificial neural network according to a first embodiment of the present invention.

도 2는 본 발명의 제1 실시예에 따른 인공신경망을 이용한 선박 피로 수명 예측 시스템에서, 스트레인 예측모듈을 통해 스트레인 예측정보를 지속적으로 산출하는 일련의 과정을 나타낸 개략도이다.2 is a schematic diagram showing a series of processes of continuously calculating strain prediction information through a strain prediction module in the ship fatigue life prediction system using an artificial neural network according to the first embodiment of the present invention.

도 3은 본 발명의 제1 실시예에 따른 인공망을 이용한 선박 피로수명 예측 시스템에서, 학습데이터 생성을 위해 설치된 스트레인 게이지 4개가 선박에 설치된 상태를 개략적으로 나타낸 그림이다. 3 is a diagram schematically showing a state in which four strain gauges installed to generate learning data are installed on a ship in the ship fatigue life prediction system using an artificial network according to the first embodiment of the present invention.

도 4는 본 발명의 제1 실시예에 따른 인공신경망을 이용한 선박 피로수명 예측 시스템을 이용하여 실제 스트레인 예측정보 산출을 위한 테스트를 진행한 결과, 산출된 스트레인 예측정보와, 투입된 실제 스트레인 측정데이터를 함께 도시한 그래프이다.FIG. 4 is a result of a test for calculating actual strain prediction information using a ship fatigue life prediction system using an artificial neural network according to the first embodiment of the present invention, and the calculated strain prediction information and input actual strain measurement data are shown. It is a graph shown together.

도 5는 본 발명의 제1 실시예에 따른 인공신경망을 이용한 선박 피로수명 예측 시스템을 이용하여 실제 스트레인 예측정보 산출을 위한 테스트를 진행한 결과, 도 4에 도시된 스트레인 예측정보와 투입된 실제 스트레인 측정데이터 간의 예측기간에 따른 상관계수 변화추이를 나타낸 그래프이다.5 is a result of a test for calculating actual strain prediction information using a ship fatigue life prediction system using an artificial neural network according to the first embodiment of the present invention, and the strain prediction information shown in FIG. 4 and the input actual strain measurement This is a graph showing the trend of correlation coefficient change according to the prediction period between data.

도 1을 참조하면, 본 발명에 따른 인공신경망을 이용한 선박 피로수명 예측 시스템은, 크게 선박움직임 센싱모듈, 학습모델 생성모듈, 스트레인 예측모듈, 피로수명 예측모듈을 포함한다.Referring to FIG. 1, a ship fatigue life prediction system using an artificial neural network according to the present invention largely includes a ship motion sensing module, a learning model generation module, a strain prediction module, and a fatigue life prediction module.

우선, 선박움직임 센싱모듈은, 선박에 설치되어, 선박의 가속도값, 롤링값, 피칭값을 포함하는 움직임데이터를 수집하도록 구성되며, 3축 가속도센서 등 종래의 선박의 가속도, 롤링, 피칭을 센싱할 수 있는 수단이 다양하게 변형하여 실시 가능하다.First, the ship motion sensing module is installed on the ship and is configured to collect motion data including the ship's acceleration value, rolling value, and pitching value, and senses the acceleration, rolling, and pitching of a conventional ship such as a 3-axis acceleration sensor. The possible means can be implemented by various modifications.

다음으로, 학습모델 생성모듈은, 스트레인 예측정보를 산출하기 위한 딥러닝 학습모델을 생성하기 위한 것으로, Next, the learning model generation module is for generating a deep learning learning model for calculating strain prediction information,

선박에 설치되는 스트레인 게이지를 통해 측정되는 선박의 스트레인(변형도 또는 변형률) 정보와, 상기 선박움직임 센싱모듈에 의해 측정되는 선박의 가속도값, 롤링값, 피칭값을 포함하는 선박의 움직임정보가 저장되는 원시데이터베이스부와,Ship's strain (deformation or strain) information measured by the strain gauge installed on the ship and ship's motion information including the ship's acceleration value, rolling value, and pitching value measured by the ship motion sensing module are stored. The raw database part and

상기 원시 데이터베이스부에 저장된 데이터 중 동일한 시점에 측정된 스트레인 정보와 움직임정보를 하나의 입력데이터로 생성하고, 생성되는 각 입력데이터별로 해당 입력데이터별 스트레인 정보와 움직임정보가 측정된 시점보다 기설정된 소정 주기만큼 이후 시점에 측정된 스트레인 정보를 상기 원시 데이터베이스부로부터 추출하여, 해당 입력데이터의 출력데이터로 생성하여, 생성된 상기 입력데이터와, 각 입력데이터별로 대응되어 생성된 출력데이터를 하나의 데이터세트로 그룹화하여, 인공신경망 학습을 위한 학습데이터로 생성하는 학습데이터 생성부와,Strain information and motion information measured at the same point in time among the data stored in the original database are generated as one input data, and a predetermined predetermined time than when the strain information and motion information for each corresponding input data are measured for each generated input data. Strain information measured at a point in time after a period is extracted from the original database unit and generated as output data of the corresponding input data, and the generated input data and output data generated corresponding to each input data are included in one dataset. A learning data generator that is grouped into and generates learning data for learning an artificial neural network;

상기 학습데이터의 입력데이터를 입력값으로 하고, 상기 입력데이터에 대응되는 상기 학습데이터의 출력데이터를 상기 입력데이터에 대응되는 출력값으로 하여 인공신경망을 학습시키는 신경망 학습부를 포함하여 구성된다.And a neural network learning unit that trains an artificial neural network by using input data of the training data as an input value and output data of the training data corresponding to the input data as an output value corresponding to the input data.

다음으로, 스트레인 예측모듈은, 학습모델 생성부에 의해 학습된 인공신경망에 의해 스트레인 예측정보를 산출하기 위한 것으로, 상기 선박움직임 센싱모듈로부터 상기 움직임데이터를 전달받아, 전달받은 상기 움직임데이터를 입력값으로 하여, 상기 신경망 학습부를 통해 학습된 인공신경망을 이용한 딥러닝 학습에 의해 선박의 스트레인 예측정보를 해당 입력값에 대응되는 출력값으로 산출하여 제공하도록 구성된다.Next, the strain prediction module is for calculating strain prediction information by the artificial neural network learned by the learning model generation unit, receiving the motion data from the ship motion sensing module, and inputting the received motion data As a result, it is configured to calculate and provide the strain prediction information of the ship as an output value corresponding to a corresponding input value by deep learning learning using the artificial neural network learned through the neural network learning unit.

다음으로, 피로수명 예측모듈은, 상기 스트레인 예측모듈에서 산출된 상기 스트레인 예측정보를 이용하여 선박의 피로수명 예측정보를 산출하여 제공하도록 구성되며, 이때 스트레인 예측정보를 이용하여, 낙수계수법과 같은 종래의, 피로수명 산출을 위한 변형률-수명 분석 방법에 적용하여 최종적으로 선박의 피로수명 예측정보를 산출하게 된다.Next, the fatigue life prediction module is configured to calculate and provide the fatigue life prediction information of the ship by using the strain prediction information calculated by the strain prediction module, and at this time, using the strain prediction information, conventional methods such as the drop count method And, finally, the fatigue life prediction information of the ship is calculated by applying it to the strain-life analysis method for calculating the fatigue life.

한편, 상기와 같이 구성되는 본 발명의 제2 실시예에 따른 인공신경망을 이용한 선박 피로수명 예측 시스템은, 상기 인공신경망은 LSTM(Long Short-Term Memory) 신경망 모델이 적용되며, 상기 스트레인 예측모듈은, 상기 선박움직임 센싱모듈로부터 상기 움직임데이터를 전달받아, 전달받은 상기 움직임데이터를 입력값으로 하여, 상기 신경망 학습부를 통해 학습된 인공신경망을 이용한 딥러닝 학습에 의해 선박의 스트레인 예측정보를 해당 입력값에 대응되는 출력값으로 산출하여 제공하되, 입력값인 상기 선박움직임 센싱모듈로부터 전달받은 움직임데이터가 측정된 시점으로부터 기설정된 소정 기간 이후인 예측시점의 스트레인 예측정보를 산출하여 저장하며, 저장된 상기 스트레인 예측정보는 이후 스트레인 예측정보 산출 시 이용되도록 구성될 수 있다. Meanwhile, in the ship fatigue life prediction system using the artificial neural network according to the second embodiment of the present invention configured as described above, the artificial neural network is applied with a long short-term memory (LSTM) neural network model, and the strain prediction module is , The motion data is received from the ship motion sensing module, and the received motion data is used as an input value, and the strain prediction information of the ship is inputted by deep learning learning using the artificial neural network learned through the neural network learning unit. Provided by calculating as an output value corresponding to, but calculating and storing strain prediction information at a prediction point after a preset predetermined period from the point at which the motion data transmitted from the ship motion sensing module, which is an input value, is measured, and stores the stored strain prediction The information may be configured to be used when calculating strain prediction information later.

도 2 및 도 3 참조하여 보다 상세히 설명하면, 상기 스트레인 예측모듈에서, 인공신경망에 입력되는 입력값인 상기 선박움직임 센싱모듈로부터 전달받은 움직임데이터가 측정된 시점을 t라고 하고, 인공신경망을 통해 출력되는 출력값인 상기 스트레인 예측정보의 예측시점을 t+1이라고 할 때,When described in more detail with reference to FIGS. 2 and 3, in the strain prediction module, the time point at which the motion data transmitted from the ship motion sensing module, which is an input value input to the artificial neural network, is measured is referred to as t, and is output through the artificial neural network. When the prediction time of the strain prediction information, which is an output value, is t+1,

상기 스트레인 예측모듈에 저장된 스트레인 예측정보 중 t시점을 예측시점으로 하여 생성된 정보를 추출하여, 추출된 t시점을 예측시점으로 하는 스트레인 예측정보를 입력값에 더 포함하여,Extracting information generated by using the time t as a prediction time from the strain prediction information stored in the strain prediction module, and further including strain prediction information using the extracted time t as the prediction time as an input value,

추가로 포함된 t시점에 측정된 선박의 움직임데이터와, t시점을 예측시점으로 하여 생성 저장된 스트레인 예측정보를 모두 이용하여, t+1시점을 예측시점으로 하는 스트레인 예측정보를 산출하여 제공하게 된다.By using both the ship's motion data measured at the additionally included time point t and the strain prediction information generated and stored with the time point t as the prediction time point, strain prediction information using the time point t+1 as the prediction time point is calculated and provided. .

(실험예) LSTM 모델을 사용한 선체 스트레인 예측(Experimental Example) Hull Strain Prediction Using LSTM Model

1) 원시데이터 확보 : 도 3에 원형 파선으로 표시된 실제 선박의 4개의 위치 스트레인 게이지가 설치되고, 설치된 스트레인 게이지를 통해 스트레인 정보가 수집되며, 선박의 1개의 위치에 선박의 가속도값, 롤링값, 피칭값을 측정하기 위한 선박움직임 센싱모듈을 설치하여, 5분 단위로 스트레인 게이지와 선박움직임 센싱모듈에 측정되는 센싱값을 수집하여, 1시간 간격으로 샘플링하여 1개월간 측정된 데이터 이용하였다.1) Acquisition of raw data: The four position strain gauges of the actual ship indicated by the broken circular line in Fig. 3 are installed, the strain information is collected through the installed strain gauge, and the ship's acceleration value, rolling value, and A ship motion sensing module was installed to measure the pitching value, and the sensing values measured by the strain gauge and the ship motion sensing module were collected every 5 minutes, and the data measured for 1 month were used by sampling at 1 hour intervals.

2) 학습데이터 구성 : 확보된 원시데이터에서 전반부 80%의 데이터는 LSTM모델의 신경망 학습을 위한 데이터로 사용하고, 후반후 20%는 학습된 신경망을 이용하여 선체피로도를 예측하기 위한 테스트를 위한 데이터로 사용되었다.2) Training data composition: 80% of the data for the first half of the secured raw data is used as data for learning the neural network of the LSTM model, and 20% after the second half is the data for a test to predict hull fatigue using the learned neural network. Was used as

이때, 인공신경망 학습을 위한 데이터는, 원시데이터에서 전반부 80% 데이터를 이용하여, 기설정된 주기(1시간)을 기준으로 시점을 구분하여, At this time, the data for learning the artificial neural network is divided into time points based on a preset period (1 hour) using 80% data of the first half from the raw data,

입력데이터는 예측대상시점(t)보다 기설정된 주기인 1시간 전인 이전시점(t-1)의 4개의 스트레인 게이지 측정값과, 가속도 측정값, 롤링 측정값, 피칭 측정값으로 설정하고, Input data is set as four strain gauge measurements, acceleration measurements, rolling measurements, and pitching measurements at the previous time point (t-1), which is one hour before the preset period of the prediction target time point (t),

출력데이터는, 입력데이터의 기준시점(t-1)에서 기설정된 주기만큼 경과된 예측대상시점(t)의, 예측대상데이터인 선박 4곳의 스트레인값, 가속도값, 롤링값, 피칭값의 예측값, 즉 정답인 값으로 설정하였다.The output data is the predicted value of the strain value, acceleration value, rolling value, and pitching value of four ships that are the predicted data at the prediction target time point (t) elapsed by a preset period from the reference time point (t-1) of the input data. , That is, the value was set as the correct answer.

3) 인공신경망 학습 : 상기와 같이 입력데이터와 출력데이터가 설정된 학습데이터를 이용하여, 인공신경망의 입력값을 입력데이터로 하여, 입력값에 대응되는 출력값을 설정된 출력데이터가 되도록 인공신경망을 학습시켰다.3) Artificial Neural Network Learning: Using the learning data in which input data and output data are set as described above, the artificial neural network was trained so that the output value corresponding to the input value became the set output data by using the input value of the artificial neural network as input data. .

4) 예측정보 산출(테스트) : 테스트를 위한 데이터는, 원시데이터에서 후반부 20%의 데이터를 이용하여, 학습된 인공신경망을 통해 예측정보를 생성하였다. 4) Calculation of prediction information (test): For the data for the test, prediction information was generated through the learned artificial neural network using the data of the second half from the raw data.

이때, 인공신경망에 입력되는 입력값은 예측대상시점(t)보다 기설정된 산출주기만큼 이전 시점인 이전시점(t-1)에 예측된 4개의 스트레인값과, 실제로 측정된 가속도값, 롤링값, 피칭값으로 설정하고,At this time, the input values input to the artificial neural network are the four strain values predicted at the previous time point (t-1), which is a time prior to the prediction target time point (t), by a preset calculation period, and the actually measured acceleration value, rolling value, Set as the pitching value,

입력값에 대한 출력값은, 입력데이터의 기준시점(t-1)에서 기설정된 주기만큼 경과된 예측대상시점(t)의, 예측대상데이터인 선박 4곳의 스트레인 예측값, 가속도 예측값, 롤링 예측값, 피칭 예측값으로 설정하여, The output value for the input value is the predicted strain predicted value, acceleration predicted value, rolling predicted value, pitching of the predicted target point (t) elapsed by a preset period from the reference point (t-1) of the input data. By setting it as the predicted value,

결과적으로, 입력데이터에 가속도값, 롤링값, 피칭값은 측정된 값을 이용함으로써, 선박의 움직임변화에 대한 데이터만을 바탕으로 스트레인값의 변화가 예측 가능한지 테스트 하도록 구성되었다.As a result, by using the measured values for the acceleration value, rolling value, and pitching value in the input data, it was configured to test whether the change in strain value is predictable based only on the data on the movement change of the ship.

도 4에 도시된 그래프는, 100시간에 대한 각 위치별 스트레인값을 예측한 결과를 나타내며, 도 5에 도시된 그래프는, 도 4에 도시된 100시간에 대한 선박의 각 위치별(4곳)의 스트레인 예측값과, 실제로 계측된 데이터 사이의 상관계수 변화추이를 나타낸 그래프로, The graph shown in FIG. 4 shows the result of predicting the strain value for each location for 100 hours, and the graph shown in FIG. 5 is for each location (4 locations) of the ship for 100 hours shown in FIG. A graph showing the trend of the correlation coefficient change between the strain predicted value of and actually measured data,

도 4를 참조하면 스트레인 예측값과 실제 계측값이 유사한 패턴을 보이는 것을 확인할 수 있으며, Referring to FIG. 4, it can be seen that the strain predicted value and the actual measured value show a similar pattern,

도 5를 참조하면, 특히 12시간 예측시 상관계수가 0.9157로 나타나고, 24시간 예측시 상관계수 0.4650으로 나타났으며, 이를 통해, LSTM 네트워크를 사용하여 단기간의 스트레인값을 예측 가능함을 확인할 수 있었다.Referring to FIG. 5, in particular, when predicting for 12 hours, the correlation coefficient was 0.9157, and when predicting for 24 hours, the correlation coefficient was 0.4650, and through this, it was confirmed that the strain value in the short term can be predicted using the LSTM network.

결과적으로, 선박수명과 잔존수명을 실시간으로 모니터링 할 수 있을 뿐만 아니라, 유지보수가 필요한 부분을 사전에 탐색하여, 해당 부분에 대한 정보를 관리자에게 미리 알릴 수 있게 됨에 따라, 문제가 실제로 발생되기 이전에, 유지 보수 작업을 수행할 수 있도록 함으로써, 인명, 재산 및 환경피해 등 심각한 피해, 재해를 사전에 방지할 수 있는 효과가 있게 된다.As a result, not only can the ship's life and the remaining life be monitored in real time, but also the parts that need maintenance can be searched in advance and information about the relevant parts can be informed to the manager in advance, before the problem actually occurs. In addition, by allowing maintenance work to be performed, there is an effect of preventing serious damage and disasters such as human life, property, and environmental damage in advance.

도 6은 본 발명의 제2 실시예에 따른 인공신경망을 이용한 선박 피로수명 예측 시스템의 구성을 나타낸 블록도이다.6 is a block diagram showing the configuration of a ship fatigue life prediction system using an artificial neural network according to a second embodiment of the present invention.

도 7은 본 발명의 제2 실시예에 따른 인공신경망을 이용한 선박 피로수명 예측 시스템에서, 피로손상 예측모듈의 상세 구성을 블록도이다.7 is a block diagram showing a detailed configuration of a fatigue damage prediction module in a ship fatigue life prediction system using an artificial neural network according to a second embodiment of the present invention.

도 6 및 도 7을 참조하면, 본 발명의 제1 실시예에 따른 인공신경망을 이용한 선박 피로수명 예측 시스템에서, 해양환경에 따른 피로손상을 더 반영하여 피로수명을 산출하도록 피로손상 예측모듈이 더 포함된 것으로, 제1 실시예에서 추가된 구성을 위주로 보다 상세히 설명하면 다음과 같다.6 and 7, in the ship fatigue life prediction system using an artificial neural network according to the first embodiment of the present invention, a fatigue damage prediction module is further provided to calculate the fatigue life by further reflecting the fatigue damage according to the marine environment. It is included and will be described in more detail focusing on the configuration added in the first embodiment as follows.

우선, 피로손상 예측모듈은, 선박에 설치되어, 선박 주변의 파고, 파주기, 파향 중 적어도 하나를 포함하는 해양환경에 대한 측정데이터 또는 예측데이터를 바탕으로 피로손상 예측정보 생성하여, 피로수명 예측을 위한 피로손상 예측정보를 생성하여 제공하도록 구성되는 것으로, First, the fatigue damage prediction module is installed on the ship and generates fatigue damage prediction information based on measurement data or prediction data for the marine environment including at least one of wave height, wave period, and wave direction around the ship, and predicts fatigue life. It is configured to generate and provide fatigue damage prediction information for,

상기 피로손상 예측모듈은, 레이더, 해양환경 계측부, 해상이미지 저장부, 계측정보 저장부, 해상이미지 가공부, 제2 학습데이터 생성부, 제2 신경망 학습부, 해양환경 예측부, 피로손상 예측부를 포함한다.The fatigue damage prediction module includes a radar, a marine environment measurement unit, a sea image storage unit, a measurement information storage unit, a sea image processing unit, a second learning data generation unit, a second neural network learning unit, a marine environment prediction unit, a fatigue damage prediction unit. Include.

레이더는, 해상이미지를 생성하여 전송하도록 구성되는 종래의 해상 레이더가 사용되며, X밴드 레이더를 포함하는 것이 바람직하다.As for the radar, a conventional marine radar configured to generate and transmit a marine image is used, and it is preferable to include an X-band radar.

해양환경 계측분, 파고, 파주기, 파향 중 적어도 하나 이상을 계측하여 해양환경에 대한 계측정보를 생성하여 전송하도록 구성된다.It is configured to measure at least one of marine environment measurement minutes, wave height, wave period, and wave direction to generate and transmit measurement information on the marine environment.

해상이미지 저장부는, 상기 레이더로부터 수신되는 상기 해상이미지가 저장되도록 구성된다.The marine image storage unit is configured to store the marine image received from the radar.

계측정보 저장부는, 상기 해양환경 계측모듈로부터 수신되는 상기 계측정보를 저장하도록 구성된다.The measurement information storage unit is configured to store the measurement information received from the marine environment measurement module.

해상이미지 가공부는, 상기 해상이미지 저장부에 저장된 상기 해상이미지를 인공신경망을 통한 딥러닝 학습에 이용될 수 있도록 가공 처리하여 가공이미지데이터를 생성하도록 구성된다.The marine image processing unit is configured to process the marine image stored in the marine image storage unit to be used for deep learning learning through an artificial neural network to generate processed image data.

제2 학습데이터 생성부는, 상기 가공이미지데이터의 원시 데이터인 상기 해상이미지가 생성된 시각과 대응되는 시각에 생성된 계측정보를 상기 계측정보 저장부로부터 추출하여, 상기 가공이미지데이터와 추출된 계측정보를 하나의 데이터세트로 분류하여, 분류된 각 데이터세트별로 데이터세트에 포함된 가공이미지데이터는 인공신경망에 입력될 입력데이터로, 상기 데이터세트의 계측정보는 인공신경망을 통해 산출되는 출력데이터로 설정한 학습데이터를 생성하여 저장하도록 구성된다.The second learning data generation unit extracts measurement information generated at a time corresponding to the time when the marine image, which is the raw data of the processed image data, from the measurement information storage unit, and extracts the processed image data and the extracted measurement information. The processed image data included in the data set for each classified data set is set as input data to be input to the artificial neural network, and the measurement information of the data set is set as output data calculated through the artificial neural network. It is configured to generate and store one learning data.

제2 신경망 학습부는, 상기 학습데이터를 이용하여, 상기 인공신경망에 입력되는 입력데이터인 상기 데이터세트의 가공이미지데이터에 대한 해양환경 예측값인 출력데이터가 해당 데이터세트의 계측정보가 되도록 인공신경망을 학습시키도록 구성된다.The second neural network learning unit learns the artificial neural network so that the output data, which is the predicted value of the marine environment for the processed image data of the dataset, which is the input data input to the artificial neural network, becomes the measurement information of the data set, using the learning data. It is configured to let.

해양환경 예측부는, 상기 신경망 학습부를 통해 학습된 인공신경망을 이용한 딥러닝 학습에 의해, 상기 레이더로부터 수신되는 해상이미지에 대한 파고, 파주기, 파향 중 적어도 하나를 포함하는 해양환경에 대한 예측데이터를 산출하도록 구성된다.The marine environment prediction unit, by deep learning learning using the artificial neural network learned through the neural network learning unit, the predicted data for the marine environment including at least one of a wave height, a wave period, and a wave direction for the marine image received from the radar. Is configured to produce.

피로손상 예측부는, 상기 해양환경 예측부에서 산출된 상기 해양환경에 대한 예측데이터를 바탕으로 피로손상 예측정보를 생성하도록 구성된다.The fatigue damage prediction unit is configured to generate fatigue damage prediction information based on the prediction data for the marine environment calculated by the marine environment prediction unit.

한편, 피로손상 예측모듈의 인공신경망은 컨볼루션 신경망을 포함하여 이루어지고, 또한, 상기 해상이미지 가공부는, 상기 해상이미지 저장부에 저장된 상기 해상이미지를 3D-FFT 처리하여 생성되는 제1 변환이미지데이터에 로그를 취하여 하여 가공이미지데이터를 생성하도록 구성될 수 있다.Meanwhile, the artificial neural network of the fatigue damage prediction module includes a convolutional neural network, and the maritime image processing unit includes first transformed image data generated by 3D-FFT processing the maritime image stored in the maritime image storage unit. It can be configured to generate processed image data by taking a log in.

이와 같이, 상술한 본 발명의 기술적 구성은 본 발명이 속하는 기술분야의 당업자가 본 발명의 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다.As described above, it will be understood that the technical configuration of the present invention described above can be implemented in other specific forms without changing the technical spirit or essential features of the present invention by those skilled in the art.

그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해되어야 하고, 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타나며, 특허청구범위 의미 및 범위 그리고 그 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.Therefore, the above-described embodiments are to be understood as illustrative and non-limiting in all respects, and the scope of the present invention is indicated by the claims to be described later rather than the detailed description, and the meaning and scope of the claims and their equivalents All changes or modifications derived from the concept should be interpreted as being included in the scope of the present invention.

Claims (6)

삭제delete 선박 피로수명 예측 시스템에 있어서,
선박에 설치되어, 선박의 가속도값, 롤링값, 피칭값을 포함하는 움직임데이터를 수집하는 선박움직임 센싱모듈;
선박에 설치되는 스트레인 게이지를 통해 측정되는 선박의 스트레인 정보와, 상기 선박움직임 센싱모듈에 의해 측정되는 선박의 가속도값, 롤링값, 피칭값을 포함하는 선박의 움직임정보가 저장되는 원시데이터베이스부와,
상기 원시 데이터베이스부에 저장된 데이터 중 동일한 시점에 측정된 스트레인 정보와 움직임정보를 하나의 입력데이터로 생성하고, 생성되는 각 입력데이터별로 해당 입력데이터별 스트레인 정보와 움직임정보가 측정된 시점보다 기설정된 소정 주기만큼 이후 시점에 측정된 스트레인 정보를 상기 원시 데이터베이스부로부터 추출하여, 해당 입력데이터의 출력데이터로 생성하여, 생성된 상기 입력데이터와, 각 입력데이터별로 대응되어 생성된 출력데이터를 하나의 데이터세트로 그룹화하여, 인공신경망 학습을 위한 학습데이터로 생성하는 학습데이터 생성부와,
상기 학습데이터의 입력데이터를 입력값으로 하고, 상기 입력데이터에 대응되는 상기 학습데이터의 출력데이터를 상기 입력데이터에 대응되는 출력값으로 하여 인공신경망을 학습시키는 신경망 학습부를 포함하는 학습모델 생성모듈;
상기 선박움직임 센싱모듈로부터 상기 움직임데이터를 전달받아, 전달받은 상기 움직임데이터를 입력값으로 하여, 상기 신경망 학습부를 통해 학습된 인공신경망을 이용한 딥러닝 학습에 의해 선박의 스트레인 예측정보를 해당 입력값에 대응되는 출력값으로 산출하여 제공하는 스트레인 예측모듈; 및
상기 스트레인 예측모듈에서 산출된 상기 스트레인 예측정보를 이용하여 선박의 피로수명 예측정보를 산출하여 제공하는 피로수명 예측모듈;을 포함하며,
상기 인공신경망은
LSTM(Long Short-Term Memory) 신경망 모델이 적용되며,
상기 스트레인 예측모듈은
상기 선박움직임 센싱모듈로부터 상기 움직임데이터를 전달받아, 전달받은 상기 움직임데이터를 입력값으로 하여, 상기 신경망 학습부를 통해 학습된 인공신경망을 이용한 딥러닝 학습에 의해 선박의 스트레인 예측정보를 해당 입력값에 대응되는 출력값으로 산출하여 제공하되,
입력값인 상기 선박움직임 센싱모듈로부터 전달받은 움직임데이터가 측정된 시점으로부터 기설정된 소정 기간 이후인 예측시점의 스트레인 예측정보를 산출하여 저장하며, 저장된 상기 스트레인 예측정보는 이후 스트레인 예측정보 산출 시 이용되도록 구성되는 것을 특징으로 하는 인공신경망을 이용한 선박 피로수명 예측 시스템.
In the ship fatigue life prediction system,
A ship motion sensing module installed on the ship and collecting motion data including an acceleration value, a rolling value, and a pitching value of the ship;
A raw database for storing ship's strain information measured by a strain gauge installed on the ship, and ship motion information including the ship's acceleration value, rolling value, and pitching value measured by the ship motion sensing module;
Strain information and motion information measured at the same point in time among the data stored in the original database are generated as one input data, and a predetermined predetermined time than when the strain information and motion information for each corresponding input data are measured for each generated input data. Strain information measured at a point in time after a period is extracted from the original database unit and generated as output data of the corresponding input data, and the generated input data and output data generated corresponding to each input data are included in one dataset. A learning data generator that is grouped into and generates learning data for learning an artificial neural network;
A learning model generation module including a neural network learning unit that trains an artificial neural network by using input data of the training data as an input value and output data of the training data corresponding to the input data as an output value corresponding to the input data;
By receiving the motion data from the ship motion sensing module and using the received motion data as an input value, the strain prediction information of the ship is converted to the corresponding input value by deep learning learning using the artificial neural network learned through the neural network learning unit. A strain prediction module that calculates and provides a corresponding output value; And
Includes; a fatigue life prediction module for calculating and providing the fatigue life prediction information of the ship by using the strain prediction information calculated by the strain prediction module,
The artificial neural network
LSTM (Long Short-Term Memory) neural network model is applied,
The strain prediction module
By receiving the motion data from the ship motion sensing module and using the received motion data as an input value, the strain prediction information of the ship is converted to the corresponding input value by deep learning learning using the artificial neural network learned through the neural network learning unit. Provided by calculating as the corresponding output value,
Strain prediction information at a prediction point after a predetermined period of time from the point at which the motion data transmitted from the ship motion sensing module as an input value is measured is calculated and stored, and the stored strain prediction information is then used to calculate strain prediction information. Ship fatigue life prediction system using an artificial neural network, characterized in that configured.
 선박 피로수명 예측 시스템에 있어서,
선박에 설치되어, 선박의 가속도값, 롤링값, 피칭값을 포함하는 움직임데이터를 수집하는 선박움직임 센싱모듈;
선박에 설치되는 스트레인 게이지를 통해 측정되는 선박의 스트레인 정보와, 상기 선박움직임 센싱모듈에 의해 측정되는 선박의 가속도값, 롤링값, 피칭값을 포함하는 선박의 움직임정보가 저장되는 원시데이터베이스부와,
상기 원시 데이터베이스부에 저장된 데이터 중 동일한 시점에 측정된 스트레인 정보와 움직임정보를 하나의 입력데이터로 생성하고, 생성되는 각 입력데이터별로 해당 입력데이터별 스트레인 정보와 움직임정보가 측정된 시점보다 기설정된 소정 주기만큼 이후 시점에 측정된 스트레인 정보를 상기 원시 데이터베이스부로부터 추출하여, 해당 입력데이터의 출력데이터로 생성하여, 생성된 상기 입력데이터와, 각 입력데이터별로 대응되어 생성된 출력데이터를 하나의 데이터세트로 그룹화하여, 인공신경망 학습을 위한 학습데이터로 생성하는 학습데이터 생성부와,
상기 학습데이터의 입력데이터를 입력값으로 하고, 상기 입력데이터에 대응되는 상기 학습데이터의 출력데이터를 상기 입력데이터에 대응되는 출력값으로 하여 인공신경망을 학습시키는 신경망 학습부를 포함하는 학습모델 생성모듈;
상기 선박움직임 센싱모듈로부터 상기 움직임데이터를 전달받아, 전달받은 상기 움직임데이터를 입력값으로 하여, 상기 신경망 학습부를 통해 학습된 인공신경망을 이용한 딥러닝 학습에 의해 선박의 스트레인 예측정보를 해당 입력값에 대응되는 출력값으로 산출하여 제공하는 스트레인 예측모듈;
상기 스트레인 예측모듈에서 산출된 상기 스트레인 예측정보를 이용하여 선박의 피로수명 예측정보를 산출하여 제공하는 피로수명 예측모듈; 및
선박에 설치되어, 선박 주변의 파고, 파주기, 파향 중 적어도 하나를 포함하는 해양환경에 대한 측정데이터 또는 예측데이터를 바탕으로 피로손상 예측정보 생성하는 피로손상 예측모듈;를 포함하고,
상기 피로수명 예측모듈은,
상기 스트레인 예측정보와 상기 피로손상 예측정보를 동시에 이용하여 선박의 피로수명 예측정보를 산출하여 제공하도록 구성되는 것을 특징으로 하는 인공신경망을 이용한 선박 피로수명 예측 시스템.
In the ship fatigue life prediction system,
A ship motion sensing module installed on the ship and collecting motion data including an acceleration value, a rolling value, and a pitching value of the ship;
A raw database for storing ship's strain information measured by a strain gauge installed on the ship, and ship motion information including the ship's acceleration value, rolling value, and pitching value measured by the ship motion sensing module;
Strain information and motion information measured at the same point in time among the data stored in the original database are generated as one input data, and a predetermined predetermined time than when the strain information and motion information for each corresponding input data are measured for each generated input data. Strain information measured at a point in time after a period is extracted from the original database unit and generated as output data of the corresponding input data, and the generated input data and output data generated corresponding to each input data are included in one dataset. A learning data generator that is grouped into and generates learning data for learning an artificial neural network;
A learning model generation module including a neural network learning unit that trains an artificial neural network by using input data of the training data as an input value and output data of the training data corresponding to the input data as an output value corresponding to the input data;
By receiving the motion data from the ship motion sensing module and using the received motion data as an input value, the strain prediction information of the ship is converted to the corresponding input value by deep learning learning using the artificial neural network learned through the neural network learning unit. A strain prediction module that calculates and provides a corresponding output value;
A fatigue life prediction module that calculates and provides fatigue life prediction information of a ship using the strain prediction information calculated by the strain prediction module; And
Including; a fatigue damage prediction module that is installed on the ship and generates fatigue damage prediction information based on measurement data or prediction data for the marine environment including at least one of wave height, wave period, and wave direction around the ship,
The fatigue life prediction module,
A ship fatigue life prediction system using an artificial neural network, characterized in that the strain prediction information and the fatigue damage prediction information are simultaneously used to calculate and provide the ship's fatigue life prediction information.
 제3항에 있어서,
상기 피로손상 예측모듈은,
해상이미지를 생성하여 전송하는 레이더와,
파고, 파주기, 파향 중 적어도 하나 이상을 계측하여 해양환경에 대한 계측정보를 생성하여 전송하는 해양환경 계측부와,
상기 레이더로부터 수신되는 상기 해상이미지가 저장되는 해상이미지 저장부와,
상기 해양환경 계측부로부터 수신되는 상기 계측정보를 저장하는 계측정보 저장부와,
상기 해상이미지 저장부에 저장된 상기 해상이미지를 인공신경망을 통한 딥러닝 학습에 이용될 수 있도록 가공 처리하여 가공이미지데이터를 생성하는 해상이미지 가공부와,
상기 가공이미지데이터의 원시 데이터인 상기 해상이미지가 생성된 시각과 대응되는 시각에 생성된 계측정보를 상기 계측정보 저장부로부터 추출하여, 상기 가공이미지데이터와 추출된 계측정보를 하나의 데이터세트로 분류하여, 분류된 각 데이터세트별로 데이터세트에 포함된 가공이미지데이터는 인공신경망에 입력될 입력데이터로, 상기 데이터세트의 계측정보는 인공신경망을 통해 산출되는 출력데이터로 설정한 학습데이터를 생성하여 저장하는 제2 학습데이터 생성부와,
상기 학습데이터를 이용하여, 상기 인공신경망에 입력되는 입력데이터인 상기 데이터세트의 가공이미지데이터에 대한 해양환경 예측값인 출력데이터가 해당 데이터세트의 계측정보가 되도록 인공신경망을 학습시키는 제2 신경망 학습부와,
상기 제2 신경망 학습부를 통해 학습된 인공신경망을 이용한 딥러닝 학습에 의해, 상기 레이더로부터 수신되는 해상이미지에 대한 파고, 파주기, 파향 중 적어도 하나를 포함하는 해양환경에 대한 예측데이터를 산출하는 해양환경 예측부와,
상기 해양환경 예측부에서 산출된 상기 해양환경에 대한 예측데이터를 바탕으로 피로손상 예측정보를 생성하는 피로손상 예측부를 포함하여 구성되는 것을 특징으로 하는 인공신경망을 이용한 선박 피로수명 예측 시스템.
The method of claim 3,
The fatigue damage prediction module,
A radar that generates and transmits maritime images,
A marine environment measurement unit that generates and transmits measurement information on the marine environment by measuring at least one of wave height, wave period, and wave direction;
A marine image storage unit in which the marine image received from the radar is stored,
A measurement information storage unit for storing the measurement information received from the marine environment measurement unit,
A maritime image processing unit that generates processed image data by processing the maritime image stored in the maritime image storage unit so that it can be used for deep learning learning through an artificial neural network,
Measurement information generated at a time corresponding to the time when the marine image, which is the raw data of the processed image data, is extracted from the measurement information storage unit, and the processed image data and the extracted measurement information are classified into one data set. Thus, for each classified data set, the processed image data included in the data set is input data to be input to the artificial neural network, and the measurement information of the data set is generated and saved as output data calculated through the artificial neural network. A second learning data generation unit to perform,
A second neural network learning unit that trains the artificial neural network so that the output data, which is the marine environment prediction value for the processed image data of the dataset, which is input data input to the artificial neural network, becomes measurement information of the data set using the learning data. Wow,
Ocean for calculating predicted data for a marine environment including at least one of a wave height, a wave period, and a wave direction for the marine image received from the radar by deep learning learning using the artificial neural network learned through the second neural network learning unit. With the environmental prediction department,
A ship fatigue life prediction system using an artificial neural network, characterized in that it comprises a fatigue damage prediction unit that generates fatigue damage prediction information based on the prediction data on the marine environment calculated by the marine environment prediction unit.
 제4항에 있어서,
상기 해상이미지 가공부는,
상기 해상이미지 저장부에 저장된 상기 해상이미지를 3D-FFT 처리하여 생성되는 제1 변환이미지데이터에 로그를 취하여 하여 가공이미지데이터를 생성하도록 구성되는 것을 특징으로 하는 인공신경망을 이용한 선박 피로수명 예측 시스템.
The method of claim 4,
The marine image processing unit,
The ship fatigue life prediction system using an artificial neural network, characterized in that configured to generate processed image data by taking a log of the first transformed image data generated by 3D-FFT processing the marine image stored in the marine image storage unit.
 제4항에 있어서,
상기 피로손상 예측모듈에서 이용되는 인공신경망은 컨볼루션 신경망으로 이루어지는 것을 특징으로 하는 인공신경망을 이용한 선박 피로수명 예측 시스템.
The method of claim 4,
The artificial neural network used in the fatigue damage prediction module is a ship fatigue life prediction system using an artificial neural network, characterized in that consisting of a convolutional neural network.
KR1020190157708A 2019-11-29 2019-11-29 System and method for predicting fatigue life of ship KR102216306B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190157708A KR102216306B1 (en) 2019-11-29 2019-11-29 System and method for predicting fatigue life of ship

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190157708A KR102216306B1 (en) 2019-11-29 2019-11-29 System and method for predicting fatigue life of ship

Publications (1)

Publication Number Publication Date
KR102216306B1 true KR102216306B1 (en) 2021-02-16

Family

ID=74686985

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190157708A KR102216306B1 (en) 2019-11-29 2019-11-29 System and method for predicting fatigue life of ship

Country Status (1)

Country Link
KR (1) KR102216306B1 (en)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112836381A (en) * 2021-02-19 2021-05-25 震兑工业智能科技有限公司 Multi-source information-based ship residual life prediction method and system
CN113919103A (en) * 2021-11-09 2022-01-11 博迈科海洋工程股份有限公司 Parameterization and lightweight design method for FPSO (floating production storage and offloading) electric room module
KR102376343B1 (en) 2021-09-30 2022-03-21 주식회사 블록스미스 Iot device management system through pdm
FR3129362A1 (en) * 2021-11-24 2023-05-26 Naval Group Method and system for monitoring a marine structure

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130135138A (en) * 2012-05-30 2013-12-10 주식회사 싸이트로닉 Method for energy saving, safety managing and maintenance information offering of the marine structure by real time predicted monitoring and controlling hydro-dynamic
KR101726500B1 (en) * 2015-06-05 2017-04-12 현대중공업 주식회사 Apparatus and method for vessel monitoring
KR101998559B1 (en) * 2017-12-07 2019-07-10 한국생산기술연구원 Fault Diagnosis System For Rotating Device Using Deep Learning and Wavelet Transform

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130135138A (en) * 2012-05-30 2013-12-10 주식회사 싸이트로닉 Method for energy saving, safety managing and maintenance information offering of the marine structure by real time predicted monitoring and controlling hydro-dynamic
KR101726500B1 (en) * 2015-06-05 2017-04-12 현대중공업 주식회사 Apparatus and method for vessel monitoring
KR101998559B1 (en) * 2017-12-07 2019-07-10 한국생산기술연구원 Fault Diagnosis System For Rotating Device Using Deep Learning and Wavelet Transform

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112836381A (en) * 2021-02-19 2021-05-25 震兑工业智能科技有限公司 Multi-source information-based ship residual life prediction method and system
CN112836381B (en) * 2021-02-19 2023-03-14 震兑工业智能科技有限公司 Multi-source information-based ship residual life prediction method and system
KR102376343B1 (en) 2021-09-30 2022-03-21 주식회사 블록스미스 Iot device management system through pdm
CN113919103A (en) * 2021-11-09 2022-01-11 博迈科海洋工程股份有限公司 Parameterization and lightweight design method for FPSO (floating production storage and offloading) electric room module
FR3129362A1 (en) * 2021-11-24 2023-05-26 Naval Group Method and system for monitoring a marine structure

Similar Documents

Publication Publication Date Title
KR102216306B1 (en) System and method for predicting fatigue life of ship
Baraldi et al. Investigation of uncertainty treatment capability of model-based and data-driven prognostic methods using simulated data
VanDerHorn et al. Towards a digital twin approach for vessel-specific fatigue damage monitoring and prognosis
Chai et al. Probabilistic methods for estimation of the extreme value statistics of ship ice loads
KR101711606B1 (en) A similarity-based damage estimating method of offshore structures
JP2019159604A (en) Abnormality detection device, abnormality detection method and abnormality detection program
CN111199313A (en) Method and system for predicting landslide accumulated displacement trend based on neural network
Liu et al. Application of Structural Health Monitoring for Structural Digital Twin
Li et al. A probabilistic model of ship performance in ice based on full-scale data
Fritz et al. Fault diagnosis in structural health monitoring systems using signal processing and machine learning techniques
CN113312696B (en) Bridge health condition dynamic prediction alarm method based on ARIMA algorithm
CN113295212B (en) Landslide overall stability safety early warning system applying multi-monitoring point synergistic effect
RU2699918C1 (en) Diagnostic method of technical state of buildings and structures
Hageman et al. Structural fatigue loading predictions and comparisons with test data for a new class of US coast guard cutters
JP2022082277A (en) Detection program, detection device, and detection method
KR20200004622A (en) System and method for predicting ship response and computer-readable recording medium thereof
Bhowmik Life extension of offshore structure using machine learning
Jones et al. Heteroscedastic Gaussian processes for localising acoustic emission
Gibson et al. Data-driven strain prediction models and fatigue damage accumulation
EP3789956A1 (en) Method and system for analyzing the mechanical response of microstructures under investigation
Ameyaw et al. Adaptation and implementation of Probability of Detection (POD)-based fault diagnosis in elastic structures through vibration-based SHM approach
Han et al. A framework for condition monitoring and risk-based decision support involving a vessel state observer
Ihn et al. Development and performance quantification of an ultrasonic structural health monitoring system for monitoring fatigue cracks on a complex aircraft structure
Haberl et al. Advancing hull monitoring through physics-informed machine learning: Towards a real-time approach
Li et al. Implementation of digital twin-enabled virtually monitored data in inspection planning

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant