KR102629049B1 - 기계학습 기반의 균열신호 분류 방법, 이를 구현한 실시간 균열신호 감지 장치 - Google Patents

Abstract

실시간 균열신호 감지 장치의 동작 방법으로서, 구조물에 제공되는 자극에 기초하여 발생하는 균열에서 방출된 균열신호를 수집하는 단계, 균열신호와 하나 이상의 노이즈 신호간에 신호대 잡음비를 조정하여 합성 신호를 생성하는 단계, 그리고 균열신호의 시간적 발생에 기초하여 합성 신호에서 균열신호와 노이즈 신호를 분류하는 균열신호 분류 모델을 학습시키는 단계를 포함한다.

Description

기계학습 기반의 균열신호 분류 방법, 이를 구현한 실시간 균열신호 감지 장치{CRACK SIGNAL CLASSIFICATION METHOD BASED ON MACHINE LEARNING, APPARATUS FOR REAL TIME CRACK SIGNAL DETECTION IMPLEMENTING THE SAME METHOD}

본 발명은 구조물의 균열 감지 기술에 관한 것이다.

비파괴 검사(nondestructive inspection)는 다양한 구조물 및 기타 토목 인프라의 구조적 손상을 모니터링하고 감지하는 데 사용되는 검사 방법이다.

비파괴 검사 방법 중에서 구조물의 균열에서 발생하는 음향신호에 기초하여 균열 상태를 감지하는 음향 방출 방법은 접근이 어렵고 육안으로 손상 영역을 보기 어려운 상황에서 주로 적용된다.

음향 방출신호를 사용한 비파괴검사 방법은 수집하는 음향 신호에서 노이즈를 제거하여 균열 신호만을 확보하는 필터링 과정이 중요하다.

기존의 음향 방출신호의 필터링 방법으로는 음향 방출신호의 주파수 영역에서의 고주파 성분과 저주파 성분의 차이로 필터링하는 방법과 상한 설정 값 분석을 통한 노이즈 신호 필터링 방법을 사용한다.

상한 설정 값을 사용한 필터링 방법에서는 노이즈 신호와 합성으로 인해 정확히 균열 발생 신호만을 감지할 수 없어 수집되는 모든 신호를 분석하여야 하고 이로 인해 컴퓨팅 파워가 높은 중앙 처리 시스템이 필요하다. 중앙 처리 시스템에서 병목 현상으로 인해 실시간 분석이 지연이 되기도 한다.

주파수 영역에서의 고주파와 저주파 성분 차이로 필터링하는 방법은 실제 균열 신호의 특징 주파수 범위인 고주파 영역에서도 노이즈 신호가 동일하게 발생할 수 있으며 특히 구조물의 구성물질인 콘크리트 균열음보다 미소 충격으로 인한 신호의 주파수 영역이 더 높기 때문에 고주파 영역 필터링에 한계가 있고 이로 인해 과잉 진단을 하게 되어 낭비가 발생할 수 있다.

또한, 구조물 기초 손상 감지를 위해 수집되는 데이터의 양이 커질수록 전력이 기하급수적으로 증가하게 되며, 분석 시간이 증가하여 해당 구조물의 손상 감지 능력이 저하된다.

그러므로 구조물에 설치된 센서단위로 음향 방출신호에서 기계학습 기반으로 균열신호만을 분류하여 제공하는 기술이 요구된다.

본 발명이 해결하고자 하는 과제는 구조물에서 수집된 음향신호에서 노이즈 신호와 균열신호를 구별해줄 수 있는 균열신호 분류 모델을 학습시키고, 균열신호 분류 모델을 통해 실제 구조물의 실시간 음향신호에서 균열신호를 분리하는 균열신호 분류 방법 및 이를 구현한 실시간 균열신호 감지 장치를 제공하는 것이다.

본 발명이 해결하고자 하는 과제는 인체활동에 대한 진동이나 기계적인 진동에 대한 노이즈 신호와 구조물에 대한 구성 물질의 특성에 따른 균열신호를 수집하여 실제 구조물의 특성에 따라 균열신호를 분류하는 기준을 자동으로 생성하여 적용하는 균열신호 분류 방법 및 이를 구현한 실시간 균열신호 감지 장치를 제공하는 것이다.

실시예에 따른 실시간 균열신호 감지 장치의 동작 방법으로서, 구조물에 제공되는 자극에 기초하여 발생하는 균열에서 방출된 균열신호를 수집하는 단계, 균열신호와 하나 이상의 노이즈 신호간에 신호대 잡음비를 조정하여 합성 신호를 생성하는 단계, 그리고 균열신호의 시간적 발생에 기초하여 합성 신호에서 균열신호와 노이즈 신호를 분류하는 균열신호 분류 모델을 학습시키는 단계를 포함한다.

균열신호를 수집하는 단계는, 진동대에 주요 구성물질의 특성에 따른 다수개의 구조물을 설치하고, 구조물에 단축방향으로의 압력 또는 진동을 제공하여 구조물에서 방출된 균열신호를 주요 구성물질의 특성과 연계하여 수집할 수 있다.

합성 신호를 생성하는 단계는, 균열신호와 노이즈 신호를 동일하게 전처리 작업을 수행하여 각 샘플링속도가 일치되도록 언더샘플링을 수행할 수 있다.

합성 신호를 생성하는 단계는, 하나 이상의 목표 신호대 잡음비에 기초하여 각 목표값에 따라 균열 신호와 노이즈 신호의 세기를 조절하여 합성할 수 있다.

균열신호 분류 모델은, 입력된 신호에 기초하여 시간 영역에서 균열신호의 시간적 발생을 분류하는 1차원 합성곱 신경망 또는 단시간 푸리에 변환 알고리즘을 이용하는 2차원 합성곱 신경망 중에 하나로 구현되는 기계학습 모델일 수 있다.

균열신호 분류 모델을 학습시키는 단계는, 합성 신호 중에서 설정된 목표 신호대 잡음비를 가지는 합성 신호마다 그룹핑을 수행하고, 그룹별로 개별적인 균열신호 분류 모델을 학습시킬 수 있다.

균열신호 분류 모델의 학습이 완료되면, 각 균열신호 분류 모델에 하나 이상의 신호대 잡음비를 가지는 검증 데이터를 입력하여 분류되는 균열신호의 정확도를 산출하는 단계, 그리고 검증 데이터들 중에서 정확도가 임계치 이상을 가지는 균열신호 분류 모델을 선택하는 단계를 더 포함할 수 있다.

실시예에 따른 컴퓨팅 장치로서, 명령어들을 포함하는 메모리, 그리고 명령어들을 실행하여 수신된 음향신호에서 균열신호를 분류하는 적어도 하나의 프로세서를 포함하고, 프로세서는 인접한 구조물에서 발생된 균열 신호를 포함하는 음향방출 신호를 감지하고, 음향방출 신호를 학습이 완료된 균열신호 분류 모델에 입력하여 균열신호를 분류하고, 분류된 균열 신호를 중앙 서버로 제공하며, 균열신호 분류 모델은, 검증된 임계치 이상의 정확도에 기초하여 구별 한계값으로 설정된 신호대 잡음비를 가지는 신호를 분류하는 기계학습 모델이다.

균열신호 분류 모델은, 입력된 신호에 기초하여 시간 영역에서 균열신호의 시간적 발생을 분류하는 1차원 합성곱 신경망 또는 단시간 푸리에 변환 알고리즘을 이용하는 2차원 합성곱 신경망 중에 하나로 구현될 수 있다.

균열신호 분류 모델은, 구조물의 주요 구성물질의 특성에 기초하여 발생되는 균열신호와 별도로 수집된 노이즈 신호를 목표 신호대 잡음비에 기초하여 합성하고, 합성된 신호에서 균열신호만을 분류하도록 학습된 기계학습 모델일 수 있다.

프로세서는, 구조물의 콘트리트 배합률이 동일한 학습 데이터로 학습된 균열신호 분류 모델 중에서 검증 데이터들의 정확도가 임계치 이상을 가지는 특정 목표 신호대 잡음비에 대한 균열신호 분류 모델을 선택할 수 있다.

프로세서는, 진동대에 설치된 주요 구성물질의 특성에 따른 다수개의 구조물을 통해 제공된 자극에 기초하여 수집된 균열신호와 별도로 노이즈 신호를 수집하고, 균열신호와 노이즈 신호 간에 랜덤으로 매칭하여 목표 신호대 잡음비를 조정하며, 균열신호와 노이즈 신호의 샘플링 속도를 일치시켜 합성신호를 생성하고, 균열신호의 시간적 발생에 기초하여 합성신호에서 균열신호와 노이즈 신호를 분류하도록 균열신호 분류 모델을 학습시킬 수 있다.

본 발명에 따르면, 구조물의 주요 구성물질에 기초하여 학습된 균열신호 분류 모델을 통해 균열신호 분류 기준을 생성하여 적용함으로써, 구조물 특성에 따른 객관적인 분류 기준으로 균열신호를 추출할 수 있다.

본 발명에 따르면, 상한 값 적용 필터링과 주파수 영역 필터링이 상호 보완적으로 적용되기 때문에 각 필터링 방법에 대비하여 높은 정확도를 가지며, 자동으로 분류 기준이 설정되므로 관측자에 따른 오류 발생을 방지할 수 있다.

본 발명에 따르면, 구조물마다의 요구하는 안전률에 대한 한계치에 기초하여 균열신호 감지 장치의 배치 거리를 조정함으로써, 최소한의 균열신호 감지 장치를 배치하여 요구되는 한계치에 따른 정확도를 확보할 수 있다.

본 발명에 따르면, 구조물에 균열이 발생하면서 방출되는 음향 신호에 기초하여 실시간으로 균열 발생 여부를 감지할 수 있어 균열 발생에 따른 인명 또는 재산 피해를 예방할 수 있다.

도 1은 한 실시예에 따른 균열신호 감지 시스템을 나타낸 예시도이다.
도 2는 한 실시예에 따른 균열신호 감지 장치를 나타낸 구성도이다.
도 3은 한 실시예에 따른 구조물에 대한 균열신호를 확보하기 위한 진동대를 나타낸 예시도이다.
도 4는 한 실시예에 따른 구조물에 대한 균열신호를 확보하기 위한 물리적 모델의 구조를 나타낸 예시도이다.
도 5는 한 실시예에 따른 학습데이터를 설명하기 위한 예시도이다.
도 6은 한 실시예에 따른 균열신호 분류 모델을 나타낸 예시도이다.
도 7은 한 실시예에 주파수-시간 영역 분석을 수행한 그래프이다.
도 8은 한 실시예에 따른 학습된 균열신호 분류 모델의 결과를 나타낸 예시도이다.
도 9는 한 실시예에 따른 신호대 잡음 비에 기초하여 균열신호 감지 장치의 배치를 나타낸 예시도이다.
도 10은 한 실시예에 따른 컴퓨팅 장치의 하드웨어 구조도이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

본 발명에서 설명하는 장치들은 적어도 하나의 프로세서, 메모리 장치, 통신 장치 등을 포함하는 하드웨어로 구성되고, 지정된 장소에 하드웨어와 결합되어 실행되는 프로그램이 저장된다. 하드웨어는 본 발명의 방법을 실행할 수 있는 구성과 성능을 가진다. 프로그램은 도면들을 참고로 설명한 본 발명의 동작 방법을 구현한 명령어(instructions)를 포함하고, 프로세서와 메모리 장치 등의 하드웨어와 결합하여 본 발명을 실행한다.

본 명세서에서 "전송 또는 제공"은 직접적인 전송 또는 제공하는 것뿐만 아니라 다른 장치를 통해 또는 우회 경로를 이용하여 간접적으로 전송 또는 제공도 포함할 수 있다.

본 명세서에서 단수로 기재된 표현은 "하나" 또는 "단일" 등의 명시적인 표현을 사용하지 않은 이상, 단수 또는 복수로 해석될 수 있다.

본 명세서에서 도면에 관계없이 동일한 도면번호는 동일한 구성요소를 지칭하며, "및/또는" 은 언급된 구성 요소들의 각각 및 하나 이상의 모든 조합을 포함한다.

본 명세서에서, 제1, 제2 등과 같이 서수를 포함하는 용어들은 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 개시의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.

본 명세서에서 도면을 참고하여 설명한 흐름도에서, 동작 순서는 변경될 수 있고, 여러 동작들이 병합되거나, 어느 동작이 분할될 수 있고, 특정 동작은 수행되지 않을 수 있다.

도 1은 한 실시예에 따른 균열신호 감지 시스템을 나타낸 예시도이다.

도 1에 도시한 바와 같이, 균열신호 감지 시스템은 구조물에 설치된 하나 이상의 균열신호 감지 장치(100)와 균열신호 감지 장치(100)로부터 균열신호를 수신하여 해당 구조물에 대한 균열 여부, 균열 정도등을 분석하는 중앙 서버(200)를 포함한다.

균열신호 감지 장치(100)는 구조물에 장착되어 구조물에서 균열 발생에 따른 균열신호를 포함하는 음향신호를 감지하고, 음향신호에서 해당 균열신호만을 분류하여 네트워크로 연결된 중앙서버(200)로 전송한다.

여기서, 네트워크는 근거리 또는 원거리 무선 통신 네트워크, 이들이 혼합된 네트워크 등 데이터를 전달하는 모든 형태의 통신 네트워크를 포함할 수 있다.

균열신호 감지 장치(100)는 각 고유 ID가 설정되어 있으며, 설치되는 구조물의 주요 구성물질 정보에 기초하여 학습이 완료된 균열신호 분류 모델을 통해 균열신호만을 분류할 수 있다.

여기서, 구조물에 대한 주요 구성물질 정보은 구조물을 형성하는 주요 구성물질에 대한 배합비와 같은 정보를 나타내며, 예를 들어, 구조물에 사용되는 콘크리트를 형성하는 물, 시멘트, 그리고 모래에 대한 비율을 나타낼 수 있다.

일반적으로 콘크리트 기반의 구조물은 초기 손상에서는 건물을 이루는 콘크리트의 균열이 발생한 후, 손상이 지속적으로 진행됨에 따라 구조물의 철근과 콘크리트 사이에 분리가 발생한다. 이때, 초기 손상에서는 콘크리트 전단과 인장 균열만 발생할 뿐, 철근에는 영향을 받지 않는다.

다시 말해, 균열신호 감지 장치(100)는 철근과 콘크리트 사이의 분리 발생 전의 콘크리트 상에 발생된 균열을 감지하기 위한 것으로, 콘크리트 매질(주요 구성물질 정보) 내의 균열신호에 기초하여 학습이 완료된 균열신호 분류 모델을 이용하여 균열신호를 분류한다.

그리고 균열신호 감지 장치(100)는 구조물마다 요구되는 안전률 한계치에 기초하여 배치 간격이 설정될 수 있다.

다수의 균열신호 감지 장치(100-1, 100-2, ... , 100-n)는 구조물에 설치되고, 각각의 고유 ID와 함께, 분류된 균열신호만을 중앙 서버(200)로 전송한다.

이때 도 1에서는 균열신호 감지 장치(100)가 각각 중앙 서버(200)로 전송하는 것으로 도시하였으나, 적용되는 환경에 따라 균열신호 감지 장치(100)들의 균열신호를 수집하여 중앙서버(200)로 전송하는 연결 장치가 더 포함될 수 있다.

그리고 중앙 서버(200)는 균열신호 감지 장치(100)마다 수신한 균열신호에 기초하여 해당 구조물에서 균열 발생 여부, 균열 정도 등을 분석할 수 있다.

상세하게는 중앙 서버(200)는 구조물에 대한 필수 안전률 정보, 구조물에 대응하는 주요 구성물질 정보, 균열신호 감지 장치(100)의 고유 ID와 구조물에 설치된 위치 정보 등을 별도의 데이터베이스에 저장하고, 수신된 균열신호를 분석하여 해당 구조물에 대한 안전성 평가를 수행할 수 있다.

예를 들어, 다양한 실험과 연구를 진행하는 연구기관의 구조물에 대해서는 일반적인 다른 구조물에 비해 필수 안전률에 대한 한계치가 상대적으로 높게 설정된다.

이에 중앙 서버(200)는 각 구조물에서 요구되는 필수 안전률의 한계치에 기초하여 균열신호 감지 장치(100)의 개수, 설치 위치 등을 설정할 수 있다.

도 2는 한 실시예에 따른 균열신호 감지 장치를 나타낸 구성도이다.

도 2에 도시한 바와 같이, 균열신호 감지 장치(100)는 외부의 음향을 측정하는 음향 센서 모듈(110), 학습 데이터 생성기(120), 모델 학습기(130), 그리고 균열신호 분류기(140)를 포함한다.

설명을 위해 데이터 음향 센서 모듈(110), 학습 데이터 생성기(120), 모델 학습기(130), 그리고 균열신호 분류기(140)로 명명하여 부르나, 이들은 적어도 하나의 프로세서에 의해 동작할 수 있다. 여기서, 음향 센서 모듈(110), 학습 데이터 생성기(120), 모델 학습기(130), 그리고 균열신호 분류기(140)는 별도의 장치로 분산되어 구현될 수 있으며, 분산 구현되는 경우에는 통신 인터페이스를 통해 서로 통신할 수 있다.

설명의 편의를 위해 음향 센서 모듈(110), 학습 데이터 생성기(120), 모델 학습기(130), 그리고 균열신호 분류기(140)가 통합 구현되는 것으로 설명하지만, 반드시 이에 한정하는 것은 아니다. 예를 들어, 균열신호 분류기(140)는 학습이 완료된 균열신호 분류 모델과 연동하면 되기 때문에, 균열신호 분류 모델을 학습시키는 학습 데이터 생성기(120)와 모델 학습기(130)를 항상 함께 구현할 필요는 없다. 또한, 모델 학습기(130)는 학습 데이터를 외부의 컴퓨팅 장치로부터 입력받을 수 있기 때문에, 학습 데이터 생성기(120)와 항상 함께 구현할 필요는 없다.

음향 센서 모듈(110)는 외부에서 발생되는 음향신호를 수신하는 하나 이상의 AE 센서(acoustic emission sensor)로 구성될 수 있다.

음향 센서 모듈(110)은 구조물의 균열이 발생 시 생성되는 음향방출(acoustic emission, AE)를 감지하는 센서로 음향방출 파를 받아 음향방출 신호로 바꾸는 변환기이다.

학습 데이터 생성기(120)는 구조물의 주요 구성물질 정보에 기초하여 수집된 균열신호와 별도로 수집된 노이즈 신호를 합성하여 학습 데이터를 생성한다.

학습 데이터 생성기(120)는 균열신호와 노이즈 신호간에 랜덤으로 합성한 다양한 합성 신호 또는 균열신호를 포함하지 않은 노이즈 신호만을 학습데이터로 생성할 수 있다.

이때, 학습 데이터 생성기(120)는 균열신호와 노이즈 신호에 각 번호를 할당하고, 각 번호에 기초하여 각 신호들이 합성신호로 생성된 것인지 확인하여 특정 균열신호 또는 노이즈 신호에 대한 편증을 최소화할 수 있다.

일반적으로 균열신호와 노이즈 신호는 신호전력에 의한 센서 감도, 균열신호발생지점과 음향센서 모듈(110)과의 거리 및 음향센서 모듈(110)의 설치 위치 등을 포함하는 조건에 따라 에너지가 다르게 나타난다.

그러므로, 학습 데이터 생성기(120)는 수집된 균열신호와 노이즈 신호에 대해 표준화를 수행한다. 예를 들어, 서로 다른 에너지 수준의 정규 분포 곡선을 비교하는 데 사용되는 표준화 방법과 같이, 균열신호 그리고 노이즈 신호에 대해 오프셋 제거 후 표준편차로 나누어 단위 분산을 갖도록 표준화할 수 있다.

그리고 학습 데이터 생성기(120)는 표준화된 균열신호와 노이즈 신호를 일대일로 매칭하거나 랜덤 함수를 통해 매칭된 쌍에 대해서는 학습 또는 평가를 수행하기 위한 데이터로 분류한다. 이때 변형률과 응력 수준에 따른 주파수 특성에 기초하여 데이터 셋을 분류할 수 있다.

상세하게는 구조물에 가해지는 힘과 압축되는 정도에 따라서 균열 신호의 모양과 주파수 특성이 다르게 나타난다. 특히, 구조물을 이루는 콘크리트의 배합률에 따라 수집되는 균열 신호의 차이가 매우 다르게 나타나서, 서로 다른 신호로 감지된다.

이에 따라 데이터 셋을 구축할 때 서로 다른 배합률을 가지는 경우에 얻어진 데이터 셋들을 수집하고, 학습데이터와 평가 데이터로 분류할 수 다.

예를 들어, 서로 다른 배합률을 가지는 콘크리트로 형성된 구조물의 신호에 대해서

제1 데이터 셋에 기초한 균열신호에 대해서 약 2/3 신호는 학습 과정에서 사용되고 나머지 1/3 신호는 평가 과정에서 사용되도록 분류할 수 있다.

또는 제2 데이터 셋에 학습 과정에서 사용하지 않고, 검증 과정에서만 사용할 수 있다. 다시 말해 현장 적용성에 대한 검증을 위해 주요 구성 물질 정보가 상이한 데이터를 검증 과정에 이용할 수 있다.

그리고 학습 데이터 생성기(120)는 실제 현장에서의 신호와 유사하도록 언더샘플링(undersampling)을 수행한다.

균열신호와 노이즈 신호의 샘플링 속도가 서로 상이하기 때문에, 균열신호의 샘플링 속도가 매칭된 노이즈 신호와 일치하도록 언더 샘플링을 통해 조정된다. 여기서, 언더 샘플링은 신호에 존재하는 최대 주파수 성분의 두배 미만의 샘플링 주파수를 사용하는 방법을 의미한다.

그리고 학습 데이터 생성기(120)는 매칭된 균열신호와 노이즈 신호에 대해 신호대 잡음비(Signal to Noise Ratio; SNR)를 조정하여 합성신호를 생성한다.

현장에서 수신되는 신호에서는 음향 센서의 물리적 수집 한계점을 나타낼 수 있는 신호대 잡음비가 포함되지만, 합성신호에서는 신호대 잡음비에 대한 정보를 인위적으로 지정해줘야 한다.

이때, 학습 데이터 생성기(120)는 미리 지정된 목표 신호대 잡음비를 가지도록 균열신호의 전력을 제어하거나, 노이즈 신호의 전력을 제어할 수 있다.

학습 데이터 생성기(120)는 다음 수학식 1과 같이, SNR_db을 변경함으로써 제어된 비율로 합성신호를 생성할 수 있다.

여기서 P_signal은 신호 전력이고 Pnoise는 잡음 전력을 나타낸다.

또는, 학습 데이터 생성기(120)는 지정된 목표 신호대 잡음비가 없다면, 임의적으로 노이즈 신호의 세기를 균열신호의 세기의 1, 10, 20, 50, 100배 중에 하나로 조정하여 합성신호들을 생성할 수 있다. 이에 노이즈 신호의 세기를 균열신호의 세기의 1, 10, 20, 50, 100배인 경우, 신호대 잡음비는 값 0, -10, -13, -17, -20의 dB값을 가질 수 있다.

이러한 신호대 잡음비는 하나의 예시로 반드시 이에 한정하는 것은 아니다.

이와 같이, 학습 데이터 생성기(120)는 학습 과정과 검증 과정에 적용할 학습 데이터를 생성할 수 있다.

한편, 학습 데이터를 생성함에 이용되는 노이즈 신호는 넓은 주파수 대역과 노이즈 패턴을 적용할 수 있도록 균열신호와 유사한 음향 소음을 발생시키는 인공적인 상황들에 따른 노이즈 신호를 포함한다.

예를 들어, 걷기, 달리기, 점프와 같이 저주파 노이즈 신호와 망치질 또는 물건 떨어뜨리기와 같은 고주파 노이즈 신호들을 포함할 수 있다.

모델 학습기(130)는 균열신호 분류 모델을 학습 데이터를 통해 학습하고, 다시 검증을 통해 학습을 평가할 수 있다.

모델 학습기(130)는 학습 데이터를 분석하여 균열신호만을 도출하도록 반복적으로 기계학습 모델인 균열신호 분류 모델을 학습시킨다.

이와 같은 균열신호 분류 모델을 학습데이터에 기초하여 균열신호만을 도출하도록 일정 횟수 이상 학습 시킨 후, 모델 학습기(130)는 학습에 사용되지 않은 학습 데이터를 통해 검증을 수행한다.

모델 학습기(130)는 검증을 수행한 결과, 정확도가 미리 설정된 임계치 이상으로 균열신호만을 도출하는 경우, 학습을 완료하고, 미리 설정된 임계치 미만으로 결과가 나오는 경우, 재학습을 수행한다.

여기서, 모델 학습기(130)는 1D CNN 모델 또는 2D CNN 모델로 구현된 균열신호 분류 모델을 각각 학습시킬 수 있다. 여기서, 균열신호 분류 모델은 1D CNN 모델 또는 2D CNN 모델로 설명하였지만, 반드시 이에 한정하는 것은 아니다.

그리고 균열신호 분류기(140)는 실시간으로 수집된 음향신호를 학습이 완료된 균열신호 분류 모델에 입력하여 균열신호를 분류할 수 있다.

균열신호 분류기(140)는 수집된 음향 신호에 균열신호가 포함되지 않은 경우, 노이즈 신호로 분류한다.

여기서, 균열신호 분류 모델은 1D CNN 모델 또는 2D CNN 모델 중에서 적용 환경에 따라 선택적으로 설정될 수 있다. 예를 들어, 목표로 하는 정확도 값이 1D CNN 모델과 2D CNN 모델에서 동일하게 확보 가능할 때, 또는 적용되는 환경에 기초하여 균열신호 분류 모델의 크기 또는 비용을 최소화해야 하는 경우, 1D CNN 모델을 이용할 수 있다.

이처럼 구조물에 설치된 균열신호 감지 장치(100)는 균열신호 분류 모델을 이용하여 감지된 음향 신호 중에서 균열신호를 분류하여 중앙 서버(200)로 전송한다.

이하에서는 학습 데이터를 생성하기 위해 균열 신호를 확보하는 과정에 대해서 상세하게 설명한다.

도 3은 한 실시예에 따른 구조물에 대한 균열신호를 확보하기 위한 진동대를 나타낸 예시도이고, 도 4는 한 실시예에 따른 구조물에 대한 균열신호를 확보하기 위한 물리적 모델의 구조를 나타낸 예시도이다.

도 3은 단일 기둥에 대한 진동대를 나타내고, 도 4는 구조물을 소형 모델화하여 생성된 물리적 모델을 나타낸다.

도 3에 도시한 바와 같이, 진동대(300)는 구조물의 주요 구성물질 정보에 기초하여 균열신호를 수집하기 하기 위한 구성으로, 단축방향 압축 장치(310, uniaxial compression equipment), 단축방향 압축 장치(310)로 입력전압의 변화를 제어하는 오실로스코프(320, oscilloscope), 그리고 발생되는 신호를 수집하는 가속도계(330, accelerometer)를 포함한다.

여기서, 가속도계(330)를 통해 비교적 짧은 거리 내에서 빠르게 감쇠하는 고주파 신호 성분을 수집함에 있어, 센티미터 규모의 표본을 실제 현장에서와 같은 미터 규모의 모델로 확장이 가능하다.

가속도계(330)는 실제 균열신호 감지 장치(100)가 설치될 위치에 대응하여 바닥부분과 가까운 콘크리트 시편(A) 영역에 설치될 수 있으며, 하나 이상의 가속도계(330)가 서로 다른 높이를 가지도록 콘크리트 시편(A) 영역에 설치될 수 있다.

진동대(300)는 실제 구조물에 기초하여 축소 모형(콘크리트 시편, A)를 통해 자극에 대한 균열신호를 수집하기 위한 것으로, 지진파를 가진하는 자극을 콘크리트 시편(A)에 제공한다.

이때 콘크리트 시편(A)은 물, 시멘트 및 모래와 같은 재료들의 혼합 비율에 따라 다수 개로 구현이 가능하며, 진동대의 크기에 따라 일정한 규격으로 형성된다.

진동대(300)는 콘크리트 시편(A)에 부착된 2개의 가속도계(330)를 통해 입력전압의 변화에 기초하여 단축 방향으로 압축 테스트를 진행하는 과정에서 발생되는 균열 신호를 수집한다.

진동대(300)는 실제 지진파의 가속도 기준인 0.3g을 기준으로 해당 레벨의 10%, 20%, 30%가 되는 지진파를 가진하여 구조물의 균열 신호뿐 아니라, 노이즈 신호를 수집할 수 있다.

해당 노이즈 신호는 기계적으로 가진되는 진동에 의해 발생된 노이즈 신호에 관한 것으로, 수집된 신호를 시간축과 주파수축으로 표현하면 실제 노이즈 신호와 균열신호가 서로 상이한 형태로 표시되기 때문에, 진동대(300)는 균열 신호만을 확보할 수 있다.

이를 통해 진동대(300)에서는 측정된 신호에서 노이즈 신호를 제거하여 실제 균열신호를 확보할 수 있다.

한편, 이와 동일하게 물리적 모델의 구조를 통해서도 균열신호를 확보할 수 있다.

도 4의 (a)는 다수개의 콘크리트 시편(Pile)과 매트 및 베이스로 구성된 물리적 모델(Piled Raft Foundation, PRF)의 정면도이고, (b)는 가속도계의 위치를 나타낸 평면도이다.

도 4의 (a)에 도시한 바와 같이, 다수개의 콘크리트 시편(Pile)이 약 1미터의 높이를 가지고 콘크리트 시편 위아래로 매트와 베이스가 0.3 미터의 두께를 가지도록 모델링을 한다.

이때, 가속도계(sensor 1, sensor 2, sensor 3, sensor 4)는 콘크리트 시편(Pile1, Pile3, Pile4, Pile6) 옆 매트 아래에 부착되어 지진 하중과 같은 흔들림이 발생하면 음향 신호를 수집한다.

이때, 해당 물리적 모델(PRF)은 진동을 제공하는 테이블 위에 배치되어 제공되는 진동에 따른 신호를 측정할 수 있다. 여기서 테이블은 앞서 설명한 진동대(300)와 동일하게 입력전압의 변화를 제어하는 오실로스코프와 진동을 제공하는 장치를 포함한다.

한편, 도 4의 (a)와 같이 물리적 모델(PRF)이 노출된 경우와 달리 물리적 모델(PRF)이 매트 바닥 높이까지 토양에 묻혀 있는 경우로 구현할 수 있다.

다시 말해, 다수개의 콘크리트 시편(Pile)이 모두 토양에 묻힌 상태로 모델링하여 매립된 물리적 모델(PRF)을 통해 제공되는 진동에 따른 신호를 측정할 수 있다.

이와 같이, 콘크리트 시편(Pile)에 균열이 발생할 정도의 단계별로 제공되는 진동과 같은 자극을 통해 물리적 모델(PRF)에서의 균열신호를 확보할 수 있다.

도 5는 한 실시예에 따른 학습 데이터를 설명하기 위한 예시도이다.

도 5의 (a)는 정상신호와 균열신호 중에서 학습 과정 또는 검증 과정에서 사용할 데이터들을 분류하는 과정을 나타내고, (b)는 각 분류된 과정에서 사용되는 학습 데이터를 나타낸다.

여기서, 정상신호(Raw normal signal set)는 균열신호가 포함되지 않은 노이즈 신호만 있는 신호를 의미한다.

이와 같이, 정상 신호(노이즈 신호)와 균열 신호를 같이 학습 데이터를 구성하게 되며, 각 학습 데이터에서 약 2/3개의 데이터들은 학습 과정(Train set)에서만 사용하고, 약 1/3개의 데이터들은 검증 과정(Test set)에서만 사용하도록 분류될 수 있다.

도 5의 (b)에 도시한 바와 같이, 학습 데이터는 노이즈 신호만을 학습 데이터로 사용이 가능하며, 노이즈 신호에 균열신호를 합성한 합성 신호를 학습 데이터로 사용이 가능하다.

도 6은 한 한 실시예에 따른 균열신호 분류 모델을 나타낸 예시도이다.

도 6의 (a)는 1D CNN 모델로 구현된 균열신호 분류 모델의 구조이고, (b)는 2D CNN 모델로 구현된 균열신호 분류 모델의 구조를 나타낸다.

1D CNN 모델은 임베딩(Embedding layer), 1D 콘볼루션(1D convolution layer), 맥스풀링(max pooling layer), 글로벌 맥스풀링(global max pooling layer), 덴스(dense) 등의 레이어 조합으로 구현된다.

상세하게는 시간축에서 진폭으로 나타나는 1차원 데이터를 벡터화 시켜주는 임베딩 레이어를 통해 데이터 처리 과정을 압축하여 전체적인 균열신호 분류 모델을 간소화할 수 있다. 그리고 입력 진폭 정보를 임의로 압축하고 벡터화하여 설계된 길이의 벡터로 생성함으로써, 매트릭스의 깊이 정도를 확장하거나 조정할 수 있다.

그리고 1D 콘볼루션 레이어를 통해 시계열 데이터에서 간격 사이의 특징을 추출하여 실질적인 필터링을 수행한다.

ID 콘볼루션 레이어는 벡터화된 신호에서 선형 패턴을 기억하여, 윈도우 길이(커널 크기)에 따라 패턴의 길이에 차이를 두고 인식하여, 윈도우 길이를 넘어서는 긴 패턴과 짧은 패턴을 인식하여 신호 패턴에 따라 분류한다.

또한, 데이터를 인위적으로 압축해주는 맥스 풀링과 글로벌 맥스 풀링을 통해 입력데이터에서 일정한 법칙을 통해 데이터를 축소하고, 전체 필터를 통해 걸러진 데이터가 균열신호 또는 노이즈 신호인지 판단하는 덴스 레이어를 포함할 수 있다. 다시 말해, 덴스 레이어에서 최종적으로 0 또는 1의 데이터로 해당 신호가 균열신호 또는 노이즈 신호인지 분류된다.

한편, 도 6의 (b)와 같이, 2D CNN 모델은 2D 콘볼루션(2D convolution layer), 2D 맥스풀링(2D max pooling layer), 플래튼(Flatten layer), 덴스(Dense layer)등의 레이어 조합으로 구현된다.

여기서, 2D 맥스 풀링 그리고 덴스 레이어는 1D CNN 모델과 동일한 역할을 수행한다.

2D 콘볼루션 레이어는 진폭데이터와 시간 데이터를 함께 2차원으로 분석하며, 평면의 패턴을 기억하여, 윈도우 길이(커널 크기)에 따라 패턴의 길이에 차이를 두고 인식하여, 윈도우 길이를 넘어서는 긴 패턴과 짧은 패턴을 인식하여 신호 패턴에 따라 분류한다.

이때, 시계열 및 주파수 정보를 포함하는 2D 매트릭스를 사용하기 위해 단시간 푸리에 변환(short-time Fourier transform, STFT) 알고리즘을 사용한다.

플래튼은 에 대한 데이터를 1차원으로 펴주는 역할을 수행하는 모델로, 1차원으로 변형된 모델을 덴스 레이어로 전달하는 역할을 한다.

도 7은 한 실시예에 따른 주파수-시간 영역 분석을 수행한 그래프이다.

도 7에 도시한 바와 같이, 2D CNN 모델에서는 진폭 데이터와 시간데이터가 2차원으로 입력되기 때문에, 단시간 푸리에 변환을 통해 시간-주파수 영역에서 신호를 분석하게 된다.

음향신호는 가장 기본적인 형태인 시간-진폭의 형태로 수집되는 데, 시간에 따라 진폭이 변화하는 형태로 보여진다. 이때, 음향 신호를 단시간 푸리에 변환(short time furrier transformation)을 통해 시간- 주파수 영역으로 바꿔주면 도 8과 같은 그래프를 획득한다.

상세하게는 200ms 부분에서는 0-1.5kHz까지의 주파수가 주된 신호이고 0.2kHz이상의 주파수는 초기에 다 감쇄되어 없어지고 200ms이후에는 0.2kHz미만의 주파수가 주된 신호가 된다.

단시간 푸리에 변환에서 주요 변수는 시간축과 주파수축으로 구분되며, 시간축에서 주요한 변수는 미소 구간을 설정 할 때 미소 구간의 크기이며 또한 미소 구간들끼리 중첩 범위에 따라서 미소 구간의 개수가 결정되게 된다. 이때 미소 구간의 크기가 커지면 시간축의 간격이 커지게 되고 중첩 범위가 커지게 되면 시간축의 간격이 작아지게 된다.

주파수 측에서는 분석하는 범위에 기초하여 간격의 크기가 결정된다.

이때, 단시간 푸리에 변환을 수행함에 있어 결과값의 크기에 대해 최적값을 산출하기 위해 반복학습과 검증을 통해 사이즈를 설정할 수 있다.

다시 말해, 2D CNN 모델에 적용하는 단시간 푸리에 변환을 통해 다양한 크기(10,000 (97 × 103), 5000 (65 × 76), 2500 (49 × 51), 67,000 (257 × 262) 등)의 2D 매트릭스를 생성하여 정확도가 가장 높은 결과값의 크기를 설정할 수 있다.

도 8은 한 실시예에 따른 학습된 균열신호 분류 모델의 결과를 나타낸 예시도이다.

도 8은 1D- 듀얼 및 2D- 듀얼 모델을 검증한 데이터로 듀얼은 2가지 데이터 셋을 이용하여 학습한 모델을 의미한다. 상세하게는 제1 데이터 셋과 제2데이터 셋에 기초한 데이터로 학습을 수행하고, 검증과정에서는 제1 및 제2 데이터 셋 이외에 제3 데이터 셋의 데이터로 검증을 수행한 결과이다.

도 8에 도시한 바와 같이, 정확도가 80% 이상인 균열신호 분류 모델을 얻어야 한다면, 1D CNN 모델은 -10 dB 또는 -13dB 인 합성 신호로 학습시키게 되고, 2D CNN 모델은 -17 dB인 합성 신호로 학습시키는 것이 가장 효과적임을 알 수 있다.

다시 말해 -10 또는 -13dB의 SNR에서 학습된 1D CNN 모델은 SNR 값이 0dB 인 신호(test)를 80 % 정확도로 구분하는 반면, -17dB의 SNR에서 학습된 2D CNN 모델은 감지 가능한 임계 값 SNR이 -13dB 인 80% 이상의 정확도를 가지는 것을 알 수 있다.

이때, 구별 한계값은 1D CNN 모델인 경우, 0 dB 이고, 2D CNN 모델인 경우, -13 dB (0.85)가 된다.

그러므로, 균열발생 가능 지점(기둥, 벽면등)에서 신호 대 잡음비가 -13dB인위치에 대한 간격으로 2D CNN 모델을 포함하는 균열신호 감지 장치(100)를 배치할 수 있다.

도 9는 한 실시예에 따른 신호대 잡음 비에 기초하여 균열신호 감지 장치의 배치를 나타낸 예시도이다.

도 9는 콘크리트(pile) 상단의 매트(mat) 중심 영역에 센서를 포함하는 균열신호 감지 장치(100)가 설치되고 매트 상단에서 노이즈 신호가 발생하고, 매트와 콘크리트 사이에서 균열 신호가 발생되는 상황을 나타낸다.

이에 균열신호 발생 위치에 기초하여 0, -10, -13, -17, -20의 dB값의 신호대 잡음비를 설정하면, 도 6에 도시한 바와 같이 균열신호 감지 장치(100)가 배치될 수 있다.

일반적으로 신호가 발생되는 장소로부터 매질(콘크리트)을 타고 전달되어 균열신호 감지 장치(100)에 수집되게 되는 데, 신호와의 거리와 발생 강도에 따라 신호의 세기에 차이가 발생한다.

다른 조건이 동일한 경우, 전달되는 거리와 신호의 크기는 반비례하게 된다. 도 9에서 매트와 콘크리트 사이에 균열이 발생되면 균열 발생 지점에서 가장 근접한 균열신호 감지 장치(100)에서 수집된 신호는 신호대 잡음비가 1이라고 가정하면 균열 발생 지점과 균열신호 감지 장치(100)간의 거리에 기초하여 신호대 잡음비가 감소하게 된다.

이때, 균열신호 분류 모델에 설정된 임계치 이상의 정확도에 기초하여 신호대 잡음비(SNR)의 값에 따라 측정 값이 유효한 균열신호 감지 장치(100)와의 거리를 확인할 수 있다.

예를 들어, 균열신호 분류 모델에 정확도가 80% 이면 신호대 잡음비가 0.05인 구별 한계값을 가진 균열신호 감지 장치(100)까지의 측정 값이 유효하다.

다시 말해, 신호대 잡음비가 0.05를 가지는 신호를 균열신호 분류 모델에 입력하면, 분류된 균열 신호값의 정확도가 약 80%를 나타낸다.

그러면 도 9에서는 균열 신호 발생 지점에서부터 신호대 잡음비가 0.05를 가지는 균열신호 감지 장치(100)와의 거리를 4.3D임을 알 수 있다. 이에 따라 균열신호 감지 장치(100)는 4.3D 간격으로 설치되는 경우, 유효한 균열 신호를 검출할 수 있다.

한편, 균열신호 분류 모델에 정확도가 85% 이면 신호대 잡음비가 0.1인 구별 한계값을 가진 균열신호 감지 장치(100)까지의 측정 값이 유효하다. 이에 따라 신호대 잡음비를 0.1을 가지는 균열신호 감지 장치(100)와 균열 신호 발생 지점의 간격인 3D로 균열신호 감지 장치(100)의 간격을 설정할 수 있다.

도 9에서는 일차원적인 배열로 설명하였으나, 실제 구조물에 적용되는 경우에는 2차원 배열로 균열신호 감지 장치(100)가 배치된다. 그리고 실제 균열신호 감지 장치(100)가 매트 중앙 영역이 아닌 콘크리트(pile)과 근접하게 설치가능하다.

도 10은 한 실시예에 따른 컴퓨팅 장치의 하드웨어 구조도이다.

도 10에 도시한 바와 같이 음향 센서 모듈(110), 학습 데이터 생성기(120), 모델 학습기(130), 그리고 균열신호 분류기(140)는 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치(400)로 구현될 수 있다.

컴퓨팅 장치(400)의 하드웨어는 음향방출 센서(410), 적어도 하나의 프로세서(420), 메모리(430), 스토리지(440), 통신 인터페이스(440)를 포함할 수 있고, 버스를 통해 연결될 수 있다. 이외에도 입력 장치 및 출력 장치 등과 같은 다양한 구성 요소들을 더 포함될 수 있다.

음향방출 센서(410)는 균열이 발생 시 생성되는 신호를 감지하는 센서이다.

프로세서(420)는 컴퓨팅 장치(400)의 동작을 제어하는 장치로서, 컴퓨터 프로그램에 포함된 명령어들을 처리하는 다양한 형태의 프로세서일 수 있고, 예를 들면, CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 개시의 기술 분야에 잘 알려진 임의의 형태의 프로세서 중 적어도 하나를 포함하여 구성될 수 있다.

메모리(430)는 본 발명의 동작을 실행하도록 기술된 명령들이 프로세서(420)에 의해 처리되도록 해당 컴퓨터 프로그램을 로드한다. 메모리(430)는 예를 들면, ROM(read only memory), RAM(random access memory) 등 일 수 있다.

스토리지(440)는 본 발명의 동작을 실행하는데 요구되는 각종 데이터, 컴퓨터 프로그램 등을 저장한다. 통신 인터페이스(450)는 유/무선 통신 모듈일 수 있다.

컴퓨터 프로그램은, 프로세서(420)에 의해 실행되는 명령어들(instructions)을 포함하고, 비일시적-컴퓨터 판독가능 저장매체(non-transitory computer readable storage medium)에 저장되며, 명령어들은 프로세서(420)가 본 개시의 동작을 실행하도록 만든다. 컴퓨터 프로그램은 네트워크를 통해 다운로드되거나, 제품 형태로 판매될 수 있다. 균열신호 분류 모델은 프로세서(420)에 의해 실행되는 컴퓨터 프로그램으로 구현될 수 있다.

이와 같이, 실시예에 따르면, 구조물의 주요 구성물질에 기초하여 학습된 균열신호 분류 모델을 통해 균열신호 분류 기준을 생성하여 적용함으로써, 구조물 특성에 따른 객관적인 분류 기준으로 균열신호를 추출할 수 있다.

또한, 상한 값 적용 필터링과 주파수 영역 필터링이 상호 보완적으로 적용되기 때문에 각 필터링 방법에 대비하여 높은 정확도를 가지며, 자동으로 분류 기준이 설정되므로 관측자에 따른 오류 발생을 방지할 수 있다.

그리고 구조물마다의 요구하는 안전률에 대한 한계치에 기초하여 균열신호 감지 장치의 배치 거리를 조정함으로써, 최소한의 균열신호 감지 장치를 배치하여 요구되는 한계치에 따른 정확도를 확보할 수 있다.

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (12)

1. 실시간 균열신호 감지 장치의 동작 방법으로서,
   구조물에 제공되는 자극에 기초하여 발생하는 균열에서 방출된 균열신호를 수집하는 단계,
   상기 균열신호와 하나 이상의 노이즈 신호간에 신호대 잡음비를 조정하여 생성한 합성 신호 또는 상기 균열 신호를 포함하지 않는 노이즈 신호를 학습데이터로 생성하는 단계, 그리고
   상기 학습데이터를 단시간 푸리에 변환 알고리즘을 이용하여 시간-주파수 영역의 학습 이미지들로 변환하고, 입력된 학습 이미지로부터 균열신호 여부를 분류하도록 2차원 합성곱 신경망 기반 균열신호 분류 모델을 학습시키는 단계
   를 포함하는 동작 방법.
2. 제1항에서,
   상기 균열신호를 수집하는 단계는,
   진동대에 주요 구성물질의 특성에 따른 다수개의 구조물을 설치하고, 상기 구조물에 단축방향으로의 압력 또는 진동을 제공하여 상기 구조물에서 방출된 균열신호를 상기 주요 구성물질의 특성과 연계하여 수집하는 동작 방법.
3. 제1항에서,
   상기 합성 신호를 생성하는 단계는,
   상기 균열신호와 상기 노이즈 신호를 동일하게 전처리 작업을 수행하여 각 샘플링속도가 일치되도록 언더샘플링을 수행하는 동작 방법.
4. 제3항에서,
   상기 합성 신호를 생성하는 단계는,
   하나 이상의 목표 신호대 잡음비에 기초하여 각 목표값에 따라 상기 균열 신호와 상기 노이즈 신호의 세기를 조절하여 합성하는 동작 방법.
5. 삭제
6. 제1항에서,
   상기 균열신호 분류 모델을 학습시키는 단계는,
   상기 합성 신호 중에서 설정된 목표 신호대 잡음비를 가지는 합성 신호마다 그룹핑을 수행하고, 그룹별로 개별적인 균열신호 분류 모델을 학습시키는 동작 방법.
7. 제6항에서,
   상기 균열신호 분류 모델의 학습이 완료되면, 각 균열신호 분류 모델에 하나 이상의 신호대 잡음비를 가지는 검증 데이터를 입력하여 분류되는 균열신호의 정확도를 산출하는 단계, 그리고
   상기 검증 데이터들 중에서 정확도가 임계치 이상을 가지는 균열신호 분류 모델을 선택하는 단계를 더 포함하는 동작 방법.
8. 컴퓨팅 장치로서,
   명령어들을 포함하는 메모리, 그리고
   상기 명령어들을 실행하여 수신된 음향신호에서 균열신호를 분류하는 적어도 하나의 프로세서를 포함하고,
   상기 프로세서는
   인접한 구조물에서 발생된 음향방출 신호를 감지하고, 상기 음향방출 신호를 학습이 완료된 균열신호 분류 모델에 입력하여 균열신호 여부를 분류하고, 분류된 균열 신호를 중앙 서버로 제공하며,
   상기 균열신호 분류 모델은,
   학습데이터를 단시간 푸리에 변환 알고리즘을 이용하여 시간-주파수 영역의 학습 이미지들로 변환하고, 입력된 학습 이미지로부터 균열신호 여부를 분류하도록 2차원 합성곱 신경망 기반 기계학습 모델이고,
   상기 학습데이터는
   상기 구조물의 주요 구성물질과 동일한 학습용 구조물에서 수집한 학습용 균열신호에 하나 이상의 노이즈 신호간에 신호대 잡음비를 조정하여 생성한 합성 신호 또는 상기 학습용 균열 신호를 포함하지 않는 노이즈 신호를 포함하는, 컴퓨팅 장치.
9. 삭제
10. 삭제
11. 제8항에서,
    상기 프로세서는,
    상기 구조물의 콘트리트 배합률이 동일한 학습 데이터로 학습된 균열신호 분류 모델 중에서 검증 데이터들의 정확도가 임계치 이상을 가지는 특정 목표 신호대 잡음비에 대한 균열신호 분류 모델을 선택하는 컴퓨팅 장치.
12. 제8항에서,
    상기 프로세서는,
    진동대에 설치된 주요 구성물질의 특성에 따른 다수개의 구조물을 통해 제공된 자극에 기초하여 수집된 균열신호와 별도로 노이즈 신호를 수집하고,
    상기 균열신호와 노이즈 신호 간에 랜덤으로 매칭하여 목표 신호대 잡음비를 조정하며, 상기 균열신호와 노이즈 신호의 샘플링 속도를 일치시켜 합성신호를 생성하고,
    상기 균열신호의 시간적 발생에 기초하여 상기 합성신호에서 상기 균열신호와 상기 노이즈 신호를 분류하도록 상기 균열신호 분류 모델을 학습시키는 컴퓨팅 장치.