KR20220009058A - 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법 및 그 인공지능부 - Google Patents

케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법 및 그 인공지능부 Download PDF

Info

Publication number
KR20220009058A
KR20220009058A KR1020200087286A KR20200087286A KR20220009058A KR 20220009058 A KR20220009058 A KR 20220009058A KR 1020200087286 A KR1020200087286 A KR 1020200087286A KR 20200087286 A KR20200087286 A KR 20200087286A KR 20220009058 A KR20220009058 A KR 20220009058A
Authority
KR
South Korea
Prior art keywords
cable
artificial intelligence
data
monitoring system
supported
Prior art date
Application number
KR1020200087286A
Other languages
English (en)
Other versions
KR102529849B1 (ko
Inventor
박성우
정지숙
김일환
박시현
신원규
김기중
Original Assignee
국토안전관리원
(주)세니츠코퍼레이션
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 국토안전관리원, (주)세니츠코퍼레이션 filed Critical 국토안전관리원
Priority to KR1020200087286A priority Critical patent/KR102529849B1/ko
Publication of KR20220009058A publication Critical patent/KR20220009058A/ko
Application granted granted Critical
Publication of KR102529849B1 publication Critical patent/KR102529849B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0008—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of bridges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0066—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by exciting or detecting vibration or acceleration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G01P15/003—Kinematic accelerometers, i.e. measuring acceleration in relation to an external reference frame, e.g. Ferratis accelerometers
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Bridges Or Land Bridges (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

본 발명은 복수의 케이블에 의하여 지지되는 교량에 구비된 케이블의 일측에 설치되어 상기 케이블의 변위에 따른 가속도 데이터를 측정하는 가속도계와; 상기 가속도계에 의하여 측정된 상기 케이블의 변위에 따른 가속도 데이터에 인공지능 기법을 적용하여 추출된 주파수 중에서 비정상 고유 진동수를 필터링하여 모드별 유효 고유진동수를 선정하는 인공지능부와; 선정된 상기 유효 고유진동수를 이용하여 상기 케이블에 가해지는 장력을 계산하는 산출부와; 상기 산출부에서 산출된 상기 케이블에 가해지는 장력과 기존의 상기 케이블 관리에 사용되는 기준 장력을 비교하여 적정성 여부를 검증하는 비교부를; 포함한 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법으로서, 진동수, 진폭, 시간, 온도와 같은 데이터가 입력되는 제1단계와; 입력된 상기 데이터를 필터링하여 유효한 데이터를 선별하는 제2단계와; 선별된 상기 데이터를 바탕으로 고유진동 모드의 차수를 표현하는 제3단계를; 포함한 것을 특징으로 하는 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법을 제시한다.

Description

케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법 및 그 인공지능부{LEARNING METHOD OF ARTIFICIAL INTELLIGENCE PART FOR MONITORING SYSTEM OF CABLE-SUPPORTED BRIDGE AND THE ARTIFICIAL INTELLIGENCE PART}
본 발명은 건설 분야에 관한 것으로서, 상세하게는 케이블 지지 교량 모니터링 시스템의 인공지능 학습방법에 관한 것이다.
사장교, 현수교와 같은 케이블지지 교량(이하 "교량")은 국가사회간접시설의 핵심이 되는 도로의 주요 시설물로서, 설정한 설계수명 동안 안전하게 기능을 수행할 수 있도록 설계되어, 공용기간 동안의 안정성과 사용성이 확보되도록 하고 있다. 이러한 교량은 시간이 경과함에 따라 교통 환경의 변화 및 재료의 열화 등과 같은 다양한 원인에 의해 손상을 받게 되므로, 적절한 유지 관리를 통해 수명을 연장하는 것이 필요하다.
특히, 교량의 전체적인 거동을 나타내는 케이블에 가해지는 장력은, 교량의 성능 저하, 노후도를 판단하는 근거로서 교량의 건전성 평가에 있어서 중요한 지표가 되므로, 교량의 케이블에 가해지는 장력을 주기적으로 모니터링 하여 안전성을 확보하는 것은 중요한 과제가 되고 있다.
이를 위하여 케이블에 의하여 지지되는 교량에서 케이블의 가속도 계측 데이터를 통하여 교량의 거동을 분석함에 있어서 인공지능 기법을 적용하여 면밀하게 분석이 이루어지도록 하여 교량의 전체적인 거동을 모니터링하여 교량이 안정적으로 지지되도록 할 필요성이 요구되고 있다.
이를 위한 종래의 기술을 살펴보면, 종래의 실시간 학습과 호출을 위한 인공지능 시스템 및 그 처리 방법(공개번호 제10-2019-0082645호)은 각각의 레거시 시스템으로부터 인공지능 서버로의 데이터 스트리밍전송을 데이터 핸들링 장치를 경유하여 수행하도록 설계되어 있으나, 이러한 종래 기술은 스트리밍 방식으로 전송된 데이터가 필터링없이 그대로 사용되고 있기 때문에 데이터에 대한 신뢰도가 저하된다는 문제점이 있다.
그리고, 종래의 인공지능 자가 학습 로봇(공개번호 제10-2018-0114537호)은 인식 결과 검증부의 판단 결과 매칭 결과의 정확도가 기 정해진 레벨 미만인 경우에 데이터 수신부로부터 수신된 데이터를 서버로 전송하도록 하고, 인식 결과 검증부의 판단 결과 매칭 결과의 정확도가 기 정해진 레벨 이상인 경우에 자가 학습 로봇이 기 설정된 사물 대응 행동을 수행하도록 함으로써 인공지능을 이용한 매칭 결과의 정확도에 따라 로봇의 행동을 제어하도록 설계되어 있으나, 이러한 종래 기술은 로봇의 행동 제어에 관한 것이므로 본 발명의 사장교 모니터링 시스템에 적용하기가 쉽지 않다는 문제점이 있다.
따라서, 사장교 및 현수교 계측 시스템의 방대한 계측 데이터를 활용함으로써 고도의 분석기술의 적용을 활성화시킴과 동시에 인공지능을 이용하여 계측분석 기술자와 동등 이상의 분석 성능을 확보하여 기존 계측 분석에 의한 교량의 동적거동 분석 알고리즘의 기능적 신뢰성을 향상시키기 위한 필요성이 점점 대두되고 있는 실정이다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 도출된 것으로서, 케이블에 의하여 지지되는 케이블 지지 교량(사장교, 현수교)와 같은 방대한 구조물에서 케이블의 가속도 계측 데이터를 통하여 교량의 거동을 분석함에 있어서 인공지능 기법을 적용하여 면밀하게 분석함으로써 교량의 전체적인 거동을 모니터링하여 교량이 안정적으로 지지되도록 함으로써 안전사고를 미연에 방지할 수 있도록 하는 케이블 지지 교량 모니터링 시스템의 인공지능 학습방법을 제시하는 것을 그 목적으로 한다.
상기 과제의 해결을 위하여, 본 발명은 복수의 케이블에 의하여 지지되는 교량에 구비된 케이블의 일측에 설치되어 상기 케이블의 진동에 따른 가속도 데이터를 측정하는 가속도계와; 상기 가속도계에 의하여 측정된 상기 케이블의 진동에 따른 가속도 데이터에 인공지능 기법을 적용하여 추출된 주파수 중에서 비정상 고유 진동수를 필터링하여 모드별 유효 고유진동수를 선정하는 인공지능부와; 선정된 상기 유효 고유진동수를 이용하여 상기 케이블에 가해지는 장력을 계산하는 산출부와; 상기 산출부에서 산출된 상기 케이블에 가해지는 장력과 기존의 상기 케이블 관리에 사용되는 기준 장력을 비교하여 적정성 여부를 검증하는 비교부를; 포함한 케이블지지 교량 모니터링 시스템의 인공지능부 학습방법으로서, 진동수, 진폭, 시간, 온도와 같은 데이터가 입력되는 제1단계와; 입력된 상기 데이터를 필터링하여 유효한 데이터를 선별하는 제2단계와; 선별된 상기 데이터를 바탕으로 고유진동 모드의 차수를 표현하는 제3단계를; 포함한 것을 특징으로 하는 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법을 제시한다.
여기서, 상기 제1단계는 학습해야할 데이터를 선별하여 선정하고 유효하지 않는 데이터를 필터링하는 과정을 포함할 수 있다.
그리고, 상기 제1단계는 학습해야 할 데이터의 본질만 남겨두고, 학습에 방해가 되는 요소를 제거하여 학습에 맞도록 상기 데이터를 변형시키는 데이터 전처리 과정을 추가로 진행하도록 할 수 있다.
아울러, 상기 제2단계는 상기 데이터를 필터링하여 유효한 데이터를 선별하는 은닉층의 개수를 설정하는 단계를 더 진행하도록 할 수 있다.
또한, 상기 제3단계는 출력값을 0에서 1 사이의 실수로 표현하며, 모든 출력값의 합이 1이 되도록 설정된 소프트맥스 함수를 활용하여 고유진동 모드 여부를 판정하도록 할 수 있다.
아울러, 상기 제3단계에서 고유진동 모드 여부를 판정시에는 고유진동수 피크치의 경계 영역에 의하여 고유진동 모드를 선정할 수 있다.
그리고, 상기 제3단계에서 고유진동 모드 여부를 판정시에는 진동수와 진폭의 분포 영역의 형태를 활용하여 고유진동 모드의 패턴을 인식함으로써 고유진동 모드를 선정할 수 있다.
상기 과제의 해결을 위하여, 본 발명은 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법이 수행되는 케이블 지지 교량 모니터링 시스템의 인공지능부로서, 상기 인공지능부는 인공신경망 알고리즘으로 구현되며 진동수, 진폭, 시간, 온도와 같은 데이터가 입력되는 입력층과, 상기 입력층에서 입력된 상기 데이터를 필터링하여 유효한 데이터를 선별하는 은닉층과, 상기 은닉층에서 선별된 상기 데이터를 바탕으로 고유진동 모드의 차수를 표현하는 출력층으로 구성되는 심층신경망으로 이루어진 것을 특징으로 하는 케이블 지지 교량 모니터링 시스템의 인공지능부를 제공한다.
본 발명은 케이블에 의하여 지지되는 케이블 지지 교량(사장교, 현수교)와 같은 방대한 구조물에서 케이블의 가속도 계측 데이터를 통하여 교량의 거동을 분석함에 있어서 인공지능 기법을 적용하여 면밀하게 분석함으로써 교량의 전체적인 거동을 모니터링하여 케이블 지지 교량이 안정적으로 지지되도록 함으로써 안전사고를 미연에 방지할 수 있도록 하는 효과가 있다.
그리고, 본 발명은 케이블 지지 교량(사장교, 현수교)의 거동을 분석함에 있어서 반복적으로 학습이 이루어진 인공지능을 적용하여 분석이 이루어지도록 함으로써 분석 결과에 대한 신뢰도를 향상시킬 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 케이블 지지 교량 모니터링 시스템의 연결구조를 개략적으로 도시한 개략도이고,
도 2는 도 1의 케이블 지지 교량 모니터링 시스템의 인공지능부의 구성을 개략적으로 도시한 개략도이며,
도 3은 도 1의 인공지능부에서 가속도 데이터에 인공지능 기법을 적용하여 유효 고유동진수를 선정하는 과정을 도시한 개념도이며,
도 4는 도 2의 케이블 지지 교량 모니터링 시스템의 인공지능부의 학습방법을 순차적으로 기재한 흐름도이고,
도 5는 본 발명의 일 실시예에 따른 케이블 지지 교량 모니터링 시스템을 이용하여 케이블 지지 교량을 모니터링하는 과정을 개략적으로 도시한 개략도이고,
도 6은 본 발명의 일 실시예에 따른 케이블 지지 교량 모니터링 시스템을 이용하여 케이블 지지 교량을 모니터링하는 과정을 순차적으로 기재한 흐름도이다.
이하, 첨부도면을 참조하여 본 발명의 실시예에 관하여 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 케이블 지지 교량 모니터링 시스템의 연결구조를 개략적으로 도시한 개략도이고, 도 2는 도 1의 케이블 지지 교량 모니터링 시스템의 인공지능부의 구성을 개략적으로 도시한 개략도이며, 도 3은 도 1의 인공지능부에서 가속도 데이터에 인공지능 기법을 적용하여 유효 고유동진수를 선정하는 과정을 도시한 개념도이며, 도 4는 도 2의 케이블 지지 교량 모니터링 시스템의 인공지능부의 학습방법을 순차적으로 기재한 흐름도이고, 도 5는 본 발명의 일 실시예에 따른 케이블 지지 교량 모니터링 시스템을 이용하여 케이블 지지 교량을 모니터링하는 과정을 개략적으로 도시한 개략도이고, 도 6은 본 발명의 일 실시예에 따른 케이블 지지 교량 모니터링 시스템을 이용하여 케이블 지지 교량을 모니터링하는 과정을 순차적으로 기재한 흐름도이다.
우선, 도 1에 도시한 바와 같이, 본 발명에 따른 케이블 지지 교량 모니터링 시스템의 전체적인 구성은, 복수의 케이블에 의하여 지지되는 교량에 구비된 케이블의 일측에 설치되어 상기 케이블의 진동에 따른 가속도 데이터를 측정하는 가속도계(100)와; 상기 가속도계(100)에 의하여 측정된 상기 케이블의 진동에 따른 가속도 데이터에 인공지능 기법을 적용하여 추출된 주파수 중에서 비정상 고유 진동수를 필터링하여 모드별 유효 고유진동수를 선정하는 인공지능부(200)와; 선정된 상기 유효 고유진동수를 이용하여 상기 케이블에 가해지는 장력을 계산하는 산출부(300)와; 상기 산출부(300)에서 산출된 상기 케이블에 가해지는 장력과 기존의 상기 케이블 관리에 사용되는 기준 장력을 비교하여 적정성 여부를 검증하는 비교부(400)를; 포함하여 구성되어 있다.
교량에 구비된 케이블의 일측에 설치되는 가속도계(100)는 케이블 지지 교량(사장교, 현수교)를 지지하는 케이블의 고유진동수, 감쇠 등 주기적 동적 특성을 확인하기 위하여 설치되는 장치이다.
인공지능부(200)는 가속도계(100)에 의하여 측정된 상기 케이블의 진동에 따른 가속도 데이터에 인공지능 기법을 적용하여 추출된 주파수 중에서 비정상 고유 진동수를 필터링하여 모드별 유효 고유진동수를 선정하는 역할을 한다.
도 3에 도시된 바와 같이, 인공지능부(200)를 이용하여 추출된 주파수 중에서 비정상 고유 진동수를 필터링하여 모드별 유효 고유진동수를 선정시에는 PP기법으로 계측된 응답신호를 퓨리에 변환시킴으로써 상기 유효 고유진동수를 선정하게 된다.
교량 계측시스템의 가속도 데이터는 응답 신호를 이용하여 고유 특성치를 추출하는 방법이 적용되고 있으며, 고유치 추출기법은 PP기법(peak-picking)으로서 계측된 응답신호를 퓨리에 변환(Fourier transformation)시켜서 스펙트럼의 첨두 주파수를 고유진동수로 취하게 된다.
주파수 분석 및 진동수 피크 추출 모듈을 이용하여 진동수의 피크치를 추출하고 여러 시간대의 진동수를 동일한 그래프에 표현하고, 이러한 과정을 시간대별로 확대하면 가속도계의 진동수 피크치가 유사한 진동수의 영역에 분포되는 특성을 확인할 수 있다.
고유진동수는 케이블의 진동 특성에 의해 일정한 진동수에 대한 경계 범위를 형성하게 되며 고유진동수의 경계 범위는 인공지능 학습용 데이터의 구축을 위한 기준으로 활용될 수 있다.
이러한 케이블의 진동 특성은 에너지법칙에 근거하여 각 고유진동수는 모드 차수별로 등간격으로 분포하게 되는데, 이러한 특성은 가속도계의 동적 특성 분석에 의해 확인되며 충분한 학습용 데이터가 만들어질 경우에 케이블의 진동 모드에 대한 피크치는 명확해지게 된다.
도 2에 도시된 바와 같이, 이러한 인공지능부(200)는 인공신경망 알고리즘으로 구현되며 진동수, 진폭, 시간, 온도와 같은 데이터가 입력되는 입력층(210)과, 상기 입력층(210)에서 입력된 상기 데이터를 필터링하여 유효한 데이터를 선별하는 은닉층(220)과, 상기 은닉층(220)에서 선별된 상기 데이터를 바탕으로 고유진동 모드의 차수를 표현하는 출력층(230)으로 구성되는 심층신경망으로 이루어진다.
입력층(210)은 학습용 데이터의 주요 변수 항목인 진동수, 진폭을 우선 고려하였으며, 이후 시간, 온도 등에 대하여 추가로 설정할 수 있도록 하며, 입력 데이터는 학습에 맞도록 변형시키는 데이터 전처리 과정을 수행하게 된다.
데이터 전처리는 주로 학습 데이터의 본질만을 남겨두고, 학습에 방해가 되는 요소를 제거하는 역할을 하게 되며, 이러한 데이터 전처리를 위해 가장 간편하고 보편적인 방법인 스케일링 기법을 적용한다.
은닉층(220)을 구현하기 위해서는 은닉층의 개수 설정, 활성화함수 선택 및 신경망 가중치값의 초기화가 필요하다.
인공신경망에서는 다양한 문제들을 은닉층을 하나만 설정하여도 원하는 결과를 얻을 수 있는데, 이는 은닉층이 하나인 신경망도 뉴런 수가 충분하면 아주 복잡한 함도도 모델링 할 수 있기 때문이다.
하지만, 심층신경망을 이용하여 복잡한 모델링을 하는 경우에는 얕은 신경망보다 휠씬 적은 수의 뉴런의 사용으로 더욱 빠르게 훈련이 가능하기 때문에 복잡한 문제의 경우에는 과대적합이 생길 때까지 점진적으로 은닉층(220)의 개수를 늘리면서 검토하는 것이 바람직하다.
입력층(210)과 출력층(230)의 뉴런 수는 해당 작업에 필요한 입력과 출력의 형태에 따라 결정되며, 은닉층(220)의 구성 방식은 일반적으로 각 층의 뉴런을 점점 줄여서 깔대기처럼 구성하는데 저수준의 많은 특성이 고수준의 적은 특성으로 합쳐질 수 있기 때문이다.
은닉층(220)의 활성화 함수는 Sigmoid와 ReLU 활성화 함수를 일반적으로 사용하게 되는데, Sigmoid 함수는 레이어를 깊게 쌓으면 파라미터의 업데이트가 정상적으로 이루어지지 않는 문제를 발생시키기 때문에 이러한 문제를 개선하기 위해 본 발명의 은닉층(220)의 경우에는 ReLU 활성화 함수를 사용한다.
이러한 ReLU 활성화 함수는 출력에 대한 최대값이 없다는 점에서 다른 활성화 함수보다는 계산이 조금 더 빠르다는 효과가 있으며, 결과에 대한 예측률이 높다는 장점도 있다.
출력층(230)은 노드수가 3으로 지정되어 있는데, 이러한 출력층(230)에는 고유진동 모드의 차수를 표현하게 되는데, 모드 차수를 바로 표현하는 것이 아니라 소프트맥스 함수를 활용하여 확률에 의해 모드의 확률값을 출력하게 되고, 이 출력값의 분석에 의해 고유진동 모드의 차수를 결정하는 방식이 사용된다.
출력층의 활성화 함수로 사용하는 소프트맥스 함수는 분류와 회귀 모델의 두 종류에 모두 사용 가능하지만 분류 모델에 더욱 좋은 결과를 보이는 특징이 있다. 따라서, 고유진동 모드를 추정하는 기능은 데이터의 분류 기능에 의해 출력되는 구조이므로 소프트맥스 함수의 이용이 적정하게 된다.
소프트맥스 함수는 출력값을 0에서 1.0 사이의 실수로 표현하는 구조이며, 소프트맥스 함수에 의한 모든 출력값의 합은 1이 되도록 설정되어 있는데, 출력값의 합이 1이 된다는 것은 소프트맥스 함수의 중요한 특징에 해당되며 이러한 특징을 활용하여 출력값을 확률로 해석할 수 있게 된다.
이러한 구성을 갖는 본 발명에 따른 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법을 도 4를 참고하여 설명하면 다음과 같다.
우선, 진동수, 진폭, 시간, 온도와 같은 데이터가 입력되는 제1단계(S1)를 진행하는데, 상기 제1단계는 학습해야할 데이터를 선별하여 선정하고 유효하지 않는 데이터를 필터링하는 과정을 포함한다.
데이터 필터링 과정이 완료되면 학습해야 할 데이터의 본질만 남겨두고, 학습에 방해가 되는 요소를 제거하여 학습에 맞도록 상기 데이터를 변형시키는 데이터 전처리 과정을 추가로 진행하게 된다.
그리고, 입력된 상기 데이터를 필터링하여 유효한 데이터를 선별하는 제2단계(S2)를 진행한 후에, 상기 데이터를 필터링하여 유효한 데이터를 선별하는 은닉층의 개수를 설정하는 단계를 더 진행하게 된다.
그 후, 선별된 상기 데이터를 바탕으로 고유진동 모드의 차수를 표현하는 제3단계(S3)를 진행함으로써 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법이 완료된다.
상기 제3단계에서 고유진동 모드 여부를 판정시에는 고유진동수 피크치의 경계 영역에 의하여 고유진동 모드를 선정할 수도 있고, 진동수와 진폭의 분포 영역의 형태를 활용하여 고유진동 모드의 패턴을 인식함으로써 고유진동 모드를 선정할 수도 있다.
한편, 산출부(300)는 선정된 상기 고유진동수를 이용하여 상기 케이블에 가해지는 장력을 계산하는 역할을 한다.
상기 케이블에 가해지는 장력을 계산시에는
Figure pat00001
, 또는
Figure pat00002
와 같은 수식이 사용되는데, 상기 수식은 아래의 장력과 고유진동수 관계를 활용한 수식으로부터 도출된다.
- 아 래 -
Figure pat00003
여기서, T는 장력, w는 단위길이당중량(kN/m), g는 중력가속도(9.82m/s2), L은 유효길이(m), f는 진동수, n은 진동모드이다.
또한, 다중모드를 사용하여 회귀분석을 통하여 T의 값을 구할 수 있으며 아래와 같은 수식을 이용한다.
Figure pat00004
여기서
Figure pat00005
은 n차 모드에 대한 진동수, EI는 케이블의 휨강성으로서, 위의 식에 따라 a와 b를 구하면 그래프상의 기울기(a)와 절편(b)을 통해 장력 T와 휨강성 EI를 산정할 수 있다.
비교부(400)는 산출부(300)에서 산출된 상기 케이블에 가해지는 장력과 기존의 상기 케이블 관리에 사용되는 기준 장력을 비교하여 적정성 여부를 검증하는 역할을 한다.
도 5에 도시된 바와 같이, 인공지능 학습부(500)는 상기 비교부(400)에서 상기 케이블에 가해지는 장력에 대한 검증이 완료되면 반복적으로 상기 인공지능부(200)에서 재학습이 이루어지도록 하여 고유모드에 대한 패턴을 인식하도록 하는 역할을 한다.
인공지능 학습부(500)에서 인공지능부(200)에 학습이 이루어지도록 하는 과정은 케이블에 부착된 가속도계로부터 원시데이터를 FFT에 의해 주파수로 변환하고 진동수와 진폭을 학습 데이터로 구성하여 이를 반복적으로 입력하여 고유진동 모드에 대한 패턴을 인식하는 방법인 사용된다.
관리부(600)는 상기 고유모드에 대한 패턴의 인식이 완료되면 검증 대상 주파수를 입력하여 상기 검증 대상 주파수에 대한 고유진동 모드와 동일 패턴 진동수를 산출함으로써 고유진동 모드를 예측하여 교량의 관리가 지속적으로 이루어지도록 하는 역할을 한다.
이러한 괸리부(600)에서는 인공지능부(200)에 의해 고유진동 모드에 해당하는 진동수의 패턴을 인식하여 학습이 이루어지도록 하고, 학습 모델에 검증용 주파수를 입력할 경우 고유진동 모드와 동일한 패턴의 진동수를 고유진동 모드로 판정하는 방식이 사용된다.
상술한 바와 같은 구성을 갖는 본 발명의 일 실시예에 따른 케이블 지지 교량 모니터링 시스템의 인공지능 학습방법을 이용하여 케이블 지지 교량을 모니터링하는 과정을 도 6을 참조하여 설명하면 다음과 같다.
우선, 교량의 케이블 일측에 설치된 가속도계를 이용하여 상기 교량을 지지하는 케이블의 진동에 따른 가속도 데이터를 측정하여 수집하는 제1단계(S1)를 진행하게 된다.
그리고, 가속도 데이터에 인공지능 기법을 적용하여 추출된 주파수 중에서 비정상 고유 진동수를 필터링하여 모드별 유효 고유진동수를 선정하는 제2단계(S2)를 진행하게 된다.
상기 제2단계에서는 상술한 바와 같이, PP기법으로 계측된 응답신호를 퓨리에 변환시킴으로써 상기 유효 고유진동수를 선정하게 된다.
모드별 유효 고유진동수의 선정이 완료되면 선정된 상기 유효 고유진동수를 이용하여 상기 케이블에 가해지는 장력을 계산하는 제3단계(S3)를 진행하게 된다.
상기 제3단계에서 상기 케이블에 가해지는 장력을 계산시에는
Figure pat00006
또는
Figure pat00007
와 같은 수식이 사용된다.
그 후, 산출된 상기 케이블에 가해지는 장력과 기존의 상기 케이블 관리에 사용되는 기준 장력을 비교하여 적정성 여부를 검증하는 제4단계(S4)를 진행한다.
그리고, 상기 케이블에 가해지는 장력에 대한 검증이 완료되면 반복적으로 인공지능부에서 재학습이 이루어지도록 하여 고유모드에 대한 패턴을 인식하도록 하는 제5단계(S5)를 진행한다.
마지막으로 상기 고유모드에 대한 패턴의 인식이 완료되면 검증 대상 주파수를 입력하여 상기 검증 대상 주파수에 대한 고유진동 모드와 동일 패턴 진동수를 산출함으로써 고유모드를 예측하여 교량의 관리가 지속적으로 이루어지도록 하는 제6단계(S6)를 진행함으로써 케이블 지지 교량 모니터링 시스템의 인공지능 학습방법 이용하여 케이블 지지 교량을 모니터링하는 과정이 완료된다.
상술한 바와 같은 구성을 갖는 본 발명에 따른 케이블 지지 교량 모니터링 시스템의 인공지능 학습방법은 케이블에 의하여 지지되는 교량과 같은 방대한 구조물에서 케이블의 가속도 계측 데이터를 통하여 교량의 거동을 면밀하게 분석함으로써 교량의 전체적인 거동을 정확하게 모니터링하여 교량이 안정적으로 지지되도록 함으로써 안전사고를 미연에 방지할 수 있게 된다.
이상은 본 발명에 의해 구현될 수 있는 바람직한 실시예의 일부에 관하여 설명한 것에 불과하므로, 주지된 바와 같이 본 발명의 범위는 위의 실시예에 한정되어 해석되어서는 안 될 것이며, 위에서 설명된 본 발명의 기술적 사상과 그 근본을 함께 하는 기술적 사상은 모두 본 발명의 범위에 포함된다고 할 것이다.
100 : 가속도계 200 : 인공지능부
210 : 입력층 220 : 은닉층
230 : 출력층 300 : 산출부
400 : 비교부 500 : 인공지능 학습부
600 : 관리부

Claims (8)

  1. 복수의 케이블에 의하여 지지되는 케이블 지지 교량(사장교, 현수교)에 구비된 케이블의 일측에 설치되어 상기 케이블의 진동에 따른 가속도 데이터를 측정하는 가속도계(100)와;
    상기 가속도계(100)에 의하여 측정된 상기 케이블의 진동에 따른 가속도 데이터에 인공지능 기법을 적용하여 추출된 주파수 중에서 비정상 고유 진동수를 필터링하여 모드별 유효 고유진동수를 선정하는 인공지능부(200)와;
    선정된 상기 유효 고유진동수를 이용하여 상기 케이블에 가해지는 장력을 계산하는 산출부(300)와;
    상기 산출부(300)에서 산출된 상기 케이블에 가해지는 장력과 기존의 상기 케이블 관리에 사용되는 기준 장력을 비교하여 적정성 여부를 검증하는 비교부(400)를; 포함한 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법으로서,
    진동수, 진폭, 시간, 온도와 같은 데이터가 입력되는 제1단계(S1)와;
    입력된 상기 데이터를 필터링하여 유효한 데이터를 선별하는 제2단계(S2)와;
    선별된 상기 데이터를 바탕으로 고유진동 모드의 차수를 표현하는 제3단계(S3)를;
    포함한 것을 특징으로 하는 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법.
  2. 제1항에 있어서,
    상기 제1단계는 학습해야할 데이터를 선별하여 선정하고 유효하지 않는 데이터를 필터링하는 과정을 포함하는 것을 특징으로 하는 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법.
  3. 제1항에 있어서,
    상기 제1단계는 학습해야 할 데이터의 본질만 남겨두고, 학습에 방해가 되는 요소를 제거하여 학습에 맞도록 상기 데이터를 변형시키는 데이터 전처리 과정을 추가로 진행하는 것을 특징으로 하는 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법.
  4. 제1항에 있어서,
    상기 제2단계는 상기 데이터를 필터링하여 유효한 데이터를 선별하는 은닉층의 개수를 설정하는 단계를 더 진행하는 것을 특징으로 하는 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법.
  5. 제1항에 있어서,
    상기 제3단계는 출력값을 0에서 1 사이의 실수로 표현하며, 모든 출력값의 합이 1이 되도록 설정된 소프트맥스 함수를 활용하여 고유진동 모드 여부를 판정하는 것을 특징으로 하는 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법.
  6. 제5항에 있어서,
    상기 제3단계에서 고유진동 모드 여부를 판정시에는 고유진동수 피크치의 경계 영역에 의하여 고유진동 모드를 선정하는 것을 특징으로 하는 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법.
  7. 제5항에 있어서,
    상기 제3단계에서 고유진동 모드 여부를 판정시에는 진동수와 진폭의 분포 영역의 형태를 활용하여 고유진동 모드의 패턴을 인식함으로써 고유진동 모드를 선정하는 것을 특징으로 하는 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법.
  8. 제1항 내지 제7항 중 어느 한 항에 따른 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법이 수행되는 케이블 지지 교량 모니터링 시스템의 인공지능부로서,
    상기 인공지능부(200)는 인공신경망 알고리즘으로 구현되며 진동수, 진폭, 시간, 온도와 같은 데이터가 입력되는 입력층(210)과, 상기 입력층(210)에서 입력된 상기 데이터를 필터링하여 유효한 데이터를 선별하는 은닉층(220)과, 상기 은닉층(220)에서 선별된 상기 데이터를 바탕으로 고유진동 모드의 차수를 표현하는 출력층(230)으로 구성되는 심층신경망으로 이루어진 것을 특징으로 하는 케이블 지지 교량 모니터링 시스템의 인공지능부.
KR1020200087286A 2020-07-15 2020-07-15 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법 및 그 인공지능부 KR102529849B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200087286A KR102529849B1 (ko) 2020-07-15 2020-07-15 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법 및 그 인공지능부

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200087286A KR102529849B1 (ko) 2020-07-15 2020-07-15 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법 및 그 인공지능부

Publications (2)

Publication Number Publication Date
KR20220009058A true KR20220009058A (ko) 2022-01-24
KR102529849B1 KR102529849B1 (ko) 2023-05-08

Family

ID=80049819

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200087286A KR102529849B1 (ko) 2020-07-15 2020-07-15 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법 및 그 인공지능부

Country Status (1)

Country Link
KR (1) KR102529849B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781022A (zh) * 2022-03-30 2022-07-22 中国铁建国际集团有限公司 一种智能化体育场索网结构施工管理方法及装置
CN114943108A (zh) * 2022-05-24 2022-08-26 重庆城投基础设施建设有限公司 考虑多因素的公轨两用悬索桥吊索疲劳智能化预测方法
WO2023140708A1 (ko) 2022-01-21 2023-07-27 주식회사 엘지에너지솔루션 전지 모듈 및 이의 제조 방법
KR102560525B1 (ko) 2023-02-27 2023-07-27 주식회사 티엠이앤씨 다경로 영상을 이용한 다수의 교량 케이블의 변위 측정장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19990064682A (ko) * 1999-04-28 1999-08-05 장승필 케이블의 동적 특성을 이용한 교량케이블의 장력 측정장치
KR20200057815A (ko) * 2018-11-13 2020-05-27 한국전력공사 가스터빈 이상 예측 방법 및 이를 이용한 가스터빈 이상 예측 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19990064682A (ko) * 1999-04-28 1999-08-05 장승필 케이블의 동적 특성을 이용한 교량케이블의 장력 측정장치
KR20200057815A (ko) * 2018-11-13 2020-05-27 한국전력공사 가스터빈 이상 예측 방법 및 이를 이용한 가스터빈 이상 예측 장치

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023140708A1 (ko) 2022-01-21 2023-07-27 주식회사 엘지에너지솔루션 전지 모듈 및 이의 제조 방법
CN114781022A (zh) * 2022-03-30 2022-07-22 中国铁建国际集团有限公司 一种智能化体育场索网结构施工管理方法及装置
CN114943108A (zh) * 2022-05-24 2022-08-26 重庆城投基础设施建设有限公司 考虑多因素的公轨两用悬索桥吊索疲劳智能化预测方法
CN114943108B (zh) * 2022-05-24 2024-06-11 重庆城投基础设施建设有限公司 考虑多因素的公轨两用悬索桥吊索疲劳智能化预测方法
KR102560525B1 (ko) 2023-02-27 2023-07-27 주식회사 티엠이앤씨 다경로 영상을 이용한 다수의 교량 케이블의 변위 측정장치

Also Published As

Publication number Publication date
KR102529849B1 (ko) 2023-05-08

Similar Documents

Publication Publication Date Title
KR20220009058A (ko) 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법 및 그 인공지능부
Zhao et al. Digital modeling on the nonlinear mapping between multi‐source monitoring data of in‐service bridges
CN107786369A (zh) 基于irt层次分析和lstm的电力通信网络安全态势感知和预测方法
CN105825271B (zh) 基于证据推理的卫星故障诊断与预测方法
Story et al. A structural impairment detection system using competitive arrays of artificial neural networks
CN114357594B (zh) 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质
CN210924883U (zh) 一种桥梁结构健康监测系统
CN111625988A (zh) 基于深度学习的桥梁健康管理分析与预测系统及方法
Hakim et al. Frequency response function-based structural damage identification using artificial neural networks-a review
CN105550506A (zh) 基于长期实测数据的桥梁风振响应直接预测方法
CN117113729B (zh) 一种基于数字孪生的电力设备在线状态监测系统
CN108053052A (zh) 一种油罐车油气泄漏速度智能监测系统
CN112257914B (zh) 一种基于随机森林的航空安全因果预测方法
CN111783212B (zh) 一种斜拉桥典型损伤识别方法
CN112542049A (zh) 智慧交通综合管控平台
Rageh et al. Automated, strain-based, output-only bridge damage detection
KR102564191B1 (ko) 실시간으로 재난 상황을 감지하고 대응하는 재난 대응 시스템
CN116451514A (zh) 桥梁结构状态评估方法、装置以及电子设备
CN111967308A (zh) 一种在线路面不平度辨识方法及系统
Suryanita et al. Application of neural networks in bridge health prediction based on acceleration and displacement data domain
CN109543894B (zh) 一种核电站松脱部件事前预测系统及预测方法
KR102484568B1 (ko) 인공지능 기법을 활용한 케이블 지지 교량 모니터링 시스템 및 이를 이용한 교량 모니터링 방법
CN116316699A (zh) 一种大电网频率安全态势预测方法、装置及存储介质
CN109359733A (zh) 一种基于变分自编码器的动态系统运行状态建模方法
Yang et al. Forecasting model for urban traffic flow with BP neural network based on genetic algorithm

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant