KR20200092503A - 입출력 음향 데이터 기반의 딥러닝을 활용한 하수관 상태 판별 방법 - Google Patents

Abstract

본원 발명은 소음 및 진동 센서를 통해서 상수도 파이프의 정보를 수집하고 상기 수집된 정보를 서버컴퓨터의 딥러닝을 통해서 상수도의 누수를 진단하는 방법에 관한 것이다. 본원 발명은 유량계 등과 같이 상수도 배관 내에 직접 설치할 필요가 없이 현재 상수도 시설에 영향을 주지 않고 유량에 관한 신호를 수집할 수 있으며, 이를 실시간 또는 실질적인 면에서 실시간에 준하는 정도에서 신호를 무선으로 전달하여 중앙 서버에서 이를 취합할 수 있게 하고, 전달된 신호를 단순한 패턴 분석 방법 이상의 방법을 사용해서 누수 정보를 제공할 수 있는 방법을 제공하고자 한다.

Description

입출력 음향 데이터 기반의 딥러닝을 활용한 하수관 상태 판별 방법 {Diagnosis method of sewage condition using Deep Learning based on acoustic in-out data}

본원 발명은 입출력 음향 데이터 기반의 딥러닝을 활용한 하수관 상태 판별 방법에 관한 것으로서, 구체적으로 스피커를 통해서 발생된 음향신호를 마이크를 사용하여 수집하고, 상기 음향신호를 기반으로 딥러닝을 활용하여 하수관의 누수 등을 판별하는 방법에 관한 것이다.

1인당 가용(재생가능) 수자원량(Renewable Water Resource)은 전체 국토면적에 내리는 연간 강수량 중 증발 등의 손실분을 제외한 가용수량을 국가 전체 인구수로 나눈 값으로서, 국가의 기본적인 수자원 여건 및 이에 따른 정책 결정의 중요한 자료 중의 하나이다.

2005년 우리나라의 1인당 가용 수자원량은 1,488㎥로 세계 130위권이며, 이는 국제인구활동연구소(Population Action International)의 권장 기준값인 1,700㎥에 미치지 못하는 물 부족국가에 해당하는 값이다.

이와 같은 수자원이 부족한 상황임에도 이를 활용하는 과정에서도 큰 문제점이 있다. 2010년 환경부 상수도 통계에 따르면, 국내 수자원 총생산 59억9백만㎥중 10.8%에 달하는 6억3천8백만㎥의 수자원이 누수되는 것으로 파악되었으며, 이는 매년 5000억원 이상에 해당한다.

이러한 경제적인 손실을 막는 것은 물론이고 웰빙의 선결 조건인 수자원의 효율적인 관리를 위해서 상하수도 자원의 누수에 대한 관리는 국가적인 차원에서 역량을 집중해야 할 중요한 기술중의 하나이다.

상수관의 누수는 직접 사용 가능한 수자원의 손실에 해당할 뿐만 아니라 경제적인 피해가 실시간으로 발생하기 때문에 이에 대한 대응도 매우 빠르게 진행된다. 반면에 하수관의 누수는 이물질 또는 세균에 의한 지하수의 오염 또는 주변 환경에 영향을 미치는 상대적으로 간접적인 영향이 나타나므로 이에 대한 관심이 덜하였다. 그러나, 파손 및 노후가 되어 수리를 요하는 하수관을 정확하고 신속하게 처리하는 것 또한 최근에 급격하게 높아지고 있는 사회 안전망에 대한 요구에 부응해야만 하는 기술이다.

상하수도 자원의 누수 등을 관리하기 위한 전반적인 연구가 현재 활발히 진행되고 있으나, 아직까지 상용화 단계에 이른 기술은 없다. 상하수도 누수탐사장비 및 누수 방지시스템은 일부 국가의 독점 기술로서, 국내에서는 관련 장비의 상용화가 미비한 상태이다. 또한, 누수탐지 감지에 관한 국내 연구단계는 다수 있으나, 개념정립 단계이며 현장 적용 및 개발 사례는 부족한 것이 현실이다.

특허문헌 1은 노후하수관로에 대한 효율적 정밀조사 방안 및 정비계획 활용 방안 시스템 및 노후하수관로에 대해 지반침하를 규명하는 방법으로서, 도심지를 중심으로 지반침하(일명 싱크홀)를 유발하는 요소의 빅데이터를 적어도 7개를 활용하여, 각 데이터베이스를 중첩기법으로 취약구간을 등급별로 설정하고, 노후하수관로도에 속성정보를 입력한 뒤, 적어도 5등급을 설정하여, 1단계 정밀조사(하수관로 CCTV 또는 육안조사)시 등급별 주행속도 조정과 카메라 회전을 실시하여 결과를 도출한 뒤, 상기 노후하수관로도에 속성정보를 입력한 결과에 반영하여, 2단계 정밀조사(GPR탐사)시 상기 지반침하(일명 싱크홀)가 예상되는 위치에 등급별로 측선간격을 조절하고 실시하여 결과를 도출한 뒤, 상기 노후하수관로도에 속성정보를 입력한 결과에 추가 반영하여, 3단계 정밀조사(시추조사 및 내시경)시 상기 1단계 및 2단계 조사결과를 토대로 시추조사 및 내시경조사 지점을 선정하고 실시하여, 지반침하(일명 싱크홀) 원인을 규명함으로써, 향후 하수관로의 정밀조사 결과등급을 기준으로 개량 우선순위 및 방법을 제시한다.

특허문헌 1은 빅데이터를 사용하여 정책적으로 정비를 해야 할 곳에 대한 우선 순위 등의 정보를 제공하고 있으나, 현재 최우선적 기술과제인 누수에 대한 구체적인 진단 방법 및 이에 대한 해결책은 제시하지 못하고 있다.

특허문헌 2는 하수관로의 CCTV 데이터 및 상부지반의 GPR 데이터를 이용한 지반침하 진단 시스템 및 그 방법에 관한 것으로서, 하수관로 CCTV 조사를 통해 하수관로 변형을 조사하고, 하수관로의 결함이 발생한 상부지반을 GPR 탐사하여 하수관로로 인한 지반침하를 예측 및 평가할 수 있고, 또한, 하수관로 CCTV 조사와 GPR 데이터의 비교 분석, 상관관계 평가를 통해 하수관로로 인한 지반함몰을 예측 및 평가함으로써, 하수관로 노후화와 외부 충격에 따른 하수관로 손상에 기인한 지반침하를 방지할 수 있는, 하수관로의 CCTV 데이터 및 상부지반의 GPR 데이터를 이용한 지반침하 진단 시스템 및 그 방법이 제공된다.

특허문헌 2는 시각정보인 CCTV를 사용하여 지반침해를 조사하는 기술로서, 특허문헌 1과 마찬가지로 현재 최우선적 기술과제인 누수에 대한 구체적인 진단 방법 및 이에 대한 해결책은 제시하지 못하고 있다.

특허문헌 3은 하수관의 관경에 대응이 용이한 CCTV 탐사로봇에 관한 것으로서, 하수관 내부를 직접 촬영하면서 하수관 내부의 이상 여부를 판별할 수 있으나, 다양한 오염원이 존재하는 하수관 내부에서의 안정적인 이동, 이상 여부를 판별하기까지의 시간을 고려할 때, 넓은 지역에서 발생하는 하수관의 누수에 대해서 효율적으로 대응하기 어려운 기술이다.

특허문헌 4는 관로 검사 장치 및 그 방법에 관한 것으로서, 관로 내부를 검사하는 검사유닛; 상기 검사유닛에 결합되며, 내부로 공기가 주입될 수 있는 중공이 형성된 케이블부재; 및 상기 케이블부재 내부로 공기를 주입할 수 있도록 상기 케이블부재에 연결되는 제1 공기주입기를 포함한다.

특허문헌 4는 하수도관의 내부를 시각적으로 직접 관측하는 장비로서 수백미터에 달하는 하수도관의 손상을 빠르게 진단하기에는 적합하지 않다.

특허문헌 5는 초음파 유량계 및 관압을 이용한 상수도 관망관리방법에 관한 것으로서, 초음파 유량계에서 유량, 압력을 측정하되 유량값과 압력값의 변화를 통해 상수도 관망에서 밸브의 차단 등과 같은 이벤트가 발생되었음을 확인하거나, 미세한 누수가 발생되었음을 탐지하여 일상적인 누수관리를 수행하고자 한 기술이다.

특허문헌 6은 상수관 망 진동측정장치를 이용한 상수관망 진단시스템에 관한 것으로서, 도로 및 환경적 요인의 진동을 최소화한 상태에서 상수관 망 진동을 정확하게 측정하고, 과거데이터를 기반으로 패턴 비교 분석을 통해 상수관 망의 상태를 정확하게 진단할 수 있도록 한 상수관 망 진동측정장치 및 이를 이용한 상수관 망 진단시스템에 관한 것으로서, 지하에 매설된 상수관의 진동을 검출하는 상수관 망 진동측정장치; 및 상기 진동측정장치에서 출력되는 진동 검출신호를 샘플링하여 누적 저장하고, 주변 환경의 영향이 없는 상태에서 측정하여 저장한 과거 진동 정보로 과거 진동 패턴을 생성하고, 현재 측정한 진동 검출 신호로 현재 진동 패턴을 생성하며, 생성한 과거 진동 패턴과 현재 진동 패턴을 비교 및 분석하여 상수관 상태를 판정하는 상수관망 진단 장치를 포함하여, 상수관망 진동측정장치를 이용한 상수관망 진단시스템에 관한 것이다.

특허문헌 5와 6은 상압 이상인 상수도에 적용할 수 있는 기술로서, 압력이 전혀 다른 하수도관에는 직접적으로 적용할 수 없다는 단점이 있다.

현재 하수도관 손상을 검출하기 위한 기술에서 가장 큰 문제점은 기존의 통상적인 누수 검출 장비인 유량계, 압력계, 진동계 등의 센서가 크게 활용될 수 없다는 점이다. 하수도는 기본적으로 상수도 또는 다른 배관과 달리 유체를 수송하기 위한 별도의 압력이 없거나 낮은 상태이므로 이에 대응한 종래의 접근법으로는 하수도관의 손상을 전혀 파악할 수 없다.

하수도관의 누수가 큰 범위로서 광범위하게 발생하는 경우는 지반 침해 등의 간접적인 방법에 의해서 검출이 가능하나, 소량 발생하는 누수에 대해서는 내시경 등의 직접적인 시각적 관측에만 의존하고 있을 뿐 효율적인 해결책이 제시되지 않고 있다. 초음파 등을 이용한 분석을 진행하더라도 주변 환경 등에 의한 노이즈 등으로 인해서 소규모 손상에 의한 미량 또는 소량의 누수는 그 분석 결과에 신뢰성이 높지 않다.

이와 같이 하수도관의 손상에 의해서 발생하는 많은 노이즈를 포함하는 신호를 분석하여 이를 정확하게 판단할 수 있는 기술은 아직까지 제시되지 않은 실정이다. 종래의 내시경 또는 관측로봇과 같이 배관 내에 직접 접근하는 비용이 많은 드는 기술을 대체한 기술 또한 제시된 바가 없다.

대한민국 등록특허공보 제10-1803781호(2017.11.27) 대한민국 등록특허공보 제10-1557865호(2015.09.30) 대한민국 등록특허공보 제10-1652684호(2016.08.25) 대한민국 공개특허공보 제2017-0124086호(2017.11.09) 대한민국 공개특허공보 제10-2013-0026561호(2013.03.14) 대한민국 등록특허공보 제10-1694700호(2017.01.04)

본원 발명은 상기와 같은 문제를 해결하기 위한 것으로서, 유량계 등과 같이 하수관 내에 직접 설치할 필요가 없이 현재 하수관 시설에 영향을 주지 않고 유량에 관한 신호를 수집할 수 있으며, 이를 실시간 또는 실질적인 면에서 실시간에 준하는 정도에서 분석하여 하수관의 누수 및 하수관 내의 오염물 침전 정도를 파악할 수 있는 시스템을 제공하는 것을 목적으로 한다.

상기와 같은 문제점을 해결하기 위해서 본원 발명은 음향신호를 발생할 수 있는 음향신호발생부; 음향신호를 수신할 수 있는 음향신호수신부; 상기 음향신호발생부에는 발생이 필요한 음향신호를 송신하고, 상기 음향신호수신부로부터는 음향신호를 수신하며, 상기 발생된 음향신호 및 상기 수신된 음향신호를 기반으로 딥러닝을 통해서 하수관의 상태를 판별하는 제어부; 상기 제어부의 요청에 따라 데이터를 유선 또는 무선으로 송수신할 수 있는 데이터송수신부;를 포함하는 음향신호를 이용한 딥러닝 기반의 하수관 상태를 판별하는 음향분석단말기를 제공한다.

상기 음향분석단말기에는 전원을 공급하는 전원공급부 및 데이터 처리 정보를 표시하는 디스플레이부가 부가될 수 있다.

구체적으로 상기 음향신호발생부는 스피커이며, 상기 음향신호수신부는 마이크이다.

상기와 같은 문제점을 해결하기 위해서 본원 발명은 상기 딥러닝 기반의 하수관 상태를 판별하는 음향분석단말기를 사용하여 하수관 상태를 판별하는 방법에 있어서, a) 상태를 판별하고자 하는 하수관의 양 말단에 상기 딥러닝 기반의 하수관 상태를 판별하는 음향분석단말기를 각각 배치하는 단계;

b) 상기 딥러닝 기반의 하수관 상태를 판별하는 음향분석단말기 중 적어도 하나에서 음향신호를 발생하고, 상기 발생된 음향신호를 상기 딥러닝 기반의 하수관 상태를 판별하는 음향분석단말기 중 적어도 하나에서 수신하는 단계;

c) 상기 발생된 음향신호 및 상기 수신된 음향신호를 기반으로 상기 제어부에서 딥러닝을 통해서 상기 상태를 판별하고자 하는 하수관의 상태를 판별하는 단계;를 포함하는 하수관 상태 판별 방법을 제공한다.

상기 c) 단계에서 상기 발생된 음향신호 및 상기 수신된 음향신호를 상기 제어부에서 직접 처리하지 않고, 상기 데이터송수신부를 통해 서버컴퓨터로 전송하여 상기 서버컴퓨터에서 딥러닝을 통해서 처리한 후 처리된 결과만을 상기 데이터송수신부로 수신하여 상기 상태를 판별하고자 하는 하수관의 상태를 판별할 수 있다.

또한, 상기 발생된 음향신호 및 상기 수신된 음향신호를 상기 서버컴퓨터로 전송하기 전에 상기 제어부에서 전처리를 할 수 있으며, 구체적인 전처리하는 단계는 노이즈 제거, 푸리에, 라플라스, 옥타브 밴드 레벨(Octave Band Levels), 샤프니스, 러프니스, 엔벨로프, 기저크기, 토날리티, 변동강도(Fluctuation Strength), 댐핑(Damping), 고유진동수(Natural Frequency) 분석을 통해 특성치를 추출하는 주파수 성분 분석 또는 시간에 따른 변화율 분석 신호 처리를 포함할 수 있다.

상기 발생된 음향신호는 화이트 노이즈, 핑크 노이즈음, 브라운 노이즈, 임펄스를 포함한다.

상기 c) 단계에서 상기 발생된 음향신호 및 상기 수신된 음향신호를 상기 데이터송수신부를 통해 서버컴퓨터로 전송할 때, 상기 a) 단계의 하수관의 위치 정보와 함께 하수관 종합관리 시스템에도 전송할 수 있다.

또한 상기 서버컴퓨터로 전송하여 상기 서버컴퓨터에서 딥러닝을 통해서 처리된 결과도 상기 하수관 종합관리 시스템에 전송할 수 있다.

서버에 전송하여 분석을 진행하고자 할 경우, 상기 b) 단계에서 시각 및 이와 동기화된 상기 발생된 음향신호 및 상기 수신된 음향신호를 상기 딥러닝 기반의 하수관 상태를 판별하는 음향분석단말기에 저장하며, 상기 c) 단계에서 상기 음향분석단말기에 저장된 시각 및 이와 동기화된 상기 발생된 음향신호 및 상기 수신된 음향신호를 유선 또는 무선 통신이 가능한 때에 유선 또는 무선 방식으로 서버컴퓨터로 전송하는 것이 바람직하다.

딥러닝의 구체적인 예시로는 CNN(Convolution Neural Network), DNN(Deep Neural Network), RNN, DBN, LSTM, GAN, Softmax 모델 중에 적어도 하나이며, CNN일 경우 convolutional layer와 fully connected layer, Softmax의 순서로 구성되고, 상기 convolutional layer 뒤에 max pooling layer가 존재할 수 있다.

상기 딥러닝에 의해서 판별하는 결과는 하수관의 길이, 관의 형태 등의 하수관의 정보, 하수관의 파손 유무, 파손 위치, 침전물 유무 및 침전물의 위치 정보를 포함한다.

상기 딥러닝에 의해서 처리된 결과를 상기 디스플레이부를 통하여 표시하여 현장에서 바로 확인을 할 수 있다.

상기 딥러닝은 상기 하수관에 대한 지리적 정보를 포함한 정보 및 상기 수집된 데이터와 하수관의 상태에 대해서 이미 학습이 되어야 한다. 특히 초기 단계에서는 축적된 데이터가 없기 때문에 초기 학습단계가 별도로 필요할 수 있다. 이는 Data augmentation 또는 제너러티브 모델(Generative model)을 활용하여 제한된 수의 측정된 데이터를 기반으로 더 많은 학습용 데이터를 생성 및 취득하여 기존 데이터베이스에 저장된 신호와 병합, 딥러닝 모델 학습에 활용할 수 있는 것에 특징이 있다.

수집된 음향신호를 포함하는 데이터 및 처리된 결과를 서버컴퓨터에 저장하여 학습용 데이터베이스를 구축하는 단계가 부가되는 것이 바람직하다.

또한 결과의 정확성을 높이기 위해서 상기 처리된 결과와 실제 하수관 누수 및 침전물 진단의 비교 결과를 사람이 상기 서버컴퓨터로 피드백 하여 상기 학습용 데이터베이스가 계속 갱신되고 상기 갱신된 데이터베이스는 상기 딥러닝의 재학습 자료로 사용될 수 있다.

본원 발명에 따른 하수도관의 상태를 판별하는 방법은 유량계 등과 같이 하수관 내에 직접 설치할 필요가 없이 현재 하수관 시설에 영향을 주지 않고 유량 및 침전물에 관한 신호를 수집할 수 있는 장점이 있다. 본원 발명의 음향분석단말기는 상태를 판별하고자 하는 하수관의 양 말단에 배치하는 것으로 충분하기 때문에 작업이 매우 용이한 장점이 있다.

본원 발명에 따른 하수도관의 상태를 판별하는 방법은 실시간 또는 실질적인 면에서 실시간에 준하는 정도에서 신호를 유/무선으로 전달하여 서버에서 이를 취합할 수 있게 하는 장점이 있다. 데이터를 취합하여 한꺼번에 전송할 수도 있고 필요에 따라서는 실시간의 전송이 가능하며, 센서를 포함하는 단말기를 통해서 무선으로 전송이 가능한바, 데이터 관리가 편리하다는 장점이 있다.

본원 발명에 따른 하수도관의 상태를 판별하는 방법은 전달된 신호를 단순한 패턴 분석 방법이 아닌 노이즈에 강한 딥러닝 방법을 사용함으로써, 종래의 누수 진단 방법 등에서 어려움을 겪었던 공사현장소음, 차량 및 지하철 소음, 생활 패턴, 시간, 계절에 따른 다양한 노이즈에 따른 문제점을 해결할 수 있는 장점이 있다.

본원 발명에 따른 하수도관의 상태를 판별하는 방법은 CNN(Convolution Neural Network), DNN(Deep Neural Network), RNN, DBN, LSTM, GAN, Softmax 모델 중에 적어도 하나이며, CNN일 경우 convolutional layer와 fully connected layer, Softmax의 순서로 구성되고, 상기 convolutional layer 뒤에 max pooling layer가 존재하는 모델을 사용함으로써 수집된 빅데이터를 실제적으로 처리할 수 있다. 종래의 기술에 사용되었던 신경회로망 또는 단순 패턴 분석은 빅데이터를 처리하는 경우 연산 결과가 제대로 수렴하지 않거나 계산 시간이 비상식적으로 오래 걸리는 단점이 있었으나, 본원 발명은 물리적으로 활용할 수 있는 시간내에서 결과를 제시하고 있다.

또한 본원 발명에 따른 하수도관의 상태를 판별하는 방법은 초기 학습은 물론 계속적인 재학습을 통해서 진단의 신뢰성을 계속 높일 수 있는 장점이 있다. 뿐만 아니라 현재 하수관에서 수집한 정보를 피드백하여 정확도를 더욱 높일 수 있다.

도 1은 본원 발명에 따른 음향분석단말기의 개략적인 구성을 나타낸 것이다.
도 2는 본원 발명에 따른 음향분석단말기를 판별하고자 하는 하수관의 양 말단에 배치한 개략도이다.
도 3은 본원 발명에 따른 음향분석단말기를 사용하여 하수관 상태를 판별하는 방법에 대한 순서도이다.
도 4는 본원 발명의 일 실시예에 따른 임펄스 응답 분석에 있어서 임펄스의 경로를 개략적으로 나타낸 것이다.
도 5 및 도 6은 본원 발명의 일 실시예에 따른 일 실시예에 따른 임펄스 응답의 측정 결과이다.
도 7 및 도 8은 본원 발명의 일 실시예에 따른 일 실시예에 따른 임펄스 응답의 분석 결과이다.

본원 발명은 음향신호를 발생할 수 있는 음향신호발생부; 음향신호를 수신할 수 있는 음향신호수신부; 상기 음향신호발생부에는 발생이 필요한 음향신호를 송신하고, 상기 음향신호수신부로부터는 음향신호를 수신하며, 상기 발생된 음향신호 및 상기 수신된 음향신호를 기반으로 딥러닝을 통해서 하수관의 상태를 판별하는 제어부; 상기 제어부의 요청에 따라 데이터를 유선 또는 무선으로 송수신할 수 있는 데이터송수신부;를 포함하는 음향신호를 이용한 딥러닝 기반의 하수관 상태를 판별하는 음향분석단말기를 제공한다.

도 1을 참조하면, 음향신호발생부는 스피커이고, 음향신호수신부는 마이크에 해당한다. 음향발생 및 취득부와 하수관 상태 판별부는 제어부에 해당한다. 음향분석단말기에는 전원을 공급하는 전원 공급 배터리 및 데이터 처리 정보를 표시하는 디스플레이부가 부가된다.

도 2는 본원 발명에 따른 음향분석단말기를 판별하고자 하는 하수관의 양 말단에 배치한 개략도이다. 본원 발명의 일 실시예인 임펄스 응답 분석을 통한 침전물 위치 탐지의 경우 일측에만 음향분석단말기가 배치되고, 상기 음향분석단말기에서 송출되는 임펄스는 다시 해당 단말기의 마이크에서 수신하여 분석한다.

도 3은 본원 발명에 따른 음향분석단말기를 사용하여 하수관 상태를 판별하는 방법에 대한 순서도이다. 음향분석 단말기의 스피커를 통해서 음향신호를 발생하고 하수관으로부터 반향 되는 음향신호를 마이크를 통해서 입력 받는다. 분석을 위해서는 상기 송출되는 음향신호와 수신된 음향신호 모두를 전처리를 통해서 1차 처리를 한 후 저장한다.

상기 전처리하는 단계는 노이즈 제거, 푸리에, 라플라스, 옥타브 밴드 레벨(Octave Band Levels), 샤프니스, 러프니스, 엔벨로프, 기저크기, 토날리티, 변동강도(Fluctuation Strength), 댐핑(Damping), 고유진동수(Natural Frequency) 분석을 통해 특성치를 추출하는 주파수 성분 분석 또는 시간에 따른 변화율 분석 신호 처리를 포함한다.

상기 전처리된 음향신호를 서버컴퓨터로 전송할 때, 하수관의 위치 정보와 함께 하수관 종합관리 시스템에도 동시에 전송한다.

서버에 전송된 자료를 기반으로 딥러닝을 통해서 하수관의 길이, 관의 형태 등의 하수관의 정보, 하수관의 파손 유무, 파손 위치, 침전물 유무 및 침전물의 위치 정보를 포함하는 정보를 판별한다. 딥러닝은 초기 학습단계 및 재학습이 지속적으로 이루어질 수 있다.

딥러닝에 의해서 분석된 결과는 음향분석 단말기로 다시 전송되어 하수관 상태를 구체적으로 확인하고 이를 디스플레이를 통해서 표시한다.

하수관의 실제 상태와 분석에 의한 처리 결과의 비교 결과는 서버로 피드백 하여 학습용 데이터베이스가 계속 갱신되고 상기 갱신된 데이터베이스는 상기 딥러닝의 재학습 자료로 사용된다.

도 4는 본원 발명의 일 실시예에 따른 임펄스 응답 분석에 있어서 임펄스의 경로를 개략적으로 나타낸 것이다. 음향분석 단말기의 스피커를 통해서 발생한 임펄스는 관 입구에서 반사되는 부분과 중간의 침전물에 반사되는 음향, 하수관의 공명에 의해서 반사되는 부분이 있을 수 있다.

도 5 및 도 6은 본원 발명의 일 실시예에 따른 일 실시예에 따른 임펄스 응답의 측정 결과이다. 직경 30㎝, 길이 2m의 관에서의 임펄스를 발생할 경우 도 5는 침전물이 없는 경우의 임펄스에 대한 음향신호이며, 도 6의 경우에는 100㎝ 위치에 침전물이 있는 경우의 임펄스 신호이다. 각각 300번째 데이터 때 관 특성에 의한 반사 신호가 검출이 되며, 도 6의 경우 약 200번째 때 데이터에서 침전물에 의한 반시 신호가 검출이 된다. 일 실시예의 경우 샘플링 주기가 25600Hz에 해당한다.

도 7 및 도 8은 본원 발명의 일 실시예에 따른 일 실시예에 따른 임펄스 응답의 분석 결과이다. 임펄스에 대한 응답 결과에서 스피커의 전달 특성을 제거하고, 인접 샘플간 차이값을 계산하여 신호처리를 한 결과이다. 관 입구부분에서 나타나는 반향 특성 때문에 100 내지 300개의 샘플이 실제 탐지가 가능한 영역으로 분석이 된다. 도 7의 경우 별도의 침전물이 없기 때문에 신호가 검출이 되지 않았고, 도 8의 경우 약 150번째 데이터에서 반향이 검출되었다. 이를 샘플링 주기로 환산하면 약 1m에 해당하므로 본원 발명에 따른 장치를 임펄스에 적용할 경우, 내부의 상태를 명확하게 파악할 수 있음을 알 수 있다.

상기와 같이 처리된 시그널을 CNN 기반 침전물 위치 판별 모델에 적용하여 학습을 진행하였다. 침전물의 위치를 변경하여 학습을 진행한 결과 위치에 대한 판별의 정확도는 85%로 나타났다.

침전물의 유무에 대한 데이터를 가지고 DNN 기반의 학습을 진행한 결과 침전물의 유무 자체를 판단하는 정확도는 99%로 나타났다.

Claims (17)

1. 음향신호를 발생할 수 있는 음향신호발생부;
   음향신호를 수신할 수 있는 음향신호수신부;
   상기 음향신호발생부에는 발생이 필요한 음향신호를 송신하고, 상기 음향신호수신부로부터는 음향신호를 수신하며, 상기 발생된 음향신호 및 상기 수신된 음향신호를 기반으로 딥러닝을 통해서 하수관의 상태를 판별하는 제어부;
   상기 제어부의 요청에 따라 데이터를 유선 또는 무선으로 송수신할 수 있는 데이터송수신부;
   를 포함하는 음향신호를 이용한 딥러닝 기반의 하수관 상태를 판별하는 음향분석단말기.
2. 제1항에 있어서,
   전원을 공급하는 전원공급부 및 데이터 처리 정보를 표시하는 디스플레이부가 부가된 딥러닝 기반의 하수관 상태를 판별하는 음향분석단말기.
3. 제1항에 있어서,
   상기 음향신호발생부는 스피커이며, 상기 음향신호수신부는 마이크인 딥러닝 기반의 하수관 상태를 판별하는 음향분석단말기.
4. 제1항 내지 제3항 중 어느 한 항에 따른 딥러닝 기반의 하수관 상태를 판별하는 음향분석단말기를 사용하여 하수관 상태를 판별하는 방법에 있어서,
   a) 상태를 판별하고자 하는 하수관의 양 말단에 상기 딥러닝 기반의 하수관 상태를 판별하는 음향분석단말기를 각각 배치하는 단계;
   b) 상기 딥러닝 기반의 하수관 상태를 판별하는 음향분석단말기 중 적어도 하나에서 음향신호를 발생하고, 상기 발생된 음향신호를 상기 딥러닝 기반의 하수관 상태를 판별하는 음향분석단말기 중 적어도 하나에서 수신하는 단계;
   c) 상기 발생된 음향신호 및 상기 수신된 음향신호를 기반으로 상기 제어부에서 딥러닝을 통해서 상기 상태를 판별하고자 하는 하수관의 상태를 판별하는 단계;
   를 포함하는 하수관 상태 판별 방법.
5. 제4항에 있어서,
   상기 c) 단계에서 상기 발생된 음향신호 및 상기 수신된 음향신호를 상기 제어부에서 직접 처리하지 않고, 상기 데이터송수신부를 통해 서버컴퓨터로 전송하여 상기 서버컴퓨터에서 딥러닝을 통해서 처리한 후 처리된 결과만을 상기 데이터송수신부로 수신하여 상기 상태를 판별하고자 하는 하수관의 상태를 판별하는 하수관 상태 판별 방법.
6. 제5항에 있어서,
   상기 발생된 음향신호 및 상기 수신된 음향신호를 상기 서버컴퓨터로 전송하기 전에 상기 제어부에서 전처리하는 단계를 포함하는 하수관 상태 판별 방법.
7. 제6항에 있어서,
   상기 전처리하는 단계는 노이즈 제거, 푸리에, 라플라스, 옥타브 밴드 레벨(Octave Band Levels), 샤프니스, 러프니스, 엔벨로프, 기저크기, 토날리티, 변동강도(Fluctuation Strength), 댐핑(Damping), 고유진동수(Natural Frequency) 분석을 통해 특성치를 추출하는 주파수 성분 분석 또는 시간에 따른 변화율 분석 신호 처리를 포함하는 하수관 상태 판별 방법.
8. 제4항에 있어서,
   상기 발생된 음향신호는 화이트 노이즈, 핑크 노이즈음, 브라운 노이즈, 임펄스를 포함하는 신호인 하수관 상태 판별 방법.
9. 제5항에 있어서,
   상기 c) 단계에서 상기 발생된 음향신호 및 상기 수신된 음향신호를 상기 데이터송수신부를 통해 서버컴퓨터로 전송할 때, 상기 a) 단계의 하수관의 위치 정보와 함께 하수관 종합관리 시스템에도 전송하는 하수관 상태 판별 방법.
10. 제9항에 있어서,
    상기 서버컴퓨터로 전송하여 상기 서버컴퓨터에서 딥러닝을 통해서 처리된 결과도 상기 하수관 종합관리 시스템에 전송하는 하수관 상태 판별 방법.
11. 제5항에 있어서,
    상기 b) 단계에서 시각 및 이와 동기화된 상기 발생된 음향신호 및 상기 수신된 음향신호를 상기 딥러닝 기반의 하수관 상태를 판별하는 음향분석단말기에 저장하며,
    상기 c) 단계에서 상기 음향분석단말기에 저장된 시각 및 이와 동기화된 상기 발생된 음향신호 및 상기 수신된 음향신호를 유선 또는 무선 통신이 가능한 때에 유선 또는 무선 방식으로 서버컴퓨터로 전송하는 하수관 상태 판별 방법.
12. 제4항에 있어서,
    상기 딥러닝은 CNN(Convolution Neural Network), DNN(Deep Neural Network), RNN, DBN, LSTM, GAN, Softmax 모델 중에 적어도 하나이며, CNN일 경우 convolutional layer와 fully connected layer, Softmax의 순서로 구성되고, 상기 convolutional layer 뒤에 max pooling layer가 존재하는 하수관 상태 판별 방법.
13. 제4항에 있어서,
    상기 딥러닝에 의해서 판별하는 결과는 하수관의 길이, 관의 형태 등의 하수관의 정보, 하수관의 파손 유무, 파손 위치, 침전물 유무 및 침전물의 위치 정보를 포함하는 하수관 상태 판별 방법.
14. 제4항에 있어서,
    상기 딥러닝에 의해서 처리된 결과를 상기 디스플레이부를 통하여 표시하는 하수관 상태 판별 방법.
15. 제4항에 있어서,
    상기 딥러닝은 상기 하수관에 대한 지리적 정보를 포함한 정보 및 상기 수집된 데이터와 하수관의 상태에 대해서 이미 학습이 된 것인 하수관 상태 판별 방법.
16. 제4항에 있어서,
    수집된 음향신호를 포함하는 데이터 및 처리된 결과를 서버컴퓨터에 저장하여 학습용 데이터베이스를 구축하는 단계가 부가되는 것인 하수관 상태 판별 방법.
17. 제16항에 있어서,
    상기 처리된 결과와 실제 하수관 누수 및 침전물 진단의 비교 결과를 사람이 상기 서버컴퓨터로 피드백 하여 상기 학습용 데이터베이스가 계속 갱신되고 상기 갱신된 데이터베이스는 상기 딥러닝의 재학습 자료로 사용되는 것인 하수관 상태 판별 방법.

Images