KR102269192B1 - 지하공동구 고장 예방 방법 및 장치 - Google Patents
지하공동구 고장 예방 방법 및 장치 Download PDFInfo
- Publication number
- KR102269192B1 KR102269192B1 KR1020200034495A KR20200034495A KR102269192B1 KR 102269192 B1 KR102269192 B1 KR 102269192B1 KR 1020200034495 A KR1020200034495 A KR 1020200034495A KR 20200034495 A KR20200034495 A KR 20200034495A KR 102269192 B1 KR102269192 B1 KR 102269192B1
- Authority
- KR
- South Korea
- Prior art keywords
- axis
- vibration
- vibration signal
- data
- risk prediction
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000002265 prevention Effects 0.000 title claims abstract description 15
- 238000003745 diagnosis Methods 0.000 claims description 72
- 238000013473 artificial intelligence Methods 0.000 claims description 38
- 238000001514 detection method Methods 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000013461 design Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000013058 risk prediction model Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 230000007123 defense Effects 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 33
- 238000010586 diagram Methods 0.000 description 27
- 230000002159 abnormal effect Effects 0.000 description 20
- 238000006243 chemical reaction Methods 0.000 description 13
- 238000010276 construction Methods 0.000 description 10
- 238000009434 installation Methods 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 230000009466 transformation Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 230000006403 short-term memory Effects 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000010865 sewage Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- XLYOFNOQVPJJNP-ZSJDYOACSA-N Heavy water Chemical compound [2H]O[2H] XLYOFNOQVPJJNP-ZSJDYOACSA-N 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 239000013585 weight reducing agent Substances 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C9/00—Measuring inclination, e.g. by clinometers, by levels
- G01C9/02—Details
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Emergency Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
지하공동구 고장 예방 방법 및 장치를 개시한다.
본 실시예는 지하공동구 내에 설치되는 각종 케이블 및 설비에 복수의 센서(진동, 온도, 습도, 영상)를 설치하여 네트워크 환경을 구축하고, 복수의 센서로부터 현재 상태를 측정한 후 AI를 이용하여 공동구 내외부 위험요소 사전 파악을 통한 구조물 선제적 방어, 순찰자 감시, 24시간 감시 가능한 능동적인 안전사고 예방 시스템 구축할 수 있도록 하는 지하공동구 고장 예방 방법 및 장치를 제공한다.
본 실시예는 지하공동구 내에 설치되는 각종 케이블 및 설비에 복수의 센서(진동, 온도, 습도, 영상)를 설치하여 네트워크 환경을 구축하고, 복수의 센서로부터 현재 상태를 측정한 후 AI를 이용하여 공동구 내외부 위험요소 사전 파악을 통한 구조물 선제적 방어, 순찰자 감시, 24시간 감시 가능한 능동적인 안전사고 예방 시스템 구축할 수 있도록 하는 지하공동구 고장 예방 방법 및 장치를 제공한다.
Description
본 발명의 일 실시예는 지하공동구 고장 예방 방법 및 장치에 관한 것이다.
이하에 기술되는 내용은 단순히 본 실시예와 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.
현대사회의 복잡한 생활여건으로 인하여 공동 생활시설, 플랜트 생산시설, 위험시설은 특정지역에 밀집 분포될 수밖에 없다. 전력, 통신, 가스, 지역난방, 급배수 설비 등의 생활 시설들은 지하공동구에 집합되어 일괄 설치되는 추세에 있다.
공동구(共同溝, Utility-Pipe Conduit)란 상하수도관, 각종 케이블, 가스관 등을 함께 수용하는 지하터널로서, 공용구거(共用溝渠)라고도 한다. 공동구에는 전술한 상하수도관 또는 가스관 등의 배관이나 각종 케이블을 수용하기 위한 배관 등이 설치된다. 공동구에 설치된 배관들을 지지하기 위한 구조물이 설치된다. 공동구는 지하에 각종 관로(管路)를 공동으로 설치하기 위해 마련된 지하구조물로서 전기, 가스, 수도의 공급시설과 전신선로 및 하수도 시설을 공동수용하는 지하시설이다.
일반적으로 지하공동구(Underground Utility-Pipe Conduit)란 도로 관리자가 복수의 매설물을 공동 수용할 목적으로 시설하는 길(도랑), 전기, 통신, 가스, 수도, 하수도 등과 같은 도로의 지하 매설물을 공동으로 수용한다. 지하공동구의 설치 이유는 도시의 미관, 도로 구조의 보전과 원활한 교통 소통을 도모하기 위한 것으로서, 수용 방법에 따라 개별식, 분할식, 혼합식으로 분류된다.
전력설비의 지하화로 인하여 설비의 유지관리, 사고발생 탐지, 사고현황 파악, 확산억제 및 진압 등의 어려움이 발생하며, 사고 발생시 시설 및 설비의 소실에 따른 경제적인 손실을 야기시키며, 사회, 경제활동을 마비시킴으로써 천문학적 규모의 손실이 발생하게 된다.
종래의 감지 시스템은 외부의 침입 및 안전사고 발생 이후 확인이 가능한 수동적인 감시 체계(CCTV, 자석감지기, 입/출입관리시스템, 화재경보기 등)를 갖고 있다. 따라서, 공사 현장의 발파, 굴착 공사로 인한 구조체 외부의 충격, 공동구 상부 차량 운행으로 환기구 파손등 운영 중 24시간 감시가 불가능한 문제가 있다.
본 실시예는 지하공동구 내에 설치되는 각종 케이블 및 설비에 복수의 센서(진동, 온도, 습도, 영상)를 설치하여 네트워크 환경을 구축하고, 복수의 센서로부터 현재 상태를 측정한 후 AI를 이용하여 공동구 내외부 위험요소 사전 파악을 통한 구조물 선제적 방어, 순찰자 감시, 24시간 감시 가능한 능동적인 안전사고 예방 시스템 구축할 수 있도록 하는 지하공동구 고장 예방 방법 및 장치를 제공하는 데 목적이 있다.
본 실시예의 일 측면에 의하면, 복수의 설비를 함께 지하 지지 구조물 내에 수용하는 지하공동구; 상기 지하공동구 내의 기 설정된 구간마다 설치되어, 기 설정된 단위로 상기 지하공동구 내에 수용된 상기 복수의 설비의 측정치를 센싱한 센싱 데이터를 생성하는 센서부; 상기 지하공동구에 대한 내부 구조를 모델링한 모델링 데이터를 구축하고, 상기 센싱 데이터를 주기적으로 입력받아 인공지능모델을 생성하고, 상기 인공지능모델을 인공기능 신경망에 적용한 후 상기 센싱 데이터에 대응하는 센서의 고장을 예측한 위험 예측 정보를 생성하는 위험 예측 장치; 상기 모델링 데이터 내에 상기 센서부에 포함된 복수의 센서의 위치를 매핑하여 시각화하고, 상기 복수의 센서 위치마다 상기 센싱 데이터를 시각화하여 출력되도록 하는 공동구 안전관리 장치; 및 상기 위험 예측 정보, 상기 센싱 데이터를 수신하여 상기 모델링 데이터와 함께 출력하는 공동구 관리자 단말기;를 포함하는 것을 특징으로 하는 지하공동구 고장 예방 시스템을 제공한다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 지하공동구 내에 설치되는 각종 케이블 및 설비에 복수의 센서(진동, 온도, 습도, 영상)를 설치하여 네트워크 환경을 구축하고, 복수의 센서로부터 현재 상태를 측정한 후 AI를 이용하여 공동구 내외부 위험요소 사전 파악을 통한 구조물 선제적 방어, 순찰자 감시, 24시간 감시 가능한 능동적인 안전사고 예방 시스템 구축할 수 있는 효과가 있다.
도 1은 본 실시예에 따른 지하공동구 고장 예방 시스템을 개략적으로 나타낸 블럭 구성도이다.
도 2a는 본 실시예에 따른 진동감지부를 개략적으로 나타낸 도면이다.
도 2b는 본 실시예에 따른 9축 진동 감지 센서를 기반으로 진동 신호를 획득하는 방법을 나타낸 개념도이다.
도 2c,2d,2e는 본 실시예에 따른 안전 진단 방법을 나타낸 개념도이다.
도 2f는 본 실시예에 따른 진동 신호를 학습하여 최종 안전 진단을 수행하기 위한 방법을 나타낸 개념도이다.
도 3은 본 실시예에 따른 진동감지부를 정렬 및 튜닝하는 방법을 나타낸 도면이다.
도 4는 본 실시예에 따른 진동감지부의 진폭 및 축 변위를 나타낸 도면이다.
도 5는 본 실시예에 따른 위험 예측 장치를 개략적으로 나타낸 도면이다.
도 6은 본 실시예에 따른 위험 예측 장치의 모델링 데이터 구축 공정을 나타낸 도면이다.
도 7은 본 실시예에 따른 텍스처 모델링 절차를 나타낸 도면이다.
도 8은 본 실시예에 따른 데이터 커스터마이징 프로세스를 나타낸 도면이다.
도 9는 본 실시예에 따른 센서 및 카메라 위치 맵을 나타낸 예시도이다.
도 10은 본 실시예에 따른 센싱 데이터를 나타낸 예시도이다.
도 11은 본 실시예에 따른 영상 스트리밍 방법을 나타낸 도면이다.
도 12는 본 실시예에 따른 위험 예측 장치의 학습 방법을 나타낸 도면이다.
도 13은 본 실시예에 따른 인공지능 모델 구성 및 신경망 구축을 나타낸 도면이다.
도 14는 본 실시예에 따른 인공지능 위험예측 서비스를 설명하기 위한 도면이다.
도 2a는 본 실시예에 따른 진동감지부를 개략적으로 나타낸 도면이다.
도 2b는 본 실시예에 따른 9축 진동 감지 센서를 기반으로 진동 신호를 획득하는 방법을 나타낸 개념도이다.
도 2c,2d,2e는 본 실시예에 따른 안전 진단 방법을 나타낸 개념도이다.
도 2f는 본 실시예에 따른 진동 신호를 학습하여 최종 안전 진단을 수행하기 위한 방법을 나타낸 개념도이다.
