Search

KR-20260060624-A - A system and method for predicting port facility displacement using multiple sensor time series data, and a recording medium recording a computer-readable program for executing the method

KR20260060624AKR 20260060624 AKR20260060624 AKR 20260060624AKR-20260060624-A

Abstract

다종 센서 시계열 데이터 활용 항만시설 변위 예측 시스템은 측정부, 데이터 처리부, 단기 상태 유닛 블록부, 장기 상태 유닛 블록부, 및 변위 예측부를 포함한다. 측정부는 시설물의 부재에 대해 온도 및 복수 위치에서의 변위를 측정하고, 데이터 처리부는 측정부에 의해 측정된 시계열 데이터를 부재에 대응하여 그룹화하고, 부재상의 각각의 센서에 대응하여 미리 설정된 기준에 따라 단기 데이터와 장기 데이터로 분리하고, 단기 상태 유닛 블록부는 저장된 상태값과 입력되는 데이터를 이용하여 현재 상태값을 산출하는 복수의 상태 유닛을 포함하고 순차적으로 입력되는 단기 데이터에 대응하여 단기 상태값을 출력하고, 장기 상태 유닛 블록부는 복수의 상태 유닛을 포함하고 순차적으로 입력되는 장기 데이터에 대응하여 장기 상태값을 출력하며, 변위 예측부는 단기 상태값과 장기 상태값을 이용하여 부재상의 변위 센서의 예측값을 생성한다.

Inventors

  • 심승보
  • 민지영

Assignees

  • 한국건설기술연구원

Dates

Publication Date
20260506
Application Date
20241025

Claims (13)

  1. 시설물의 부재에 대해 온도 및 복수 위치에서의 변위를 측정하는 측정부; 상기 측정부에 의해 측정된 시계열 데이터를 상기 부재에 대응하여 그룹화하고, 부재상의 각각의 센서에 대응하여 미리 설정된 기준에 따라 단기 데이터와 장기 데이터로 분리하는 데이터 처리부; 저장된 상태값과 입력되는 데이터를 이용하여 현재 상태값을 산출하는 복수의 상태 유닛을 포함하고, 순차적으로 입력되는 상기 단기 데이터에 대응하여 단기 상태값을 출력하는 단기 상태 유닛 블록부; 복수의 상기 상태 유닛을 포함하고, 순차적으로 입력되는 상기 장기 데이터에 대응하여 장기 상태값을 출력하는 장기 상태 유닛 블록부; 및 상기 단기 상태값과 상기 장기 상태값을 이용하여 상기 부재상의 변위 센서의 예측값을 생성하는 변위 예측부를 포함하는 것을 특징으로 하는 다종 센서 시계열 데이터 활용 항만시설 변위 예측 자동화 시스템.
  2. 청구항 1에 있어서, 상기 장기 데이터는 미리 설정된 기간에 대응하는 이동평균값의 데이터인 것을 특징으로 하는 다종 센서 시계열 데이터 활용 항만시설 변위 예측 자동화 시스템.
  3. 청구항 2에 있어서, 상기 단기 데이터는 상기 시계열 데이터에서 상기 장기 이동평균값을 뺀 값의 데이터인 것을 특징으로 하는 다종 센서 시계열 데이터 활용 항만시설 변위 예측 자동화 시스템.
  4. 청구항 3에 있어서, 상기 단기 상태 유닛 블록부 및 상기 장기 상태 유닛 블록부는, 상기 상태 유닛이, 동시에 입력되는 시계열 데이터의 수인 N번 나열된 형태가 D번 적층되도록 형성되는 것을 특징으로 하는 다종 센서 시계열 데이터 활용 항만시설 변위 예측 자동화 시스템.
  5. 청구항 4에 있어서, 상기 N 및 D를 최적화하도록 상기 단기 상태 유닛 블록부 및 상기 장기 상태 유닛 블록부를 훈련하는 훈련부를 더 포함하는 것을 특징으로 하는 다종 센서 시계열 데이터 활용 항만시설 변위 예측 자동화 시스템.
  6. 청구항 5에 있어서, 상기 변위 예측부는, 상기 단기 상태값과 상기 장기 상태값을 더하여 상기 부재에서의 변위 특징값을 산출하는 특징값 산출부; 및 상기 특징값을 이용하여 상기 변위 센서의 예측값을 산출하는 예측값 산출부를 포함하는 것을 특징으로 하는 다종 센서 시계열 데이터 활용 항만시설 변위 예측 자동화 시스템.
  7. 다종 센서 시계열 데이터 활용 항만시설 변위 예측 자동화 시스템에 의해 수행되는 다종 센서 시계열 데이터 활용 항만시설 변위 예측 자동화 방법으로서, 시설물의 부재에 대해 온도 및 복수 위치에서의 변위를 측정하는 측정 단계; 상기 측정 단계에서 측정된 시계열 데이터를 상기 부재에 대응하여 그룹화하고, 부재상의 각각의 센서에 대응하여 미리 설정된 기준에 따라 단기 데이터와 장기 데이터로 분리하는 데이터 처리 단계; 저장된 상태값과 입력되는 데이터를 이용하여 현재 상태값을 산출하는 복수의 상태 유닛을 포함하는 단기 상태 유닛 블록부를 이용하여, 순차적으로 입력되는 상기 단기 데이터에 대응하여 단기 상태값을 출력하는 단기 상태값 출력 단계; 복수의 상기 상태 유닛을 포함하는 장기 상태 유닛 블록부를 이용하여, 순차적으로 입력되는 상기 장기 데이터에 대응하여 장기 상태값을 출력하는 장기 상태값 출력 단계; 및 상기 단기 상태값과 상기 장기 상태값을 이용하여 상기 부재상의 변위 센서의 예측값을 생성하는 변위 예측 단계를 포함하는 것을 특징으로 하는 다종 센서 시계열 데이터 활용 항만시설 변위 예측 자동화 방법.
  8. 청구항 7에 있어서, 상기 장기 데이터는 미리 설정된 기간에 대응하는 이동평균값의 데이터인 것을 특징으로 하는 다종 센서 시계열 데이터 활용 항만시설 변위 예측 자동화 방법.
  9. 청구항 8에 있어서, 상기 단기 데이터는 상기 시계열 데이터에서 상기 장기 이동평균값을 뺀 값의 데이터인 것을 특징으로 하는 다종 센서 시계열 데이터 활용 항만시설 변위 예측 자동화 방법.
  10. 청구항 9에 있어서, 상기 단기 상태 유닛 블록부 및 상기 장기 상태 유닛 블록부는, 상기 상태 유닛이, 동시에 입력되는 시계열 데이터의 수인 N번 나열된 형태가 D번 적층되도록 형성되는 것을 특징으로 하는 다종 센서 시계열 데이터 활용 항만시설 변위 예측 자동화 방법.
  11. 청구항 10에 있어서, 상기 N 및 D를 최적화하도록 상기 단기 상태 유닛 블록부 및 상기 장기 상태 유닛 블록부를 훈련하는 훈련 단계를 더 포함하는 것을 특징으로 하는 다종 센서 시계열 데이터 활용 항만시설 변위 예측 자동화 방법.
  12. 청구항 5에 있어서, 상기 변위 예측 단계는, 상기 단기 상태값과 상기 장기 상태값을 더하여 상기 부재에서의 변위 특징값을 산출하는 특징값 산출 단계; 및 상기 특징값을 이용하여 상기 변위 센서의 예측값을 산출하는 예측값 산출 단계를 포함하는 것을 특징으로 하는 다종 센서 시계열 데이터 활용 항만시설 변위 예측 자동화 방법.
  13. 청구항 7 내지 청구항 12 중 어느 한 청구항의 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체.

Description

다종 센서 시계열 데이터 활용 항만시설 변위 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 {A system and method for predicting port facility displacement using multiple sensor time series data, and a recording medium recording a computer-readable program for executing the method} 본 발명은 시설물 관리 관련 기술에 관한 것으로서, 더욱 상세하게는 센서의 데이터를 이용하여 항만시설의 변위를 예측하기 위한 시스템 및 방법에 관한 것이다. 태풍, 지진 등 재해 발생 시 항만시설의 직접적인 피해와 더불어 시설운영 중단으로 인한 화물처리 지연 등의 간접적인 피해가 발생한다. 특히, 기후변화로 인한 태풍의 발생 빈도 및 규모의 증가로, 시설물 설계기준을 상회하는 고파랑이 발생하고 이로 인한 피해사례가 증가하고 있다. 시설물은 열화에 의해 시간이 경과할수록 노후화되는 반면, 전세계 선박의 대형화 추세에 따라 시설물이 처리할 수 있는 최대 성능을 초과한 선박들이 입항하는 사례가 빈번히 발생하여, 시설물의 안전 확보를 위한 모니터링 및 감시체계의 중요도가 증가 중이다. 또한, 항만시설물은 점검 전문인력에 의해 정기적으로 관리되나, 고령화 및 근로환경 변화로 인해 외업 및 고위험 업무에 대한 작업자 공동화 현상이 심화되고 있다. 시설물의 노후화가 심화될수록 점검자에 대한 수요는 증가할 것이므로, 고령화 및 공동화에 의한 파장은 급격하게 증가할 것으로 예상된다. 한편, 4차 산업혁명 기술 등 신기술을 활용하여 외곽시설, 접안시설 및 크레인 등 상부시설에 대한 위험요소를 최소화하고 피해를 예방할 수 있는 종합적인 관리체계 구축에 대한 수요가 증가하고 있다. 현재 인력이 수행하고 있는 점검항목 중 센서, 드론 등 장치·장비를 통해 대체 가능한 항목에 대하여 우선적으로 기술 개발을 추진하고 있다. 센서를 활용하여 항만시설물의 활동, 경사/전도, 침하, 케이슨·블록간 이격거리 등을 측정할 수 있으며, 이는 항만시설물의 안전성과 관련한 중대한 결함에 해당하여 세심한 시간이력 관리가 필요하다. 활동, 경사/전도, 침하, 케이슨·블록간 이격거리는 모두 시설물의 변위(선형변위, 회전변위)와 관련된 물리량에 해당한다. 종래의 기술에는 다음과 같은 한계와 문제점이 있다. 일반적으로 항만시설은 인력을 통한 수동 점검을 통해 정기적으로 관리되고 있다. 활동, 견사/전도, 침하는 측량 및 연직추를 활용하여 측정하고, 이격거리는 자를 이용하여 측정한다. 점검은 반기별로 1회 단순 육안점검이 수행되고, 2~5년간 1회 측량이 수행되어, 시간 이력관리가 어려우며, 점검자, 장비, 측정기준점 등에 의한 오차 발생 확율이 높아 데이터 정밀도 및 정확도에 대한 신뢰도가 낮다. 또한, 센서로부터 계측된 시계열 데이터를 활용한 변위예측 기술이 부재하다. 따라서, 현재 상태를 기준으로 구조물의 변형 여부 및 안전성만 판단하여 미래 상태에 대한 예측을 수행하지 않으므로, 선제적인 유지관리 전략 수립이 어려움이 있다. 또한, 점검자의 공학적 판단과 현재까지 측정한 데이터를 기반으로 미래 상태를 예측함에 따라 예측 결과에 대한 객관성 확보가 어려울뿐만 아니라, 전체 프로세스가 수동으로 진행되어 작업의 생산성 및 효율성이 낮다. 도 1은 본 발명의 일 실시예에 따른 다종 센서 시계열 데이터 활용 항만시설 변위 예측 시스템의 개략적인 블록도. 도 2 및 도 3은 각각 계측 신호의 장기 변동성 및 단기 변동성의 예를 도시한 도면. 도 4는 본 발명의 개요를 도시한 도면. 도 5는 서로 다른 부재에 부착된 계측센서 그룹을 도시한 도면. 도 6은 본 발명에서의 시계열 데이터의 구성의 예를 도시한 도면. 도 7은 변위 예측을 위한 GRU 기반 신경망 모델을 도시한 도면. 도 8은 Sensor group 1의 거동 예측 결과를 출력한 도면. 도 9는 Sensor group 2의 거동 예측 결과를 출력한 도면. 이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 설명한다. 도 1은 본 발명의 일 실시예에 따른 다종 센서 시계열 데이터 활용 항만시설 변위 예측 시스템의 개략적인 블록도이다. 도 1에서 다종 센서 시계열 데이터 활용 항만시설 변위 예측 시스템은 측정부(110), 데이터 처리부(120), 단기 상태 유닛 블록부(130), 장기 상태 유닛 볼록부(140), 변위 예측부(150), 훈련부(160)를 포함한다. 또한, 변위 예측부(150)는 다시 특징값 산출부(152), 및 예측값 산출부(154)를 포함한다. 측정부(110)는 시설물의 부재에 대해 온도 및 복수 위치에서의 변위를 측정하고, 데이터 처리부(120)는 측정부에 의해 측정된 시계열 데이터를 부재에 대응하여 그룹화하고, 부재상의 각각의 센서에 대응하여 미리 설정된 기준에 따라 단기 데이터와 장기 데이터로 분리한다. 이때, 장기 데이터는 미리 설정된 기간에 대응하는 이동평균값의 데이터일 수 있고, 단기 데이터는 시계열 데이터에서 장기 이동평균값을 뺀 값의 데이터일 수 있다. 이와 같은 구성에 의하면, 설정된 기간에 대응하는 시계열 데이터의 단기 및 장기 특성을 반영하여 센서의 변위를 예측할 수 있게 된다. 보다 구체적으로, 시설물은 다양한 부재로 구성되어 있으며, 각 부재는 유사한 거동을 한다. 예를 들어, 케이슨식 안벽의 경우, 케이슨 단위별로 일체 혹은 유사한 거동을 한다. 유사한 거동을 하는 부재에는 경사, 침하(단차), 활동, 이격거리, 온도 등 다양한 물리량을 측정하는 센서를 부착할 수 있으며, 각 센서는 서로 다른 정밀도, 정확도 등 성능을 가지고 있으며, 장기간 모니터링 수행 시 환경 변화에 의해 계측 신호에 서로 다른 수준이긴 하나 유사한 패턴이 발생하게 된다. 패턴은 일별 온도에 의한 단기 변동성(fluctuation), 계절적 온도 변화에 의한 장기 변동성, 온도에 의한 건설재료의 수축·팽창으로 발생하는 구속력 변화 등을 예로 들 수 있다. 도 2 및 도 3은 각각 계측 신호의 장기 변동성 및 단기 변동성의 예를 도시한 도면이다. 즉, 동일한 부재 혹은 유사한 거동을 하는 부재에 설치된 센서들은 주변 환경(특히, 온도)에 의한 영향이 유사하게 계측 신호에 반영되며, 이는 결과적으로 계측 신호에 패턴으로 나타난다. 따라서, 센서들을 설치된 부재에 따라 그룹화할 수 있으며, 각 그룹별 신호가 가지는 패턴을 활용하여 변위 예측을 수행할 수 있다. 이에 따라, 본 발명에서는, 선형 및 회전 변위를 계측하는 센서의 장기간 계측 데이터에 대하여, (1) 온도에 의한 영향이 센서 계측 데이터에 지배적으로 포함되어 있고, (2) 온도에 의한 영향은 단기적, 장기적인 2가지 타입으로 구분되며, (3) 동일 그룹 내의 센서 계측 데이터에는 온도 이외에도 복합적이고 다양한 원인에 의한 미지의 패턴을 공통적으로 내포하고 있다는 점에 착안하여, 동일 그룹 내 다종 센서와 온도의 시계열 데이터를 신경망 모델에 입력하고, 이때 신경망 모델은 단기적인 변동성을 고려한 유닛과 장기적인 변동성을 고려한 유닛의 총 2개의 유닛으로 구성되고, 모델은 입력된 센서에 대하여 일정 기간 동안의 미래 예측 데이터를 출력하여, 장단기적인 환경 변동성을 고려한 변위 예측값을 자동으로 연산할 수 있는 방법(모델)을 제안하는 것이다. 도 4는 본 발명의 개요를 도시한 도면이고, 도 5는 서로 다른 부재에 부착된 계측센서 그룹을 도시한 도면이다. 도 5에는 서로 다른 케이슨에 부착된 sensor group 1과 sensor group 2에서 각각 다종 데이터(경사, 이격, 단차)를 측정하는 예가 도시되어 있다. 단기 상태 유닛 블록부(130)는 저장된 상태값과 입력되는 데이터를 이용하여 현재 상태값을 산출하는 복수의 상태 유닛을 포함하고 순차적으로 입력되는 단기 데이터에 대응하여 단기 상태값을 출력하고, 장기 상태 유닛 블록부(140)는 복수의 상태 유닛을 포함하고 순차적으로 입력되는 장기 데이터에 대응하여 장기 상태값을 출력한다. 변위 예측부(150)는 단기 상태값과 장기 상태값을 이용하여 부재상의 변위 센서의 예측값을 생성한다. 이와 같은 구성에 의하면, 인공지능을 이용하여 사람의 개입없이 자동으로, 시설물에 부착한 다양한 센서로부터 계측된 변위가 가지는 특성에 기반하여 각 센서의 미래 변위(선형, 회전)를 예측할 수 있게 된다. 이를 위해, 변위 예측부(150)는 단기 상태값과 장기 상태값을 더하여 부재에서의 변위 특징값을 산출하는 특징값 산출부(152), 및 특징값을 이용하여 변위 센서의 예측값을 산출하는 예측값 산출부(154)를 포함할 수 있다. 훈련부(160)는 단기 상태 유닛 블록부(130) 및 장기 상태 유닛 블록부(140)는, 상태 유닛이 동시에 입력되는 시계열 데이터의 수인 N번 나열된 형태가 D번 적층되도록 형성될 수 있으며, N 및 D를 최적화하도록 단기 상태 유닛 블록부(130) 및 장기 상태 유닛 블록부(140)를 훈련한다. 이와 같은 구성에 의하면, 상태 유닛의 나열 및 적층 수를 최적화하도록 단기 및 장기 유닛 블록부를 훈련함으로써, 센서의 변위 예측의 정확도를 향상시킬 수 있게 된다. 보다 구체적으로, 센서 계측 데이터는 도 6과 같은 시계열 데이터이다. 도 6은 본 발명에서의 시계열 데이터의 구성의 예를 도시한 도면이다. 시계열 데이터의 구성을 위해, 모니터링을 통한 장기간 계측 데이터는 훈련용, 검증용, 실험용으로 구분하여 예측 모델을 생성한다. 예측 모델은 GRU 기반 신경망 모델이다. 19개월 계측 데이터의 경우로 예시하자면, 최초 12개월간 측정된 데이터는 훈련용으로, 이후 2개월간 데이터는 검증용으로, 이후 5개월 데이터는 실험용으로 사용하여 모델 성능 검증할 수 있다. 훈련-검증-실험 데이터 비율은 고정값이 아니나, 대한민국의 사계절 특성을 고려할 때 훈련용 데이터는 12개월 이상일수록 모델의 정확도가 높아진다. 예측 모델을 통해 이전 1개월간 측정한 데이터를 기반으로 미래 1주일간 데이터를 예측할 수 있으나, 데이터의 길이는 고정값이 아니다. 시계열 데이터를 처리하기 위