도 3은 본 실시예에 따른 진동감지부를 정렬 및 튜닝하는 방법을 나타낸 도면이다.
도 4는 본 실시예에 따른 진동감지부의 진폭 및 축 변위를 나타낸 도면이다.
도 5는 본 실시예에 따른 위험 예측 장치를 개략적으로 나타낸 도면이다.
도 6은 본 실시예에 따른 위험 예측 장치의 모델링 데이터 구축 공정을 나타낸 도면이다.
도 7은 본 실시예에 따른 텍스처 모델링 절차를 나타낸 도면이다.
도 8은 본 실시예에 따른 데이터 커스터마이징 프로세스를 나타낸 도면이다.
도 9는 본 실시예에 따른 센서 및 카메라 위치 맵을 나타낸 예시도이다.
도 10은 본 실시예에 따른 센싱 데이터를 나타낸 예시도이다.
도 11은 본 실시예에 따른 영상 스트리밍 방법을 나타낸 도면이다.
도 12는 본 실시예에 따른 위험 예측 장치의 학습 방법을 나타낸 도면이다.
도 13은 본 실시예에 따른 인공지능 모델 구성 및 신경망 구축을 나타낸 도면이다.
도 14는 본 실시예에 따른 인공지능 위험예측 서비스를 설명하기 위한 도면이다.
이하, 본 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 실시예에 따른 지하공동구 고장 예방 시스템을 개략적으로 나타낸 블럭 구성도이다.
지하공동구 고장 예방 시스템은 지하공동구(110)의 진동, 온도, 습도 등의 환경정보 데이터, 영상 데이터를 수집하고, 실시간 모니터링한다. 지하공동구 고장 예방 시스템은 지하공동구(110)의 기 설정된 구간(예컨대, 약 5km) 내에 진동 감지부를 설치한 후 진동 감지부로부터 통신 장비를 이용하여 정보를 수집하고 인공지능을 이용하여 분석한다. 지하공동구 고장 예방 시스템은 배정반, CCTV 미설치, 유관 확인 불가 구조체, 외부 충격 등 공동구 사각지대에 대한 감지를 수행한다.
본 실시예에 따른 지하공동구 고장 예방 시스템은 지하공동구(110), 센서부(120), 위험 예측 장치(130), 공동구 안전관리 장치(140), 공동구 관리자 단말기(150)를 포함한다. 지하공동구 고장 예방 시스템에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
지하공동구(110)는 복수의 설비(전력 설비, 통신 설비, 가스 설비, 지역난방 설비, 급배수 설비 중 적어도 하나 이상의 설비)를 함께 지하 지지 구조물 내에 공동 수용하는 지하시설을 의미한다.
센서부(120)는 9축 가속도 진동센서, 온도 센서, 습도 센서, 현장 상황을 확인할 수 있는 적외선 카메라, 통신 모듈을 탑재한 일제형 감지 장치를 의미한다.
센서부(120)는 지하공동구(110) 내의 구조체 내부 벽면에 기 설정된 단위(예컨대, 약 100m 마다 단위)로 기 설정된 구간(예컨대, 총 5km 구간)에 기 설정된 개수(예컨대, 50대)가 설치된다. 센서부(120)는 실시간으로 공동구 구조체의 진동, 온도, 습도, 영상 중 적어도 하나 이상을 감지한 센싱 데이터를 위험 예측 장치(130)로 전송한다.
센서부(120)는 지하공동구(110)의 구조물 특정 지점에 가해지는 충격 진동, 온도, 습도의 변화를 정밀하게 검출한다. 센서부(120)는 특정 지점에 대한 진동을 9축 방향으로 감지한다. 센서부(120)는 지점별 화재 또는 수재 발생시 온도, 습도의 변화를 검출한다.
센서부(120)는 지하공동구(110) 중 기 설정된 구간(예컨대, 세종시 공동구 1구간 중 미호천 ~ 정부종합청사구간(5.0km))에 설치될 수 있으나, 반드시 이에 한정되는 것은 아니며 추후 지하공동구(110) 전체 구간에 설치될 수 있다. 센서부(120)는 기 설정된 단위(예컨대, 100m 단위)로 전력구와 통신구에 교차 설치 가능하다.
센서부(120)는 지하공동구(110) 내의 기 설정된 구간마다 설치되어, 기 설정된 단위로 지하공동구(110) 내에 수용된 복수의 설비의 측정치를 센싱한 센싱 데이터를 생성한다.
센서부(120)는 9축 진동 감지 센서, 온도 센서, 습도 센서, 카메라 모듈, 통신 모듈 중 적어도 하나 이상을 포함한다.
9축 진동 감지 센서는 지하공동구(110) 내의 기 설정된 구간에 기 설정된 단위로 9축으로 진동을 센싱하여 진동 센싱 데이터를 생성한다. 9축 진동 감지 센서는 기 설정된 단위(예컨대, 1초 단위)로 기울기각을 측정한 진동 센싱 데이터를 생성한다.
센서부(120)는 별도의 센서 컨트롤러를 포함한다. 센서 컨트롤러는 x/y/z 3축 센서를 3차원 방향으로 각각 30˚씩 틀어진 4074단계의 데이터를 9개 방향의 가속도 및 기울기 값을 측정하여 위험 예측 장치(130)로 전송한다.
온도 센서는 지하공동구(110) 내의 기 설정된 구간에 기 설정된 단위로 온도를 센싱하여 온도 센싱 데이터를 생성한다. 온도 센서는 설치 위치의 온도 변화 범위 -40˚ ~ 125˚ 값을 0.1˚ 단위로 실시간 측정한다. 온도 센서는 측정된 14bit 데이터를 위험 예측 장치(130)로 전송한다.
습도 센서는 지하공동구(110) 내의 기 설정된 구간에 기 설정된 단위로 습도를 센싱하여 습도 센싱 데이터를 생성한다. 습도 센서는 설치 위치의 습도 변화 범위 0% ~ 100% 값을 0.1% 단위로 실시간 측정한다. 습도 센서는 측정된 12bit 데이터를 위험 예측 장치(130)로 전송한다.
카메라 모듈은 지하공동구 내의 기 설정된 구간에 기 설정된 단위로 영상을 촬영한 영상 데이터를 생성한다. 카메라 모듈은 적외선 카메라로서, 9축 가속도 진동센서, 온도 센서, 습도 센서가 설치된 지점에 대하여 운영자가 확인을 원할 경우 현장 상황을 촬영한 영상 데이터를 위험 예측 장치(130)로 전송한다.
통신 모듈은 진동 센싱 데이터, 온도 센싱 데이터, 습도 센싱 데이터 중 적어도 하나 이상의 데이터를 포함하는 센싱 데이터를 위험 예측 장치(130)로 전송한다.
위험 예측 장치(130)는 지하공동구(110)를 실시간으로 감지하고 고장을 예측하기 위해, 공동구 전용 라이브러리를 생성한다. 위험 예측 장치(130)는 감시하고자 하는 지하공동구(110)의 특정 영역에 대한 3D 모델링을 구축한다. 위험 예측 장치(130)는 지하공동구(110) 센서부(120)의 진동감지부와 연계하여 데이터를 입력받는다.
위험 예측 장치(130)는 인공지능 예측모델을 생성하고 최적화한다. 위험 예측 장치(130)는 진동 센싱 데이터, 온도 센싱 데이터, 습도 센싱 데이터를 기반으로 모델을 학습하고 신경망을 구축한다. 위험 예측 장치(130)는 지하공동구(110)에 대한 공동구 안전관리 장치(140)와 연동하여 인공지능 서비스 엔진을 연계한다.
위험 예측 장치(130)는 실시간으로 수신된 센싱 데이터를 저장하고, 인공지능망에서 학습할 수 있는 데이터로 입력한다. 위험 예측 장치(130)는 최소 1초마다 진동센서의 9축 진동 데이터, 온도 데이터, 습도 데이터를 수집하고, 필요시 적외선 카메라로부터 현장 상황을 촬영한 영상 데이터를 수집한다.
위험 예측 장치(130)와 센서부(120)는 지하공동구(110) 내의 광케이블 및 광모뎀을 이용하여 통신한다. 위험 예측 장치(130)는 센서부(120)에 포함된 센서 컨트롤러로부터 측정되는 센싱 데이터를 값을 표준화된 데이터로 가공 변환한다. 위험 예측 장치(130)는 메모리에 수집된 센싱 데이터를 날짜별로 1주일간 데이터를 저장한다.
본 실시예에 따른 위험 예측 장치(130)는 지하공동구(110)에 대한 내부 구조를 모델링한 모델링 데이터를 구축한다. 위험 예측 장치(130)는 센싱 데이터를 주기적으로 입력받아 인공지능모델을 생성한다. 위험 예측 장치(130)는 인공지능모델을 인공기능 신경망에 적용한 후 센싱 데이터에 대응하는 센서의 고장을 예측한 위험 예측 정보를 생성한다.
위험 예측 장치(130)는 센서부(120)로부터 수신된 진동 센싱 데이터, 온도 센싱 데이터, 습도 센싱 데이터, 영상 데이터를 학습 데이터로 입력하여 상황별, 위치별, 시간별, 계절별, 방향별 유형의 학습을 수행하여 위험예측모델 및 위험판단모델을 생성한다. 위험 예측 장치(130)는 위험예측모델과 위험판단모델을 기반으로 센서부(120)로부터 새롭게 수신된 센싱 데이터에 대한 위험을 예측하고 위험상황을 판단한다.
위험 예측 장치(130)는 평상시에 수집된 진동 센싱 데이터, 온도 센싱 데이터, 습도 센싱 데이터, 영상 데이터를 정상 데이터로서 LSTM(Long Short-Term Memory models) 또는 GRU(Gated Recurrent Unit) 모델에 입력하여 상황별, 위치별, 시간별, 계절별, 방향별 학습을 수행하여 위험예측모델을 구성한다. 위험 예측 장치(130)는 위험예측모델의 학습결과를 DQN(Deep Q-Networks) 모델에 적용하여 학습상황별 정상 또는 비정상 여부를 판단하는 위험판단모델을 구성한다. 위험 예측 장치(130)는 위험예측모델과 위험판단모델을 이용하여 위험예측 신경망을 구축한다.
위험 예측 장치(130)는 지하공동구(110)에 대응하는 설계준공도면, 설계준공문서, GIS(Geographic Information System) 정보 중 적어도 하나 이상의 정보를 수집한다. 위험 예측 장치(130)는 설계준공도면, 설계준공문서, GIS 정보 하나 이상의 정보를 기반으로 지하공동구(110)와 내부시설물을 구성하고 있는 요소를 분석하여 모델 라이브러리(Library)를 도출한다. 위험 예측 장치(130)는 모델 라이브러리(Library)를 기반으로 뼈대 구조를 렌더링하고, 뼈대 구조 상에 추가로 입력받은 현장 촬영 사진을 텍스처로 매핑한 텍스처 모델링을 수행하여 모델링 데이터로 변환한다.
위험 예측 장치(130)는 지하공동구(110)에 대한 공간 및 좌표체계에 의한 구간 모델링을 구축하고, 뼈대 구조 상에 구간 모델링을 통합배치하고, 논리적인 중첩구성과 테스트를 수행하는 모델공간배치를 수행한 후 표준교환포맷으로 변환한다.
위험 예측 장치(130)는 지하공동구(110) 내의 구조물을 라인별, SPAN 태그별로 구분하여 공간정보 속성을 구축한다. 위험 예측 장치(130)는 지하공동구(110) 내의 점용 시설물의 관리, 규격, 재질 등 기본 속성을 구축한다. 위험 예측 장치(130)는 센싱 데이터로부터 센서 ID(진동 감지 센서 식별정보, 온도 센서 식별정보, 습도 센서 식별정보, 카메라 모듈 식별정보)를 추출하여 속성링크 정보를 구축한다.
위험 예측 장치(130)는 센싱 데이터를 필터링하고 스키마(Schema)를 변환할 때, 스키마를 분석하여 데이터베이스 최적화의 순서에 따라 자동화도구를 이용하여 데이터 포맷을 변환하여 표준 데이터포맷 및 표준 데이터베이스 구축하는 데이터 커스터마이징을 수행한다.
위험 예측 장치(130)는 모델링 데이터에 대한 건물외곽에 따른 형상 데이터, 속성 데이터를 생성한다. 위험 예측 장치(130)는 모델링 데이터에 LOD(Level OF Detail)를 적용한 데이터 경량화를 수행할 때, 블록 레퍼런스, 좌표변환, 인덱싱 기능을 적용하여 서비스 포맷 형태로 변환하여 데이터베이스에 적용한다.
위험 예측 장치(130)는 데이터 커스터마이징을 수행할 때, Octree 기반의 공간 인덱싱을 이용하여 구조화된 자료구조를 정립하고, 데이터 스트리밍과 시각화 기술의 적용을 통한 고속 렌더링하는 데이터스트리밍 기술을 적용하여 데이터를 커스터마이징한 커스터마이징 데이터를 생성한다.
공동구 안전관리 장치(140)는 위험 예측 장치(130)로부터 수신된 모델링 데이터 내에 센서부(120)에 포함된 복수의 센서의 위치를 매핑하여 시각화한다. 공동구 안전관리 장치(140)는 복수의 센서 위치마다 센싱 데이터를 시각화하여 출력되도록 한다.
공동구 안전관리 장치(140)는 센서부(120)에 포함된 9축 센서 감지 센서로부터 수신된 진동 센싱 데이터를 기반으로 기울기 이동거리/시간으로 계산하여 가속도(진폭)를 측정한다. 공동구 안전관리 장치(140)는 진동 센싱 데이터에 포함된 기울기각을 지속적으로 모니터링하면 축의 기울기 변화로 축의 수평 및 수직 변화량을 측정하여 출력한다.
공동구 안전관리 장치(140)는 커스터마이징 데이터를 2D 또는 3D 형태의 맵으로 나타낸다. 공동구 안전관리 장치(140)는 맵에 기 설정된 구간에 기 설정된 단위로 센서부에 포함된 각 센서의 위치를 아이콘 형태로 표시한다. 공동구 안전관리 장치(140)는 각 아이콘마다 센싱 데이터에 대한 측정치를 그래프화하여 출력한다.
공동구 관리자 단말기(150)는 태블릿 PC(Tablet PC), 랩톱(Laptop), 개인용 컴퓨터(PC: Personal Computer), 스마트폰(Smart Phone), 개인휴대용 정보단말기(PDA: Personal Digital Assistant) 및 이동통신 단말기(Mobile Communication Terminal) 등 중 어느 하나일 수 있다. 공동구 관리자 단말기(150)는 네트워크와 연동하여 공동구 안전관리 장치(140)에 접속하기 위한 웹 브라우저와 프로그램을 저장하기 위한 메모리, 프로그램을 실행하여 연산 및 제어하기 위한 마이크로프로세서 등을 구비하고 있는 단말기를 의미한다.
공동구 관리자 단말기(150)는 PC인 것이 일반적이지만, 네트워크에 연결되어 서버-클라이언트 통신이 가능하다면 그 어떠한 단말기도 가능하며, 노트북 컴퓨터, 이동통신 단말기 등 여하한 통신 컴퓨팅 장치를 모두 포함하는 넓은 개념이다.
공동구 관리자 단말기(150)는 위험 예측 장치(130)로부터 모델링 데이터, 위험 예측 정보를 수신하고, 센서부(120)로부터 센싱 데이터를 수신한다. 공동구 관리자 단말기(150)는 공동구 안전관리 장치(140)를 경유하여 모델링 데이터, 위험 예측 정보, 센싱 데이터를 수신할 수 있다. 공동구 관리자 단말기(150)는 모델링 데이터와 함께 센싱 데이터와 위험 예측 정보를 출력한다.
도 2a는 본 실시예에 따른 진동감지부를 개략적으로 나타낸 도면이다.
센서부(120)는 9축 진동 감지 센서, 온도 센서, 습도 센서, 카메라 모듈, 통신 모듈을 포함한다.
센서부(120)에 포함된 9축 진동 감지 센서는 x1/y1/z1, x2/y2/z2, x3/y3/z3 9축에 대하여 측정범위 -2047 ~ 0 ~ +2047 (360˚)로 측정단위 0.088˚ 단위로 진동을 측정한다. 9축 진동 감지 센서는 진동속도 2.4mm/s ~ 980cm/s 범위를 초정밀하게 측정 가능하다.
9축 진동 감지 센서는 진동 신호를 센싱한다. 9축 진동 감지 센서는 제1 기준축, 제2 기준축 및 제3 기준축을 포함한다. 제1 기준축, 제2 기준축 및 기준축은 원점을 공유한다. 제1 기준축은 공간 상에서 x1축, y1축 및 z1축을 포함한다. 제2 기준축은 공간 상에서 x2축, y2축 및 z2축을 포함한다. 제3 기준축은 공간 상에서 x3축, y3축 및 z3축을 포함한다. 제1 기준축과 제2 기준축은 a도의 차이를 가지고, 제2 기준축과 제3 기준축은 b도의 차이를 가진다.
제1 기준축에 포함되는 x1축, y1축 및 z1축과 제2 기준축에 포함되는 x1축, y1축 및 z1축 각각과 대응되는 x2축, y2축 및 z2축 중 적어도 하나의 축이 a도의 차이를 가진다. 제2 기준축에 포함되는 x2축, y2축 및 z2축과 제3 기준축에 포함되는 x2축, y2축 및 z2축 각각과 대응되는 x3축, y3축 및 z3축 중 적어도 하나의 축이 b도의 차이를 가진다.
9축 진동 감지 센서는 센서부(120)에 포함될 수 있다. 도 2a를 참조하면, 진동 감지 센서는 9축을 기준으로 진동 신호를 감지할 수 있다.
9축 진동 감지 센서는 제1 기준축(110), 제2 기준축(120) 및 제3기준축(130)을 포함할 수 있다. 제1 기준축(110)은 공간 상에서 x1축, y1축 및 z1축을 포함할 수 있고, 제2 기준축(120)은 공간 상에서 x2축, y2축 및 z2축을 포함할 수 있고, 제3 기준축(130)은 공간 상에서 x3축, y3축 및 z3축을 포함할 수 있다.
제1 기준축(110), 제2 기준축(120) 및 제3 기준축(130)은 원점을 공유하고, 제1 기준축(x1, y1, z1)(110), 제2 기준축(x2, y2, z2)(120) 및 제3 기준축(x3, y3, z3)(130) 각각은 특정 평면 상에서 일정한 각도 차이를 기준으로 배치될 수 있다.
적어도 하나의 평면 및 적어도 하나의 축을 기준으로 제1 기준축(110), 제2 기준축(120) 및 제3 기준축(130)이 배치될 수 있다. 제1 기준축(110)과 제2 기준축(120)은 a도(예를 들어, 30도)의 차이를 가지고, 제2 기준축(120)과 제3 기준축(130)은 b도의 차이(예를 들어, 30도)를 가질 수 있다.
구체적으로 제1 기준축(110)과 제2 기준축(120) 각각에 대응되는 축은 a도(예를 들어, 30도)의 차이를 가질 수 있다. 제1 기준축(110)의 x1축과 제2 기준축(120)의 x2축은 a도의 차이를 가지고, 제1 기준축(110)의 y1축과 제2 기준축(120)의 y2축은 a도의 차이를 가지고, 제1 기준축(110)의 z1축과 제2 기준축(120)의 z2축은 a도의 차이를 가질 수 있다.
또한, 제2 기준축(120)과 제3 기준축(130) 각각에 대응되는 축은 b도(예를 들어, 30도)의 차이를 가질 수 있다. 제2 기준축(120)의 x2축과 제3 기준축(130)의 x3축은 b도의 차이를 가지고, 제2 기준축(120)의 y2축과 제3 기준축(130)의 y3축은 b도의 차이를 가지고, 제2 기준축(120)의 z2축과 제3 기준축(130)의 z3축은 b도의 차이를 가질 수 있다.
또 다른 표현으로 복수개의 평면을 기준으로 제1 기준축(110), 제2 기준축(120) 및 제3 기준축(130)이 배치되는 경우, 제1 기준축(110)에 포함되는 하나의 축(예를 들어, x1축) 제2 기준축(120)에 포함되는 하나의 축(예를 들어, x2축)이 일정한 각도를 가지고, 제1 평면 상에 배치될 수 있다. 또한, 제2 기준축(120)에 포함되는 하나의 축(예를 들어, x2축) 제3 기준축(130)에 포함되는 하나의 축(예를 들어, x3축)이 일정한 각도를 가지고, 제2 평면 상에 배치될 수 있다.
이때, 제1 평면과 제2 평면은 서로 다른 평면일 수 있다. 또한, 제1 평면은 제1 기준축(110)의 x1축, y1축, z1축 및 제2 기준축(120)의 x2축, y2축, z2축을 포함하지 않는 평면일 수 있다. 제2 평면은 제2 기준축의 x2축, y2축, z2축을 포함하지 않는 평면이고, 제3 기준축(130)의 x3축, y3축, z3축을 포함하지 않는 평면일 수 있다.
본 발명의 실시예에서는 0.088도 단위로 측정 범위 -2047(-180도)~0(0도)~+2047(+180도)의 해상도를 가지고 진동 신호를 센싱하고 안전 진단을 수행할 수 있다. 또한, 진동 속도 2.4mm/s ~ 980cm/s 범위의 초정밀한 측정이 가능할 수 있다.
또는 본 발명의 실시예에 따르면, 제1 기준축(110)에 포함되는 적어도 하나의 축(예를 들어, x1축)과 대응되는 제2 기준축(120)에 포함되는 적어도 하나의 축(예를 들어, x2축)이 a도(예를 들어, 30도)의 차이를 가지고, 제2 기준축(120)에 포함되는 적어도 하나의 축(예를 들어, x2축)과 대응되는 제3 기준축(130)에 포함되는 적어도 하나의 축(예를 들어, x3축)이 b도(예를 들어, 30도)의 차이를 가지도록 9축 진동 센서가 구현될 수도 있다.
도 2b는 본 실시예에 따른 9축 진동 감지 센서를 기반으로 진동 신호를 획득하는 방법을 나타낸 개념도이다.
도 2b에서는 9개의 축을 기준으로 입력되는 진동 신호를 기반으로 한 진동 센서의 센싱 방법이 개시된다. 이하, 제1 기준축의 x1축은 축1-1, y1축은 축1-2, z1축은 축1-3이라는 용어로 표현되고, 제2 기준축의 x2축은 축2-1, y2축은 축2-2, z2축은 축2-3이라는 용어로 표현되고, 제3 기준축의 x3축은 축3-1, y3축은 축3-2, z3축은 축3-3이라는 용어로 표현될 수 있다.
도 2b를 참조하면, 다양한 방법으로 센싱 결과가 종합될 수 있다.
안전 진단(타입1)로서 제1 기준축(210), 제2 기준축(220), 제3 기준축(230) 각각을 기반으로 한 진동 센싱 결과를 기반으로 공동구 상에서 안전 진단(또는 위험 판단)이 수행될 수 있다.
예를 들어, 제1 기준축(210)을 통해 센싱된 제1 진동 신호(213)를 기반으로 한 제1 안전 진단(또는 제1 위험 진단)(216)이 수행되고, 제2 기준축(220)을 통해 센싱된 제2 진동 신호(223)를 기반으로 한 제2 안전 진단(또는 제2 위험 진단)(226)이 수행되고, 제3 기준축(230)을 기반으로 한 제3 진동 신호(233)를 기반으로 한 제3 안전 진단(또는 제3 위험 진단)(236)이 수행될 수 있다. 안전 진단(타입1)에서는 제1 안전 진단(216), 제2 안전 진단(226) 및 제3 안전 진단(236) 각각을 기반으로 최종 안전 진단 결과가 추출될 수 있다.
안전 진단(타입2)에서는 제1 기준축(210), 제2 기준축(220), 제3 기준축(230)을 기반으로 한 진동 센싱 결과를 종합하여 공동구 상에 발생된 위험이 결정될 수 있다. 즉, 축1-1, 축1-2, 축1-3, 축2-1, 축2-2, 축2-3, 축 3-1, 축3-2, 축3-3을 모두 이용하여 최종 안전 진단 결과가 결정될 수 있다.
도 2c은 본 실시예에 따른 안전 진단 방법을 나타낸 개념도이다.
도 2c에서는 안전진단(타입1)을 기반으로 한 안전 진단 방법이 개시된다.
도 2c을 참조하면, 제1 기준축을 기반으로 제1 진동 신호(310)가 센싱될 수 있다. 제1 진동 신호(310)는 제1 기준축을 기준으로 한 진동 크기 정보 및 진동 방향 정보를 포함할 수 있다.
마찬가지로, 제2 기준축을 기반으로 센싱되는 제2 진동 신호(320)는 제2 기준축을 기준으로 한 진동 크기 정보 및 진동 방향 정보를 포함할 수 있고, 제3 기준축을 기반으로 센싱되는 제3 진동 신호(330)는 제3 기준축을 기준으로 한 진동 크기 정보 및 진동 방향 정보를 포함할 수 있다.
우선, 제1 진동 신호(310), 제2 진동 신호(320) 및 제3 진동 신호(330) 각각의 진동 신호 세기 및 진동 신호 방향이 일치하는지 여부가 판단될 수 있다.
3개의 진동 신호(제1 진동 신호(310), 제2 진동 신호(320) 및 제3 진동 신호(330))의 진동 신호 세기(340)가 제1 임계 유사 범위(360) 내에서 유사하고, 진동 신호 방향(350)이 제2 임계 유사 범위(370) 내에서 유사하다면, 제1 진동 신호(310), 제2 진동 신호(320) 및 제3 진동 신호(330)의 진동 신호 세기 평균값, 진동 신호 방향 평균값을 기반으로 최종 진동 신호 세기 및 최종 진동 신호 방향이 결정될 수 있다. 최종 진동 신호 세기 및 최종 진동 신호 방향을 기반으로 안전 진단 타겟 위치가 결정될 수 있다.
3개의 진동 신호(제1 진동 신호(310), 제2 진동 신호(320) 및 제3 진동 신호(330))에 포함된 정보 중 진동 신호 세기(340)가 제1 임계 유사 범위(360)를 벋어거나, 진동 신호 방향(350)이 제2 임계 유사 범위(370)를 벋어나는 경우, 임계 유사 범위를 벋어나는 진동 세기 정보 또는 진동 방향 정보를 가지는 제1 후보 기준축과 임계 유사 범위 내의 진동 세기 정보 또는 진동 방향 정보를 가지는 제2 후보 기준축이 결정될 수 있다.
제1 후보 기준축을 기반으로 한 제1 후보 안전 진단 타겟 위치(380)와 제2 후보 기준축을 기반으로 한 제2 후보 안전 진단 타겟 위치(385)가 추출되고, 제1 후보 안전 진단 타겟 위치(380)와 제2 후보 안전 진단 타겟 위치(385)의 신뢰도가 결정될 수 있다. 제1 후보 안전 진단 타겟 위치(380), 제2 후보 안전 진단 타겟 위치(385)의 신뢰도는 후보 안전 진단 타겟 위치에서 발생될 수 있는 안전 사고 가능성을 고려하여 결정될 수 있다.
IoT 진동 감지 단말(또는 9축 진동 감지 센서)가 설치된 환경(예를 들어 지하 공동구)의 설계 정보를 기반으로 설치 환경별 안전 사고 발생 가능성이 미리 설정될 수 있다. 예를 들어, 배선 등과 같은 내부 설치물의 존재 정보, 지하 공동구와 지면과의 거리 정보, 지하와 대응되는 지면 상의 공사 가능성 등과 같은 사고 발생 가능성 결정 요소들을 고려하여 지하 공동구에서 제1 후보 안전 진단 타겟 위치(380)의 안전 사고 가능성 및 제2 후보 안전 진단 타겟 위치(385)의 안전 사고 가능성이 결정될 수 있다.
제1 후보 안전 진단 타겟 위치(380)의 안전 사고 가능성이 제2 후보 안전 진단 타겟 위치(385)의 안전 사고 가능성보다 높은 경우, 제1 후보 안전 진단 타겟 위치(380)가 안전 진단 타겟 위치(390)로서 결정될 수 있다.
도 2d는 본 실시예에 따른 안전 진단 방법을 나타낸 개념도이다.
도 2d에서는 안전진단(타입1)을 기반으로 한 안전 진단 방법이 개시된다. 특히, 적어도 하나의 기준축을 조정하여 안전 진단 타겟 위치를 결정하기 위한 방법이 개시된다.
도 2d를 참조하면, 본 발명의 실시예에 따른 9축 진동 감지 센서는 기준축의 위치를 변경하여 안전 진단 타겟 위치에 대해 보다 정확한 판단을 수행할 수 있다.
전술한 바와 같이 후보 안전 진단 타겟 위치가 복수개인 경우, 9축 진동 감지 센서의 축의 각도를 일부 변경하여 다시 안전 진단 타겟 위치를 결정할 수 있다. 예를 들어, 제1 기준축, 제2 기준축을 기준으로 제1 후보 안전 진단 타겟 위치가 결정되고, 제3 기준축을 기준으로 제2 후보 안전 진단 타겟 위치가 결정된 경우가 가정될 수 있다.
이때 우선적으로 제2 후보 안전 진단 타겟 위치를 결정하기 위해 사용된 상대적으로 소수의 기준축인 제3 기준축(430)의 각도를 변경하여 다시 진동 신호를 센싱하여 제2 후보 안전 진단 타겟 위치(460)의 변동 여부를 판단할 수 있다.
기준축 변경 각도 및/또는 기준축 변경 횟수는 임계 범위를 벋어난 정도를 고려하여 결정될 수 있다. 상대적으로 임계 범위를 많이 벋어날수록 기준축 변경 각도가 상대적으로 커지고, 기준축 변경 횟수도 상대적으로 늘어날 수 있다.
만약, 제2 후보 안전 진단 타겟 위치(460)가 변경되지 않는 경우, 제1 후보 안전 진단 타겟 위치(450)를 결정하기 위해 사용된 상대적으로 다수의 기준축인 제1 기준축(410) 및 제2 기준축(420)의 각도를 변경하여 다시 진동 신호를 센싱하여 제1 후보 안전 진단 타겟 위치(450)의 변동 여부를 판단할 수 있다.
다수의 기준축(예를 들어, 제1 기준축(410)과 제2 기준축(420))을 기준으로 안전 진단 타겟 위치의 재판단을 수행시 변경시키는 각도의 차이는 제1 진동 신호와 제2 진동 신호의 차이를 고려하여 결정될 수 있다. 제1 진동 신호와 제2 진동 신호에 포함되는 진동 신호 세기 정보 또는 진동 신호 방향 정보의 차이가 커질수록 다수의 기준축(예를 들어, 제1 기준축(410)과 제2 기준축(420))을 기준으로 한 재판단의 수행시 변경시키는 각도가 커질 수 있다.
이러한 방식으로 기준축의 변경을 통해 후보 안전 진단 타겟 위치에 대한 검증을 다시 수행할 수 있다.
도 2e는 본 실시예에 따른 안전 진단 방법을 나타낸 개념도이다.
도 2e에서는 안전진단(타입2)을 기반으로 한 안전 진단 방법이 개시된다.
도 2e를 참조하면, 전술한 바와 같이 안전진단(타입2)에서는 제1 기준축, 제2 기준축, 제3 기준축을 기반으로 한 진동 센싱 결과를 종합하여 공동구 상에 발생된 위험이 결정될 수 있다. 즉, 축1-1, 축1-2, 축1-3, 축2-1, 축2-2, 축2-3, 축 3-1, 축3-2 및 축3-3을 모두 이용하여 최종 안전 진단 결과가 결정될 수 있다.
축1-1, 축2-1, 축3-1을 기준으로 제1 방향(최종)(510), 제1 세기(최종)(515)가 결정되고, 축1-2, 축2-2, 축3-2을 기준으로 제2 방향(최종)(520), 제2 세기(최종)(525)가 결정되고, 축1-3, 축2-3, 축3-3을 기준으로 제3 방향(최종)(530), 제3 세기(최종)(535)가 결정될 수 있다.
(제1 방향(최종)(510), 제1 세기(최종)(515)), (제2 방향(최종)(520), 제2 세기(최종)(525)) (제3 방향(최종)(530), 제3 세기(최종)(535))를 기반으로 안전 진단 타겟 위치가 결정될 수 있다.
이때 안전진단(타입2)를 기반으로 안전 진단 타겟 위치를 결정시 각 방향별 오차를 기반으로 안전 진단 타겟 위치의 재판단 여부가 결정될 수 있다. 예를 들어, 축1-1, 축2-1, 축3-1을 기반으로 한 제1방향(최종)(510), 제1 세기(최종)(515)에 대한 판단이 수행되는 경우, 축1-1, 축2-1, 축3-1 각각을 기반으로 결정된 개별 방향, 개별 세기 각각과 제1방향(최종)(510), 제1 세기(최종)(515) 각각 간의 차이가 임계값 이상인 경우, 진동 신호에 대한 재판단이 수행될 수 있다.
예를 들어, 축1-1을 기준으로 한 개별 방향과 제1 방향(최종)(510)과의 차이가 제1 임계값 이상인 경우 또는 축1-1을 기준으로 한 개별 세기과 제1 세기(최종)(515)과의 차이가 제2 임계값 이상인 경우, 진동 신호에 대한 재판단이 수행될 수 있다.
도 2f는 본 실시예에 따른 진동 신호를 학습하여 최종 안전 진단을 수행하기 위한 방법을 나타낸 개념도이다.
도 2f에서는 인공지능 기반 학습을 통해 진동 신호를 기반으로 한 최종 안전 진단을 수행하는 방법이 개시된다.
도 2f을 참조하면, 인공지능 위험 예측을 위한 방법으로는 각각의 위치에 대한 평소 진동 데이터를 정상 데이터로 수집할 수 있다. 수집된 진동 데이터를 기반으로 시계열 데이터 기반 LSTM(Long Short-Term Memory models) 또는 GRU(Gated Recurrent Unit) 모델을 최적화하여 상황별, 위치별, 시간별, 계절별, 방향별 학습을 통한 정상 데이터(600)를 예측하고, 이를 기반으로 DQN(Deep Q-Network) 강화 학습을 통해 정상 데이터(600)의 범위를 이탈하거나 비정상적인 데이터 형태를 인지하여 그 결과를 제공할 수 있다.
정상 데이터(600)를 기준으로 학습을 수행한 결과를 기준으로 정상 데이터(600)가 아니라고 판단되는 데이터(이하, 비정상 판단 데이터(620))가 존재하는 경우, 비정상 판단 데이터(620)를 기준으로 안전 진단 타겟 위치가 결정될 수 있다.
안전 진단 타겟 위치에 대하여 실제 안전 진단을 수행한 결과, 위험이 아니라고 판단되는 경우, 비정상 판단 데이터(620)는 다시 정상 데이터로서 학습을 위해 사용될 수 있다. 이러한 데이터는 비정상 판단 데이터(정상 데이터)(630)라는 용어로 표현될 수 있다. 반대로, 안전 진단 타겟 위치에 대하여 실제 안전 진단을 수행한 결과, 위험이라고 판단되는 경우, 비정상 판단 데이터(620)는 다시 비정상 데이터로서 학습을 위해 사용될 수 있다. 이러한 데이터는 비정상 판단 데이터(비정상 데이터)(640)라는 용어로 표현될 수 있다.
비정상 판단 데이터(정상 데이터)(630) 및 비정상 판단 데이터(비정상 데이터)(640)에 대해서는 데이터의 변환을 통해 학습 데이터의 양을 증가시킬 수도 있다. 예를 들어, 비정상 판단 데이터(정상 데이터)(630)를 기준으로 제1 변환 범위를 설정하여 변환된 비정상 판단 데이터(정상 데이터, 변환)을 생성하고, 비정상 판단 데이터(비정상 데이터)(640)를 기준으로 제2 변환 범위를 설정하여 비정상 판단 데이터(비정상 데이터, 변환)을 생성할 수 있다. 제2 변환 범위는 제1 변환 범위보다 상대적으로 좁게 설정될 수 있다.
추가적으로 학습을 수행시 진동 위치 데이터를 추가적으로 학습하여 진동 신호를 위치별로 학습할 수도 있다. 진동 위치 데이터를 추가하여 전술한 설치 환경별 안전 사고 발생 가능성에 따라 학습을 수행할 수 있다. 이러한 진동 위치 데이터를 기준으로 설치 환경별 안전 사고 발생 가능성에 따라 학습이 수행되는 경우, 위의 제1 변환 범위 및 제2 변환 범위는 설치 환경별 안전 사고 발생 가능성이 높을수록 상대적으로 좁게 설정할 수 있다.
도 3은 본 실시예에 따른 진동감지부를 정렬 및 튜닝하는 방법을 나타낸 도면이다.
9축 진동 감지 센서는 설치시 정렬 튜닝된다. 9축 진동 감지 센서를 지하공동구(110)에 장착할 때 x/y/z축에 정확히 정렬하는 것은 매우 어려운 작업으로 미세한 정렬 오차각이 존재한다.
따라서, 9축 진동 감지 센서는 9축 방향의 기준값 변경으로 가속도 크기가 변하기 때문에 초기 기준값 튜닝이 필요하다. 9축 진동 감지 센서의 튜닝은 9축 방향 가속도를 수직 방향으로 항상 1G로 값을 적용한 후 튜닝한다.
도 4는 본 실시예에 따른 진동감지부의 진폭 및 축 변위를 나타낸 도면이다.
위험 예측 장치(130)는 센서부(120) 내의 9축 진동 감지 센서로부터 진동 센싱 데이터를 수신한 후 그래프로 변환하여 모니터링이 가능하도록 한다. 9축 진동 감지 센서는 1초 단위로 기울기각(0.088˚ × 기울기값)을 측정한 진동 센싱 데이터를 위험 예측 장치(130)로 전송한다.
위험 예측 장치(130)는 진동 센싱 데이터를 이용하여 기울기 이동거리/시간으로 계산하여 가속도(진폭)를 측정한다. 위험 예측 장치(130)는 진동 센싱 데이터에 포함된 + 기울기각을 지속적으로 모니터링하면 축의 기울기 변화로 축의 수평 및 수직 변화량을 측정할 수 있다.
도 5는 본 실시예에 따른 위험 예측 장치를 개략적으로 나타낸 도면이다.
위험 예측 장치(130)는 지하공동구(110) 중 1구간(예컨대, 10.72Km) 관리연장 구간(예컨대, 30.29Km 중 2Km 구간)에 2D/3D 전환설계를 통해 공동구 관련 3차원 전체 모델링 및 라이브러리를 구축하고, 객체별 속성데이터를 생성한다.
위험 예측 장치(130)는 센서부(120)로부터 실시간으로 수신된 진동 센싱 데이터, 온도 센싱 데이터, 습도 센싱 데이터 등을 포함하는 센싱 데이터를 필터링한 후 스키마 형태로 변환하여 위험 예측 장치의 관련 데이터베이스에 저장한다.
위험 예측 장치(130)는 3차원 모델 데이터를 원본데이터의 유실 없이 가시화하기 위해 중복제거 변환기술 및 LOD(Level OF Detail) 등 3D 경량화 기법을 통해 최적화를 수행한다.
위험 예측 장치(130)는 데이터 검색, 조회, 시각화 등 다양한 기능 제공을 위해 3D 모델의 형상 및 속성 데이터를 파싱하고 센싱 데이터와 연계한다. 위험 예측 장치(130)는 객체 단위 공동구 관련 정보 및 센싱 데이터를 시각화를 위한 사용자 인터페이스(User Interface) 설계와 구현한다. 위험 예측 장치(130)는 센서부(120)에 포함된 카메라 모듈로부터 수신된 영상 데이터와 연계 및 재생한다.
도 6은 본 실시예에 따른 위험 예측 장치의 모델링 데이터 구축 공정을 나타낸 도면이다.
위험 예측 장치(130)는 모델링 데이터를 구축하기 위해 자료수집 및 모델을 분석한다. 위험 예측 장치(130)는 설계준공도면, 설계준공문서, 관련 GIS(Geographic Information System) 자료를 수집한다.
위험 예측 장치(130)는 지하공동구(110)를 구성하고 있는 모델을 분석하고 구성분류를 분석한다. 위험 예측 장치(130)는 지하공동구(110)와 내부시설물을 구성하고 있는 요소를 분석하여 모델 라이브러리(Library)를 도출한다. 위험 예측 장치(130)는 구성된 모델 라이브러리의 속성을 설계하고 정의한다.
관리자가 현장조사 및 사진 촬영을 수행한다. 관리자는 지하공동구(110)의 구조물을 조사하고 형상 및 규격을 조사한다. 관리자는 지하공동구(110) 내의 시설물 배치 현황과 규격을 조사한다. 관리자는 각 부위 요소들에 대한 현장 사진촬영을 한다.
관리자는 지하 공동구의 위치 정합성이 취약한 부분에 대해 3D 스캔을 수행하여 위치 정합성을 확보한다. 관리자는 현장조사 및 사진 촬영 결과를 위험 예측 장치(130)로 입력한다.
위험 예측 장치(130)는 지하 공동구 객체를 모델링한다. 위험 예측 장치(130)는 공동구 본체 및 부속 시설(본체, 집수정, 환기구 등)을 준공도면 기반으로 모델링한다.
위험 예측 장치(130)는 공동구 점용 시설물(전력시설, 난방시설, 상수도, 중수, 통신시설 등)을 준공도면 기반으로 모델링한다. 위험 예측 장치(130)는 공동구의 출입시설과 전기실 및 부대시설을 모델링한다. 위험 예측 장치(130)는 현장조사 결과를 검토하여 위치 정합성이 취약한 부분은 반영한다.
위험 예측 장치(130)는 객체모델의 속성정보를 구축한다. 위험 예측 장치(130)는 지하공동구(110) 내의 구조물을 라인별, SPAN별로 구분하고 공간정보 속성을 구축한다.
위험 예측 장치(130)는 지하공동구(110) 내의 점용 시설물의 관리, 규격, 재질 등 기본적인 속성을 구축한다. 위험 예측 장치(130)는 지하공동구(110) 내에 구비된 센서부(120)로부터 측정되는 센싱 데이터로부터 센서ID, 진동, 온도, 습도, 영상 정보를 추출하여 속성링크 정보를 구축한다.
위험 예측 장치(130)는 모델공간배치를 수행한다. 위험 예측 장치(130)는 지하공동구(110)에 대한 공간 및 좌표체계에 의한 SPAN, 구간 모델링을 구축한다. 위험 예측 장치(130)는 지하공동구(110)에 대한 모델링을 통합배치하거나 논리적인 중첩구성과 테스트를 수행한다. 위험 예측 장치(130)는 시스템 탑재시 표준교환포맷(IFC)을 고려하고, 필요시 포맷을 변환한다.
도 7은 본 실시예에 따른 텍스처 모델링 절차를 나타낸 도면이다.
위험 예측 장치(130)는 지하공동구(110) 내의 외벽 및 시설물 텍스처 모델링을 수행하기 위해 계획 수립 후 디지털 카메라를 이용한 사진촬영, 모델링, 텍스처링, 데이터 변환 순서로 공동구 외벽 및 시설물 텍스처 모델링을 진행한다.
도 8은 본 실시예에 따른 데이터 커스터마이징 프로세스를 나타낸 도면이다.
위험 예측 장치(130)는 데이터베이스를 구축하고 최적화한다. 위험 예측 장치(130)는 센서부(120)로부터 수신된 센싱 데이터를 필터링하고 스키마를 변환한다. 위험 예측 장치(130)에서 수행하는 데이터 포맷 및 스키마 변환 절차는 스키마를 분석하고 표준 데이터포맷 및 표준 데이터베이스 구축한다. 위험 예측 장치(130)는 데이터베이스 최적화의 순서로 작업을 진행한다. 위험 예측 장치(130)는 스키마 분석을 위해 입력된 정보를 분석하고 자동화도구를 통해서 데이터 포맷 변환을 실시한다.
데이터 변환모듈은 데이터 커스터마이징을 수행한다. 데이터 변환모듈은 IFC 파일을 건물외곽, 시설물, 속성정보 형태로 구축하고, 데이터를 데이터 변환 모듈을 이용하여 데이터 커스터마이징부로 전달한다.
데이터 커스터마이징부는 형상데이터, 속성데이터를 경량화하고 LOD(Level OF Detail)를 적용한다. 데이터 커스터마이징부는 LOD를 적용하는 단계에서 블록 레퍼런스, 좌표변환, 인덱싱 기능을 적용한다. 데이터 검증부는 마지막으로 블록 레퍼런스, 좌표변환, 인덱싱 기능이 적용된 데이터를 데이터 검증하고 서비스 포맷 형태로 변환하고 데이터베이스에 적용한다.
위험 예측 장치(130)는 결과적으로 LOD 가시화 기법에 의한 데이터 경량화를 수행한다. 위험 예측 장치(130)는 구조화된 자료구조의 정립(Octree 기반의 공간 인덱싱을 통한 구조화된 자료구조를 정립), 데이터스트리밍 기술(데이터 스트리밍과 시각화 기술의 적용을 통한 고속 렌더링)을 적용한다. 위험 예측 장치(130)는 구조화된 자료구조의 정립, 데이터스트리밍 기술을 이용하여 데이터를 커스터마이징 한다.
도 9는 본 실시예에 따른 센서 및 카메라 위치 맵을 나타낸 예시도이다.
공동구 안전관리 장치(140)는 센서부(120)에 포함된 9축 진동 감지 센서, 온도 센서, 습도 센서, 카메라 모듈의 위치를 맵으로 표현한다. 공동구 안전관리 장치(140)는 위험 예측 장치(130)로부터 수신된 요구사항을 먼저 정의하고, 요구사항을 분석한다. 공동구 안전관리 장치(140)는 지하공동구(110)에 대한 센싱 데이터를 시각화하고 카메라 영상을 재생한다.
공동구 안전관리 장치(140)는 센서부(120)에 포함된 9축 진동 감지 센서, 온도 센서, 습도 센서, 카메라 모듈이 위치하는 공동구 공간에 대한 속성정보를 도면에 POI로 아이콘으로 나타내어 각 센서 및 카메라 위치를 나타낸다.
도 10은 본 실시예에 따른 센싱 데이터를 나타낸 예시도이다.
공동구 안전관리 장치(140)는 진동 센싱 데이터, 온도 센싱 데이터, 습도 센싱 데이터 등의 실시간 센싱 데이터를 텍스트로 표시 가능하고, 그래프로 표시되도록 구현한다.
도 11은 본 실시예에 따른 영상 스트리밍 방법을 나타낸 도면이다.
공동구 안전관리 장치(140)는 센서부(120)에 포함된 카메라 모듈로부터 영상 데이터를 수신하여 출력하기 위해 카메라 모듈의 영상 스트리밍 서버를 구축하고, 위험 예측 장치 플랫폼에 영상이 재생되도록 한다.
공동구 안전관리 장치(140)는 영상 스트리밍 서버를 구성한다. 공동구 안전관리 장치(140)는 공동구 순찰 모드를 구현하여 구축된 공동구 내부를 정해진 시나리오 루트를 따라 자동으로 순찰하는 플라잉 모드를 구현한다.
공동구 안전관리 장치(140)는 관리자가 키보드를 조작하여 지하공동구(110) 내부를 걷는 워크모드를 제공한다. 공동구 안전관리 장치(140)는 센서 및 카메라 위치로 이동하는 순간이동 모드를 제공한다.
도 12는 본 실시예에 따른 위험 예측 장치의 학습 방법을 나타낸 도면이다.
위험 예측 장치(130)는 센서부(120)에 포함된 9축 진동 감지 센서, 온도 센서, 습도 센서로부터 진동 센싱 데이터, 온도 센싱 데이터, 습도 센싱 데이터를 수집하여 상황별, 위치별, 시간별, 계절별, 방향별 등의 다양한 유형의 학습 데이터를 확보한다.
위험 예측 장치(130)는 현장 데이터 및 학습 데이터의 특성을 고려하여 최적의 인공지능 위험예측모델과 위험판단모델을 최적화하고 학습을 통한 인공지능 신경망을 구축한다.
위험 예측 장치(130)는 실시간 진동센서 및 온도 센싱 데이터, 습도 센싱 데이터에 대한 위험상황을 판단하고, 공동구 안전관리 장치(140)를 이용하여 인공지능 위험예측서비스를 제공한다.
공동구 안전관리 장치(140)는 위험 예측 장치(130)와 인공지능 위험예측서비스를 통합하여 관리할 수 있다. 공동구 안전관리 장치(140)는 사용자 및 정보공유 등의 기본적인 정보서비스 및 관리기능을 제공한다.
인공지능 모델은 센서부(120)에 포함된 9축 진동 감지 센서, 온도 센서, 습도 센서, 카메라 모듈로부터 수신된 진동 센싱 데이터, 온도 센싱 데이터, 습도 센싱 데이터, 영상 데이터, 상황에 따른 특성값을 학습데이터로 구축하여 주기적으로 학습한 모델을 의미한다.
인공지능 모델은 시간이 지날수록 학습 데이터가 많아지고 이에 따른 인공지능 위험예측서비스 정확도를 높일 수 있다. 인공지능 모델은 주기적 학습을 수행하여, 지하공동구(110)에 대한 진동 감시 기반의 인공지능 신경망을 구축한다. 이후 인공지능 신경망은 실시간으로 측정되어 입력되는 9축 진동 감지 센서, 온도 센서, 습도 센서에 대한 위험을 예측한 결과를 제공한다.
인공지능 신경망은 위험을 예측하는 방법으로 각각의 위치에 대한 평상시 진동센싱 데이터, 온도 데이터, 습도 데이터를 정상 데이터로서 수집한다. 인공지능 신경망은 정상 데이터를 시계열 데이터를 기반 LSTM(Long Short-Term Memory models) 또는 GRU(Gated Recurrent Unit) 모델을 최적화하여 상황별, 위치별, 시간별, 계절별, 방향별 학습을 통한 정상 데이터를 예측한다.
인공지능 신경망은 예측된 정상 데이터를 기반으로 DQN(Deep Q-Networks) 강화학습을 통해 정상데이터 범위를 이탈하거나 비정상적인 데이터 형태를 인지한 결과를 제공한다.
도 13은 본 실시예에 따른 인공지능 모델 구성 및 신경망 구축을 나타낸 도면이다.
인공지능 모델은 데이터를 수집하고 학습 데이터를 구축한다. 인공지능 모델은 센서부(120)는 9축 진동 감지 센서, 온도 센서, 습도 센서, 카메라 모듈로부터 진동 센싱 데이터, 온도 센싱 데이터, 습도 센싱 데이터, 영상 데이터를 수집한다. 인공지능 모델은 센싱 데이터에 인공지능 학습을 위해 위치정보, 시간정보, 계절정보 등을 추가하여 다양한 유형의 학습데이터를 구축한다.
인공지능 신경망은 지하공동구(110) 내의 센서부(120)로부터 수신된 진동 센싱 데이터, 온도 센싱 데이터, 습도 센싱 데이터, 영상 데이터를 기반으로 두 가지 핵심모델과 이를 보정하고 정확하게 도와주는 보조모델을 포함한다. 인공지능 신경망은 1단계로 진동 센싱 데이터, 온도 센싱 데이터, 습도 센싱 데이터 등을 포함하는 센싱 데이터를 기반으로 다음의 정상 데이터를 예측하기 위해 시계열 데이터 기반 LSTM(Long Short-Term Memory models) 또는 GRU(Gated Recurrent Unit) 모델을 이용하여 최적의 RNN(Recurrent Neural Network) 예측모델을 구성한다.
인공지능 신경망은 2단계로 시계열 데이터 기반 RNN 예측모델에서의 학습결과를 최적화된 DQN(Deep Q-Networks) 강화학습 모델 및 보정모델 등을 이용하여 상세하고 정확한 학습상황별 정상 여부와 비정상 여부를 판단하여 제공하도록 상황판단결정 모델을 구성한다.
전술한 두 단계의 인공지능 모델과 학습을 통해 DQN 강화학습 중심의 진동감시 기반의 공동구 인공지능 위험예측모델이 구성되고 학습 및 보정모델을 통한 위험예측 신경망을 구축한다.
도 14는 본 실시예에 따른 인공지능 위험예측 서비스를 설명하기 위한 도면이다.
위험 예측 장치(130)는 지능 위험예측 서비스를 제공한다. 위험 예측 장치(130)는 인공지능 위험예측 신경망의 지식을 정보시스템에 제공하기 위해 인공지능 BP 서비스 엔진에 탑재하여 질의/응답 형태의 실시간 측정데이터에 대한 정상 여부를 판단하여 제공한다.
위험 예측 장치(130)는 지속적이고 주기적인 데이터 수집과 학습을 통하여 위험예측서비스의 정확도를 높인다. 위험 예측 장치(130)는 인공지능 위험예측서비스를 제공하기 위해 상황관리, 사용자관리, 통계관리, 정보공유 등의 기능을 갖는 정보시스템을 구축하여 인공지능 BP서비스 엔진과 연계하여 서비스를 제공한다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
110: 지하공동구 120: 센서부
130: 위험 예측 장치 140: 공동구 안전관리 장치
150: 공동구 관리자 단말기
130: 위험 예측 장치 140: 공동구 안전관리 장치
150: 공동구 관리자 단말기
Claims (4)
- 복수의 설비를 함께 지하 지지 구조물 내에 수용하는 지하공동구;
상기 지하공동구 내의 기 설정된 구간마다 설치되어, 기 설정된 단위로 상기 지하공동구 내에 수용된 상기 복수의 설비 각각의 측정치를 센싱한 센싱 데이터를 생성하는 센서부;
상기 지하공동구에 대한 내부 구조를 모델링한 모델링 데이터를 구축하고, 상기 센싱 데이터를 주기적으로 입력받아 인공지능모델을 생성하고, 상기 인공지능모델을 인공기능 신경망에 적용한 후 상기 센싱 데이터에 대응하는 센서의 고장을 예측한 위험 예측 정보를 생성하는 위험 예측 장치;
상기 모델링 데이터 내에 상기 센서부에 포함된 복수의 센서의 위치를 매핑하여 시각화하고, 상기 복수의 센서 위치마다 상기 센싱 데이터를 시각화하여 출력하는 공동구 안전관리 장치; 및
상기 위험 예측 정보, 상기 센싱 데이터를 수신하여 상기 모델링 데이터와 함께 출력하는 공동구 관리자 단말기;
를 포함하되, 상기 센서부는 상기 지하공동구 내의 기 설정된 구간에 기 설정된 단위로 진동 및 기울기각을 센싱한 진동 센싱 데이터를 생성하는 진동 감지 센서를 포함하며,
상기 진동 감지 센서는 진동 신호를 센싱하기 위해 구현된 복수의 축, 상기 복수의 축 각각에서 진동을 센싱하는 9축 진동 감지 센서를 포함하고,
상기 9축 진동 감지 센서는 제1 기준축, 제2 기준축 및 제3 기준축을 포함하고,
상기 제1 기준축, 상기 제2 기준축 및 상기 제3 기준축은 원점을 공유하고,
상기 제1 기준축은 공간 상에서 x1축, y1축 및 z1축을 포함하고, 상기 제2 기준축은 상기 공간 상에서 x2축, y2축 및 z2축을 포함하고, 상기 제3 기준축은 상기 공간 상에서 x3축, y3축 및 z3축을 포함하고,
상기 위험 예측 장치는 상기 제1 기준축을 기반으로 센싱된 제1 진동 신호, 상기 제2 기준축을 기반으로 센싱된 제2 진동 신호 및 상기 제3 기준축을 기반으로 센싱된 제3 진동 신호를 기반으로 안전 진단 예측을 수행하고,
상기 위험 예측 장치는 상기 제1 진동 신호, 상기 제2 진동 신호 및 상기 제3 진동 신호 각각의 진동 신호 세기 및 진동 신호 방향이 임계 범위 내에 포함되는지 여부를 판단하여 최종 진동 신호 세기 및 최종 진동 신호 방향을 결정하고,
상기 위험 예측 장치는 상기 제1 진동 신호, 상기 제2 진동 신호 및 상기 제3 진동 신호 각각의 진동 신호 세기가 제1 임계 범위 내에 포함되고, 상기 제1 진동 신호, 상기 제2 진동 신호 및 상기 제3 진동 신호 각각의 진동 신호 방향이 제2 임계 범위 내에 포함되는 경우, 상기 제1 진동 신호, 상기 제2 진동 신호 및 상기 제3 진동 신호를 기반으로 결정된 진동 신호 세기 평균값, 진동 신호 방향 평균값을 기반으로 결정된 최종 진동 신호 세기 및 최종 진동 신호 방향을 고려하여 안전 진단 타겟 위치를 결정하고,
상기 위험 예측 장치는 상기 제1 진동 신호, 상기 제2 진동 신호 및 상기 제3 진동 신호 각각의 진동 신호 세기가 상기 제1 임계 범위 내에서 포함되지 않거나, 상기 제1 진동 신호, 상기 제2 진동 신호 및 상기 제3 진동 신호 각각의 진동 신호 방향이 상기 제2 임계 범위 내에서 포함되지 않은 경우, 상기 제1 임계 범위 또는 상기 제2 임계 범위를 벗어나는 진동 세기 정보 또는 진동 방향 정보를 가지는 제1 후보 기준축과 상기 제1 임계 범위 또는 상기 제2 임계 범위 내의 진동 세기 정보 또는 진동 방향 정보를 가지는 제2 후보 기준축을 결정하여 상기 제1 후보 기준축을 기반으로 결정된 제1 후보 안전 진단 타겟 위치, 상기 제2 후보 기준 축을 기반으로 결정된 제2 후보 안전 진단 타겟 위치를 결정하고, 상기 제1 후보 안전 진단 타겟 위치 및 상기 제2 후보 안전 진단 타겟 위치 각각의 신뢰도를 기반으로 상기 안전 진단 타겟 위치를 결정하며,
상기 위험 예측 장치는 상기 지하공동구에 대응하는 설계준공도면, 설계준공문서, GIS(Geographic Information System) 정보를 수집하고, 상기 설계준공도면, 상기 설계준공문서, 상기 GIS 정보를 기반으로 상기 지하공동구와 내부시설물을 구성하고 있는 요소를 분석하여 모델 라이브러리(Library)를 도출하고, 상기 모델 라이브러리(Library)를 기반으로 뼈대 구조를 렌더링하고, 상기 뼈대 구조 상에 추가로 입력받은 현장 촬영 사진을 텍스처로 매핑한 텍스처 모델링을 수행하여 상기 모델링 데이터로 변환하며, 상기 지하공동구에 대한 공간 및 좌표체계에 의한 구간 모델링을 구축하고, 상기 뼈대 구조 상에 상기 구간 모델링을 통합배치하고, 논리적인 중첩구성과 테스트를 수행하는 모델공간배치를 수행한 후 표준교환포맷으로 변환하며, 상기 지하공동구 내의 구조물을 라인별, SPAN 태그별로 구분하여 공간정보 속성을 구축하고, 상기 지하공동구 내의 점용 시설물의 관리, 규격, 재질 기본 속성을 구축하며, 상기 센싱 데이터로부터 센서 ID를 추출하여 속성링크 정보를 구축하는 것을 특징으로 하는 지하공동구 고장 예방 시스템. - 제1항에 있어서,
상기 센서부는,
상기 지하공동구 내의 기 설정된 구간에 기 설정된 단위로 온도를 센싱하여 온도 센싱 데이터를 생성하는 온도 센서;
상기 지하공동구 내의 기 설정된 구간에 기 설정된 단위로 습도를 센싱하여 습도 센싱 데이터를 생성하는 습도 센서;
상기 지하공동구 내의 기 설정된 구간에 기 설정된 단위로 영상을 촬영한 영상 데이터를 생성하는 카메라 모듈; 및
상기 진동 센싱 데이터, 상기 온도 센싱 데이터, 상기 습도 센싱 데이터 중 적어도 하나 이상의 데이터를 포함하는 상기 센싱 데이터를 전송하는 통신 모듈;
중 적어도 하나 이상을 포함하는 것을 특징으로 하는 지하공동구 고장 예방 시스템. - 제2항에 있어서,
상기 공동구 안전관리 장치는 상기 진동 센싱 데이터를 기반으로 가속도를 측정하고, 상기 진동 센싱 데이터에 포함된 기울기각을 지속적으로 모니터링하면 축의 기울기 변화로 축의 수평 및 수직 변화량을 측정하여 출력하는 것을 특징으로 하는 지하공동구 고장 예방 시스템. - 제2항에 있어서,
상기 위험 예측 장치는,
상기 진동 센싱 데이터, 상기 온도 센싱 데이터, 상기 습도 센싱 데이터, 상기 영상 데이터를 학습 데이터로 입력하여 상황별, 위치별, 시간별, 계절별, 방향별 유형의 학습을 수행하여 위험예측모델 및 위험판단모델을 생성하고,
상기 위험예측모델과 상기 위험판단모델을 기반으로 상기 센서부로부터 새롭게 수신된 센싱 데이터에 대한 위험을 예측하고 위험상황을 판단하는 것을 특징으로 하는 지하공동구 고장 예방 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200034495A KR102269192B1 (ko) | 2020-03-20 | 2020-03-20 | 지하공동구 고장 예방 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200034495A KR102269192B1 (ko) | 2020-03-20 | 2020-03-20 | 지하공동구 고장 예방 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102269192B1 true KR102269192B1 (ko) | 2021-06-25 |
Family
ID=76628917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200034495A KR102269192B1 (ko) | 2020-03-20 | 2020-03-20 | 지하공동구 고장 예방 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102269192B1 (ko) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200128637A (ko) * | 2013-05-13 | 2020-11-16 | 현대모비스 주식회사 | 차량 배터리의 충전을 위한 통신 인터페이스 시스템 및 이를 이용한 차량 배터리의 충전방법, 차량 배터리의 충전을 위한 통신 인터페이스 시스템을 포함하는 전기자동차 |
| CN114086967A (zh) * | 2021-11-22 | 2022-02-25 | 中国地震局地震研究所 | 一种地铁隧道防开挖振动监测方法 |
| KR102405924B1 (ko) * | 2021-10-27 | 2022-06-07 | (주)유앤피플 | IoT 시계열 터널 데이터 및 데이터 증강 그리고 딥러닝 등을 활용한 위험 알람 시스템 및 방법 |
| KR20230033071A (ko) * | 2021-08-26 | 2023-03-08 | 충북대학교 산학협력단 | Gru 기반 구조물 시계열 응답 예측 방법 |
| KR102524779B1 (ko) | 2022-11-18 | 2023-04-24 | 주식회사 엔엔에프텍 | 멀티 센싱 데이터 기반 지하구 결함 탐지를 위한 네트워크시스템 |
| KR102524776B1 (ko) | 2022-11-18 | 2023-04-25 | 주식회사 엔엔에프텍 | 지하구 결함 탐지 시스템 |
| KR102617312B1 (ko) * | 2023-09-07 | 2023-12-27 | (주)바이브컴퍼니 | CA-TimeGAN 모델 및 Residual CNN-LSTM 모델로 지하 공동구 온도변화를 예측하는 방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20040027525A (ko) * | 2004-02-09 | 2004-04-01 | 한국지질자원연구원 | 지진 감지용 가속도센서 점검 및 측정값 확인 장치 |
| KR20110097224A (ko) * | 2010-02-25 | 2011-08-31 | 한국건설기술연구원 | 영상촬영 장치를 활용한 지하 공동구의 실시간 모니터링 방법 및 그 장치 |
| KR20150128300A (ko) * | 2014-05-09 | 2015-11-18 | 한국건설기술연구원 | 카메라와 레이저 스캔을 이용한 3차원 모델 생성 및 결함 분석 방법 |
| KR101987365B1 (ko) * | 2018-11-26 | 2019-06-10 | (주)위세아이텍 | 비정형 데이터를 활용한 인공지능 기반의 군 장비 고장 예측 시스템 및 방법 |
-
2020
- 2020-03-20 KR KR1020200034495A patent/KR102269192B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20040027525A (ko) * | 2004-02-09 | 2004-04-01 | 한국지질자원연구원 | 지진 감지용 가속도센서 점검 및 측정값 확인 장치 |
| KR20110097224A (ko) * | 2010-02-25 | 2011-08-31 | 한국건설기술연구원 | 영상촬영 장치를 활용한 지하 공동구의 실시간 모니터링 방법 및 그 장치 |
| KR20150128300A (ko) * | 2014-05-09 | 2015-11-18 | 한국건설기술연구원 | 카메라와 레이저 스캔을 이용한 3차원 모델 생성 및 결함 분석 방법 |
| KR101987365B1 (ko) * | 2018-11-26 | 2019-06-10 | (주)위세아이텍 | 비정형 데이터를 활용한 인공지능 기반의 군 장비 고장 예측 시스템 및 방법 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200128637A (ko) * | 2013-05-13 | 2020-11-16 | 현대모비스 주식회사 | 차량 배터리의 충전을 위한 통신 인터페이스 시스템 및 이를 이용한 차량 배터리의 충전방법, 차량 배터리의 충전을 위한 통신 인터페이스 시스템을 포함하는 전기자동차 |
| KR102464488B1 (ko) | 2013-05-13 | 2022-11-08 | 현대모비스 주식회사 | 차량 배터리의 충전을 위한 통신 인터페이스 시스템 및 이를 이용한 차량 배터리의 충전방법, 차량 배터리의 충전을 위한 통신 인터페이스 시스템을 포함하는 전기자동차 |
| KR20230033071A (ko) * | 2021-08-26 | 2023-03-08 | 충북대학교 산학협력단 | Gru 기반 구조물 시계열 응답 예측 방법 |
| KR102624710B1 (ko) * | 2021-08-26 | 2024-01-12 | 충북대학교 산학협력단 | Gru 기반 구조물 시계열 응답 예측 방법 |
| KR102405924B1 (ko) * | 2021-10-27 | 2022-06-07 | (주)유앤피플 | IoT 시계열 터널 데이터 및 데이터 증강 그리고 딥러닝 등을 활용한 위험 알람 시스템 및 방법 |
| CN114086967A (zh) * | 2021-11-22 | 2022-02-25 | 中国地震局地震研究所 | 一种地铁隧道防开挖振动监测方法 |
| CN114086967B (zh) * | 2021-11-22 | 2022-11-29 | 中国地震局地震研究所 | 一种地铁隧道防开挖振动监测方法 |
| KR102524779B1 (ko) | 2022-11-18 | 2023-04-24 | 주식회사 엔엔에프텍 | 멀티 센싱 데이터 기반 지하구 결함 탐지를 위한 네트워크시스템 |
| KR102524776B1 (ko) | 2022-11-18 | 2023-04-25 | 주식회사 엔엔에프텍 | 지하구 결함 탐지 시스템 |
| KR102617312B1 (ko) * | 2023-09-07 | 2023-12-27 | (주)바이브컴퍼니 | CA-TimeGAN 모델 및 Residual CNN-LSTM 모델로 지하 공동구 온도변화를 예측하는 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102269192B1 (ko) | 지하공동구 고장 예방 방법 및 장치 | |
| US10275402B2 (en) | Systems and methods to provide pipeline damage alerts | |
| CN104678954A (zh) | 基于全生命周期的大坝安全智能监测与预警系统及其方法 | |
| Wang et al. | Automatic monitoring system in underground engineering construction: review and prospect | |
| AU2019202767A1 (en) | Computer platform for pooling and viewing digital data | |
| CN104899922A (zh) | 一种智能电网可视化应用的三维全息生成方法 | |
| KR102371336B1 (ko) | 3d 통합관제 및 증강현실과 가상현실을 이용한 스마트 공장 모니터링 시스템 | |
| CN111694916A (zh) | 浆砌石拱坝自动化监测系统 | |
| CN112950773A (zh) | 基于建筑信息模型的数据处理方法与装置、处理服务器 | |
| CN206194076U (zh) | 一种变电站设备检测系统 | |
| CN102044094A (zh) | 线路巡检管理系统及方法 | |
| CN106998447B (zh) | 广域、油田红外全景成像雷达侦察指挥控制系统 | |
| CN105425752A (zh) | 一种管网实时监控系统及其工作方法 | |
| CN115830829A (zh) | 一种煤矿水害通用预报预警系统 | |
| CN113326964B (zh) | 一种基于数据复合多级综合管廊风险管控方法及方法 | |
| CN113139731A (zh) | 一种地下管廊的安全感知预警方法及系统 | |
| CN109274737A (zh) | 一种油田勘探开发生产c/s技术架构系统 | |
| CN116311770A (zh) | 基于物联边缘计算网关的房屋安全预警系统、方法及终端 | |
| CN112446543A (zh) | 基于神经网络的城市地下综合管廊风险管控系统及方法 | |
| CN116776444A (zh) | 一种基于数字孪生的沉管隧道建造方法及系统 | |
| CN110307036B (zh) | 变截面处隧道结构全寿命监测预警方法 | |
| CN104166697A (zh) | 一种三维交互式船闸监控系统 | |
| CN117128448A (zh) | 一种lng储罐结构智能监测系统 | |
| Fan et al. | Multi-agent system for tunnel-settlement monitoring: A case study in Shanghai | |
| CN115937539A (zh) | 一种基于多信号决策的电缆井监测预警方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |