KR20210085168A - System and method for safety inspection by trainiing nature freqeuncy of structure based on machine learning - Google Patents

System and method for safety inspection by trainiing nature freqeuncy of structure based on machine learning Download PDF

Info

Publication number
KR20210085168A
KR20210085168A KR1020190177932A KR20190177932A KR20210085168A KR 20210085168 A KR20210085168 A KR 20210085168A KR 1020190177932 A KR1020190177932 A KR 1020190177932A KR 20190177932 A KR20190177932 A KR 20190177932A KR 20210085168 A KR20210085168 A KR 20210085168A
Authority
KR
South Korea
Prior art keywords
building structure
safety
sensor
model
sensor data
Prior art date
Application number
KR1020190177932A
Other languages
Korean (ko)
Inventor
이순호
김준희
김주현
Original Assignee
달리웍스 주식회사
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 달리웍스 주식회사 filed Critical 달리웍스 주식회사
Priority to KR1020190177932A priority Critical patent/KR20210085168A/en
Publication of KR20210085168A publication Critical patent/KR20210085168A/en

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
    • G01M5/0066—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by exciting or detecting vibration or acceleration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Alarm Systems (AREA)

Abstract

The present invention relates to a safety inspection system by learning the natural frequency of a building structure based on machine learning. Provided is a safety inspection system by learning the natural frequency of a building structure based on machine learning, comprising: a cloud platform for collecting sensor data, which represents the safety of a building structure, from a sensor device, and managing the collected sensor data; a building structure safety analysis part for analyzing the safety of a building structure based on the sensor data, which represents the safety of a building structure, collected from the sensor device; and a monitoring and notification part for receiving and displaying an alarm signal based on the analysis result of the sensor data carried out by the building structure safety analysis part. The building structure safety analysis part includes: an absolute management part for analyzing the safety of a building structure in accordance with alarm setting standards based on preset specific sensor values; a continuous management part for analyzing the safety of a building structure in accordance with alarm setting standards based on the time series data of preset specific sensor values; and a composite management part for analyzing the safety of a building structure by a sorter, which learns using deep learning, based on sensor data from the sensor device.

Description

머신러닝 기반 건축 구조물 고유 진동값 학습을 통한 안전 진단 시스템 및 방법{SYSTEM AND METHOD FOR SAFETY INSPECTION BY TRAINIING NATURE FREQEUNCY OF STRUCTURE BASED ON MACHINE LEARNING}Safety diagnosis system and method through machine learning-based natural vibration value learning of building structures {SYSTEM AND METHOD FOR SAFETY INSPECTION BY TRAINIING NATURE FREQEUNCY OF STRUCTURE BASED ON MACHINE LEARNING}

본 발명은 건축 구조물의 안전 진단 방법 및 장치에 관한 것으로서, 보다 상세하게는 머신러닝에 기반하여 건축 구조물의 고유 진동값을 학습하여 구조물의 안전 진단을 효율적이고 정확하게 수행할 수 있는 방법 및 장치에 관한 것이다.The present invention relates to a method and apparatus for diagnosing the safety of a building structure, and more particularly, to a method and apparatus capable of efficiently and accurately performing a safety diagnosis of a structure by learning a natural vibration value of a building structure based on machine learning will be.

최근 건축물 안전 사고가 빈번하게 발생하고 있으나 이에 대한 사전 예방은 아직 미흡한 실정이다. 제 1, 2종 시설물 중 사회 기반 시설물의 비중은 지속적으로 감소하고 있으나, 건축물의 비중은 지속적으로 증가하고 있어 건축물의 안전진단 및 유지관리 중요성이 부각되고 있다. 건축물 종류별 상태등급(5등급-A, B, C, D, E등급)은 제 1, 2종 시설물 중 건축물의 상태등급은 A등급 18.0%, B등급 79.8%로 종합적으로 B등급 이상이며, 현재 1, 2종 이외에 추가로 3종 시설물 지정에 관한 논의가 수행되고 있으며, 건축물 안전 사고를 사전에 예방하기 위해서는 전문가의 제한적 참 여문제를 개선하고 실시간 모니터링을 접목한 유지관리체계를 개발하여 적용하는 것이 관건이라고 할 수 있다.Although building safety accidents occur frequently in recent years, preventive measures against them are still insufficient. Although the proportion of social infrastructure among the first and second types of facilities is continuously decreasing, the proportion of buildings is continuously increasing, highlighting the importance of safety diagnosis and maintenance of buildings. As for the condition grades for each type of building (grades 5 - A, B, C, D, E), among the first and second types of facilities, the status grades of buildings are 18.0% of grade A and 79.8% of grade B, which is overall B grade or higher. In addition to the 1st and 2nd types, discussions are being conducted on the designation of 3 types of facilities, and in order to prevent building safety accidents in advance, it is necessary to improve the problem of limited participation of experts and develop and apply a maintenance system incorporating real-time monitoring. can be said to be the key.

그러나, 기존의 건축물 안전 진단 체계는 인력 기반으로 이루어지고 있다는 점에서 한계가 있다. 시설물 점검 및 진단 업무는 현재 현장조사, 조사내용을 사무실에서 PC입력, 자료 정리 및 보고서 작성 등 업무과정에서 많은 시간과 노력이 소모되고 있으며, 건축물 안전 및 유지관리 업무에 요구되는 기술수준은 높으나 기술자의 전문성은 미흡한 수준이며, 열악한 업무환경으로 인한 기술자의 잦은 이직으로 인해 전문 기술자의 기술력이 저하되고 있는 실정이다. 또한, 기술자들의 업무지원을 위한 진단장비가 다수 개발되고 적용되고 있으나, 이를 활용할 수 있는 전문가가 부족하고, 효율적으로 활용되지 못하고 있다. 따라서, 기존 건축물 안전진단체계의 인력기반의 한계를 극복하기 위해서는 전문가의 역량 강화와 실시간 데이터 기반 건축물 안전진단 및 평가를 위한 핵심기술개발이 필요하다고 할 수 있다.However, the existing building safety diagnosis system has limitations in that it is based on manpower. Facility inspection and diagnosis work currently consumes a lot of time and effort in the work process, such as on-site investigation, inputting the investigation contents into a PC at the office, organizing data and writing reports, and although the technical level required for building safety and maintenance work is high, technicians The level of professionalism is insufficient, and the technical skills of professional technicians are declining due to frequent turnover of technicians due to poor work environment. In addition, a number of diagnostic equipment to support the work of technicians have been developed and applied, but there is a shortage of experts who can utilize them, and they are not effectively utilized. Therefore, it can be said that it is necessary to strengthen the competence of experts and develop core technologies for real-time data-based building safety diagnosis and evaluation in order to overcome the limitations of the manpower base of the existing building safety diagnosis system.

또한, 우리나라는 1970년대부터 경제의 급성장과 주택보급 확대정책 시행으로 단기간에 많은 건축물이 건설되었으나, 유지관리가 체계적으로 이루어지지 않아 노후화가 심각하게 진행된 건축물이 많다. 기존 D, E등급의 시설물들에 대한 보수가 긴급하게 이뤄지지 않으면, 매년 재난위험시설은 급격하게 증가할 것으로 예상되고 있다. 국토부 통계자료(2014)년에 따르면 준공 후 30년 이상 건축물이 전국 동수 기준으로 35.8%, 수도권 24.5%, 지방은 40.2%로 조사되었으며, 용도별 30년 이상 건축물의 현황이 주거용은 38.8%, 상업용은 38.5%, 공업용 15.6%, 문교 사회용이 10.1%로 조사되어, 건축물 노후화 현상이 극심하고 주로 주거용·상업용 건축물에 노후화가 집중되어 있음을 알 수 있다. 시설물 유지관리의 패러다임을 예방적 유지관리로 전환한다면 막대한 경제적 비용 절감의 효과를 기대 할 수 있을 것이다. 연구에 따르면, 미국은 2020년까지 3.6조 달러 ASCE (2013.03) 미국의 기반시설 노후화 영향 분석 결과 (3,840조 원), 일본은 20년 후부터 연간 93.7조원 일본 국토교통성 (2012.07)의 유지관리 비용이 필요할 것으로 전망된다.In addition, in Korea, many buildings were built in a short period of time due to the rapid economic growth and implementation of the housing supply expansion policy since the 1970s, but many of the buildings deteriorated severely because maintenance was not carried out systematically. If repairs to existing D and E grade facilities are not urgently performed, the number of disaster risk facilities is expected to increase rapidly every year. According to the statistical data of the Ministry of Land, Infrastructure and Transport (2014), 35.8% of buildings over 30 years after completion were surveyed nationwide, 24.5% in the metropolitan area, and 40.2% in regional areas. The status of buildings over 30 years by use was 38.8% for residential and 38.8% for commercial use. 38.5% for industrial use, 15.6% for industrial use, and 10.1% for educational and social use, indicating that the deterioration of buildings is severe and the deterioration is mainly concentrated in residential and commercial buildings. If the paradigm of facility maintenance is changed to preventive maintenance, the effect of huge economic cost reduction can be expected. According to the study, the US will cost 3.6 trillion dollars by 2020 ASCE (Mar. 2013). As a result of analysis of the impact of US infrastructure aging (3,840 trillion won), Japan will need 93.7 trillion won in annual maintenance costs from the Ministry of Land, Infrastructure and Transport (July 2012) 20 years later is expected to be

일반적으로 업체에서 수행하는 안전진단 및 유지관리 업무는 대부분 전문 인력이 육안으로 하거나 비파괴 검사 장비 등을 이용하여 수행하고 있으나, 전문 인력의 기술 및 경력에 따라 진단 결과에 대한 신뢰도의 차이가 발생할 수 있고, 인적 접근이 어려운 위치에 대한 진단의 어려움, 시간과 비용이 많이 소요되는 문제점이 있다. 또한, 지방 자치 단체의 담당 인력은 한정되어 있기 때문에 실시간으로 모든 위험 시설물들을 관리하는 것은 사실상 불가능하다. 이러한 인력 위주의 시설물 유지관리 문제점을 개선하기 위해 IT 기술을 활용하여 유지관리 효율성을 높이고, 유지관리 비용을 절감하기 위해 ICT 및 IoT 기반 첨단 융합기술을 활용한 사전 예방적 안전진단 및 유지관리 체제를 도입할 필요성이 제기되고 있다.In general, most of the safety diagnosis and maintenance tasks performed by companies are performed visually or using non-destructive testing equipment by professional personnel, but there may be differences in the reliability of the diagnosis results depending on the skills and experience of the professional personnel. , there are problems in that it is difficult to diagnose a location where human access is difficult, and it takes a lot of time and money. In addition, since the manpower in charge of local governments is limited, it is virtually impossible to manage all hazardous facilities in real time. In order to improve the maintenance problems of manpower-oriented facilities, IT technology is used to increase maintenance efficiency and to reduce maintenance costs, a preventive safety diagnosis and maintenance system using ICT and IoT-based advanced convergence technology is implemented. There is a need to introduce

한편, 건축물의 내·외벽은 마감처리가 되어있어 전문 인력을 통한 안전진단 없이 노후화에 따른 구조 열화를 판단하기 어려운데, 구조성능 임계점을 초과하여 위험 부재 및 골조의 미보수시 용산 건물 붕괴와 같이 급격한 구조열화로 인한 붕괴의 위험이 있다. 따라서, 구조열화 모니터링을 통하여 건축물을 최저비용, 최대효율로 보수·보강 할 수 있는 시기를 도출하여 최적의 유지관리를 도모할 필요가 있고, 시기적절한 보수·보강과 예방적 유지관리는 건축물의 장수명화를 도모하여 궁극적으로 막대한 경제적 비용 절감 효과를 거둘 수 있기 때문에 IT 기술을 접목한 건축물의 안전진단 및 유지관리 자동화가 요망되고 있다.On the other hand, since the inner and outer walls of the building are finished, it is difficult to judge structural deterioration due to aging without safety diagnosis through professional personnel. There is a risk of collapse due to structural deterioration. Therefore, through structural deterioration monitoring, it is necessary to derive the time to repair and reinforce the building at the lowest cost and with the highest efficiency to promote optimal maintenance and management, and timely repair/reinforcement and preventive maintenance are essential for the longevity of the building. Because it can ultimately achieve enormous economic cost savings by promoting a masterpiece, safety diagnosis and automation of maintenance of buildings incorporating IT technology are desired.

본 발명은 상기한 바와 같은 한계점을 해결하기 위한 것으로서, 머신러닝에 기반하여 건축 구조물의 센서 데이터에 의해 건축 구조물의 안전도를 정확하고 효율적으로 분석할 수 있는 시스템 및 방법을 제공하는 것을 목적으로 한다.An object of the present invention is to provide a system and method capable of accurately and efficiently analyzing the safety level of a building structure by sensor data of a building structure based on machine learning.

특히, 본 발명은, 저전력 장거리 통신이 가능한 센서 디바이스를 건축 구조물에 설치하고, 이들로부터 수집되는 센서 데이터에 기초하여 딥러닝에 기반한 안전도 분석을 실시간으로 수행함으로써, 건축 구조물의 위험 발생 가능성을 정확하게 예측하여 건축 구조물로 인한 안전 사고를 사전에 방지할 수 있는 시스템 및 방법을 제공하는 것을 또 다른 목적으로 한다.In particular, the present invention installs a sensor device capable of low-power long-distance communication in a building structure, and performs a safety analysis based on deep learning based on the sensor data collected therefrom in real time, thereby accurately detecting the possibility of risk occurrence in the building structure. Another object is to provide a system and method that can predict and prevent safety accidents caused by building structures in advance.

상기한 바와 같은 과제를 해결하기 위하여 본 발명은, 머신러닝 기반 건축 구조물 고유 진동값 학습을 통한 안전 진단 시스템으로서, 센서 디바이스로부터 건축 구조물의 안전도를 나타내는 센서 데이터를 수집하고, 수집된 센서 데이터를 관리하는 클라우드 플랫폼; 센서 디바이스에서 수집되는 건축 구조물의 안전도를 나타내는 센서 데이터에 기초하여 건축 구조물의 안전도를 분석하는 건축 구조물 안전도 분석부; 및 상기 건축 구조물 안전도 분석부에서 센서 데이터를 분석한 결과에 따른 알람 신호를 수신하여 표시하도록 하는 모니터링/알림부를 포함하고, 상기 건축 구조물 안전도 분석부는, 미리 설정된 특정 센서 값에 따른 알람 설정 기준에 의해 건축 구조물의 안전도를 분석하는 절대 관리부; 미리 설정된 특정 센서 값의 시계열 데이터에 따른 알람 설정 기준에 의해 건축 구조물의 안전도를 분석하는 연속 관리부; 및 센서 디바이스로부터의 센서 데이터에 기초하여 건축 구조물의 안전도를 딥러닝에 기반하여 학습된 분류기에 의해 분석하는 복합 관리부를 포함하는 것을 특징으로 하는 머신러닝 기반 건축 구조물 고유 진동값 학습을 통한 안전 진단 시스템을 제공한다.In order to solve the above problems, the present invention is a safety diagnosis system through machine learning-based building structure intrinsic vibration value learning, and collects sensor data indicating the safety level of a building structure from a sensor device, and manages the collected sensor data cloud platform; a building structure safety analysis unit that analyzes the safety level of the building structure based on the sensor data indicating the safety level of the building structure collected from the sensor device; and a monitoring/notification unit configured to receive and display an alarm signal according to a result of analyzing the sensor data by the building structure safety level analysis unit, wherein the building structure safety level analysis unit includes an alarm setting standard according to a preset specific sensor value The absolute management department that analyzes the safety level of the building structure by; a continuous management unit that analyzes the safety level of a building structure according to an alarm setting criterion according to time series data of a preset specific sensor value; and a complex management unit that analyzes the safety level of a building structure by a classifier learned based on deep learning based on sensor data from a sensor device. A safety diagnosis system through machine learning-based building structure intrinsic vibration value learning, characterized in that it comprises: provides

여기에서, 상기 복합 관리부는, 다음 주기에 위험 상태에 도달할 확률을 예측하는 제1 모델과, 위험 상태에 도달하기까지의 시간을 예측하는 제2 모델과, 위험 상태를 분류하는 제3 모델 중 적어도 어느 하나에 의해 안전도를 분석할 수 있다.Here, the complex management unit, a first model for predicting the probability of reaching the dangerous state in the next cycle, a second model for predicting the time until reaching the dangerous state, and a third model for classifying the dangerous state The safety level may be analyzed by at least one.

또한, 상기 제1 모델은 측정 주기 별로 센서 데이터의 수집 또는 가공에 의해 데이터를 정제하고, 일정 주기에 대하여 다음 주기에 주의, 위험, 경보 등의 위험 상태로 될 확률을 계산하여 가장 높은 확률의 상태 변이를 예측하여 안전도를 분석하고, 상기 제2 모델은, 측정 주기에 대한 시계열 데이터와 군집 분류 시험 데이터에 의해 분류기를 학습시키고, 특정 시점에서 센서 값을 입력하여 군집 상태로 전이될 수 있는 확률적 추론을 계산하여 위험 상태로 전이될 가능성이 높은 기간을 예측하여 안전도를 분석하고, 상기 제3 모델은, 센서 값에 대한 특성을 군집화하여 분류 모델을 학습하여 미리 설정된 개수로 분류하여 안전도를 분석할 수 있다.In addition, the first model refines the data by collecting or processing sensor data for each measurement period, and calculating the probability of becoming a dangerous state such as caution, danger, and alarm in the next period for a certain period, and thus the state of the highest probability The second model predicts the mutation to analyze the degree of safety, and the second model trains the classifier based on time series data for the measurement period and cluster classification test data, and inputs a sensor value at a specific point in time to obtain a probabilistic transition to the cluster state. The third model analyzes the safety level by predicting the period of high probability of transition to the dangerous state by calculating the inference, and the third model learns the classification model by clustering the characteristics of the sensor value and classifies it into a preset number to analyze the safety level. can

본 발명에 의하면, 머신러닝에 기반하여 건축 구조물의 센서 데이터에 의해 건축 구조물의 안전도를 정확하고 효율적으로 분석할 수 있는 시스템 및 방법을 제공할 수 있다.According to the present invention, it is possible to provide a system and method capable of accurately and efficiently analyzing the safety level of a building structure based on machine learning based on sensor data of the building structure.

특히, 본 발명은, 저전력 장거리 통신이 가능한 센서 디바이스를 건축 구조물에 설치하고, 이들로부터 수집되는 센서 데이터에 기초하여 딥러닝에 기반한 안전도 분석을 실시간으로 수행함으로써, 건축 구조물의 위험 발생 가능성을 정확하게 예측하여 건축 구조물로 인한 안전 사고를 사전에 방지할 수 있는 시스템 및 방법을 제공할 수 있다.In particular, the present invention installs a sensor device capable of low-power long-distance communication in a building structure, and performs a safety analysis based on deep learning based on the sensor data collected therefrom in real time, thereby accurately detecting the possibility of risk occurrence in the building structure. It is possible to provide a system and method that can predict and prevent safety accidents caused by building structures in advance.

도 1은 본 발명에 의한 머신러닝 기반 건축 구조물 고유 진동값 학습을 통한 안전 진단 시스템(100)의 전체적인 구성 및 연결 관계를 나타낸 도면이다.
도 2는 본 발명에 사용되는 센서 디바이스(300)들을 나타낸 것이다.
도 3은 센서 디바이스(300)들의 설치 위치 선정 및 계측/검토 과정을 나타낸 도면이다.
도 4는 분석부(30)의 동작의 일예를 설명하기 위한 도면이다.
도 5는 분석부(30)의 주요 구조 부재에 대한 시나리오 분석 과정을 나타낸 것이다.
도 6은 분석부(30)의 구성을 나타낸 도면이다.
도 7은 절대 관리부(31)에서 사용하는 특정 센서 값에 따른 알람 설정 기준을 나타낸 것이다.
도 8은 연속 관리부(32)에서 사용하는 특정 센서 값의 시계열 데이터에 따른 알람 설정 기준을 나타낸 것이다.
도 9는 복합 관리부(33)의 동작을 설명하기 위한 도면이다.
도 10은 복합 관리부(33)의 전체적인 구성을 설명하기 위한 도면이다.
도 11 및 도 12는 모니터링/알림부(40)에 의한 알람 신호가 표시되는 일예를 나타낸 것이다.1 is a view showing the overall configuration and connection relationship of a safety diagnosis system 100 through machine learning-based building structure intrinsic vibration value learning according to the present invention.
2 shows sensor devices 300 used in the present invention.
3 is a diagram illustrating a process of selecting an installation location and measuring/reviewing the sensor devices 300 .
4 is a diagram for explaining an example of an operation of the analysis unit 30 .
5 illustrates a scenario analysis process for the main structural members of the analysis unit 30 .
6 is a diagram illustrating the configuration of the analysis unit 30 .
7 illustrates an alarm setting standard according to a specific sensor value used by the absolute management unit 31 .
8 illustrates an alarm setting standard according to time series data of a specific sensor value used by the continuity management unit 32 .
9 is a diagram for explaining the operation of the complex management unit 33 .
10 is a diagram for explaining the overall configuration of the complex management unit 33 .
11 and 12 show an example in which an alarm signal by the monitoring/notifying unit 40 is displayed.

이하, 첨부 도면을 참조하여 본 발명에 의한 실시예를 상세하게 설명한다.Hereinafter, embodiments according to the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명에 의한 머신러닝 기반 건축 구조물 고유 진동값 학습을 통한 안전 진단 시스템(100)의 전체적인 구성 및 연결 관계를 나타낸 도면이다.1 is a view showing the overall configuration and connection relationship of a safety diagnosis system 100 through machine learning-based building structure intrinsic vibration value learning according to the present invention.

도 1을 참조하면, 본 발명에 의한 머신러닝 기반 건축 구조물 고유 진동값 학습을 통한 안전 진단 시스템(100, 이하 간단히 "시스템(100)"이라 한다)은, 클라우드 플랫폼(10), 센서 연동부(20), 건축 구조물 안전도 분석부(30) 및 모니터링/알림부(40)를 포함하며, 네트워크 서버(200)를 통해 센서 디바이스(300)로부터 건축 구조물의 안전 데이터를 수신하여 건축 구조물의 안전도를 분석하는 기능을 수행한다.Referring to FIG. 1 , a safety diagnosis system 100 (hereinafter simply referred to as “system 100”) through machine learning-based building structure natural vibration value learning according to the present invention includes a cloud platform 10, a sensor linkage unit ( 20), the building structure safety analysis unit 30 and the monitoring/notifying unit 40, and receive the safety data of the building structure from the sensor device 300 through the network server 200 to determine the safety level of the building structure perform the analysis function.

시스템(100)은 네트워크를 통해 네트워크 서버(200)와 연결되고, 네트워크 서버(200)는 센서 디바이스(300)들과 연결된다. 명시적으로 나타내지는 않았으나, 시스템(100)과 네트워크 서버(200)는 인터넷, 이동 통신망 등과 같은 종래의 네트워크를 통해 결합되고, 센서 디바이스(300)와 네트워크 서버(200)는 예컨대 LoRaWan 등과 같은 저전력 장거리 통신망을 통해 연결될 수 있다. The system 100 is connected to the network server 200 through a network, and the network server 200 is connected to the sensor devices 300 . Although not explicitly shown, the system 100 and the network server 200 are coupled through a conventional network such as the Internet and a mobile communication network, and the sensor device 300 and the network server 200 are, for example, low-power, long-distance, such as LoRaWan. It can be connected through a communication network.

센서 디바이스(300)는, 건축 구조물에 구비되어 건축 구조물의 안전 진단에 필요한 안전 데이터를 수집하여 네트워크 서버(200) 및 네트워크를 통해 시스템(100)으로 전달하는 기능을 수행한다.The sensor device 300 is provided in the building structure, collects safety data required for safety diagnosis of the building structure, and transmits it to the system 100 through the network server 200 and the network.

센서 디바이스(300)는, 가속도계, 경사계, 온도계, 변형률계 등을 포함하는 다양한 측정 센서이며, 건축 구조물의 안전 데이터를 수집한다. 이들은 건물들이 밀집한 도심 내에서도 운영 가능하며 지속적인 전력 공급이 어려운 노후 시설물에서도 운영이 가능하도록 LoRaWan에 기반한 센서 디바이스인 것이 바람직하다. The sensor device 300 is various measurement sensors including an accelerometer, an inclinometer, a thermometer, a strain gauge, and the like, and collects safety data of a building structure. It is desirable that these are sensor devices based on LoRaWan so that they can be operated even in the city center where buildings are dense and can be operated even in old facilities where continuous power supply is difficult.

센서 디바이스(300)로서 가속도계는 거시적 구조시스템 수준의 강성을 추정하는데 사용되고, 경사계, 온도계, 변형률계를 이용하여 미시적 구조부재 수준의 손상·파괴를 추적한다.As the sensor device 300 , the accelerometer is used to estimate the rigidity of the macroscopic structural system level, and the microscopic structural member level damage/failure is tracked using an inclinometer, a thermometer, and a strain gauge.

이외에도, 정역학적/동영학적 센서 성능을 규명하고, 상시 및 극한시 건축물 거동 측정 범위를 확인할 수 있는 기타 센서 디바이스를 사용할 수 있음은 물론이다.In addition, it goes without saying that other sensor devices that can identify the static/dynamic sensor performance and check the normal and extreme building behavior measurement range can be used.

도 2는 본 발명에 사용되는 센서 디바이스(300)들을 나타낸 것이다.2 shows sensor devices 300 used in the present invention.

도 2를 참조하면, 지붕에는 GPS 수신기, 풍향 풍속계를 설치하였고, 2nd Belt Truss, 1st Belt Truss, 2nd Outrigger, 1st Outrigger, Truss supporting Sloping Hanger에는 변형율계를 설치할 수 있음을 알 수 있다. 또한, Cantilever Girder에는 1축 가속도계를 사용하였고, Foundation에는 기둥 축력 및 기초 응답 가속도계를 사용할 수 있음을 알 수 있다.Referring to Figure 2, a GPS receiver and wind direction anemometer are installed on the roof, and it can be seen that a strain gauge can be installed on the 2nd Belt Truss, 1st Belt Truss, 2nd Outrigger, 1st Outrigger, and Truss Supporting Sloping Hanger. In addition, it can be seen that a uniaxial accelerometer was used for the cantilever girder, and a column axial force and foundation response accelerometer can be used for the foundation.

센서 디바이스(300)는 건축물 형식별로 설치할 위치를 적절히 선정하여 설치되어야 한다.The sensor device 300 should be installed by appropriately selecting the installation location for each building type.

도 3은 센서 디바이스(300)들의 설치 위치 선정 및 계측/검토 과정을 나타낸 도면이다.3 is a diagram illustrating a process of selecting an installation location and measuring/reviewing the sensor devices 300 .

도 3을 참조하면, 예컨대 고층 건물의 주요 층의 바닥면의 기둥, 전단벽 등에 센서 디바이스(300)를 설치할 수 있으며, 저층 건물은 중요 구조 부재를 선정하여 벽면, 기둥, 보 등에 센서 디바이스(300)를 설치할 수 있다. 이는 건축물 형식별로 설치할 주요 구조 부재를 선정하고, 건물 형식별로 구조물 붕괴 가능한 중요 구조 부재를 결정하여 해당 중요 구조 부재에 설치하는 방식으로 이루어진다. 주요 구조 부재의 허용 처짐량을 검토하고, 예컨대 보, 기둥, 내력벽 등 주요 구조부재의 변형, 처짐, 기울기의 추적 및 허용량을 검토해 두는 것이 바람직하다.Referring to FIG. 3 , for example, the sensor device 300 may be installed on a column, shear wall, etc. of the floor surface of a main floor of a high-rise building, and a sensor device 300 on a wall, column, beam, etc. by selecting an important structural member for a low-rise building can be installed This is done by selecting major structural members to be installed by building type, determining important structural members capable of collapsing by building type, and installing them on the relevant important structural members. It is desirable to review the allowable deflection amount of the main structural members, and to track the deformation, deflection, and inclination of the main structural members such as beams, columns, and load-bearing walls and review the allowable amount.

한편, 네트워크 서버(200)는 센서 디바이스(300)와 시스템(100) 사이에서 본 발명에 필요한 데이터를 송수신하는 기능을 수행하는데, 전술한 바와 같이 LoRaWan 게이트웨이를 포함하는 LoRaWan 네트워크 서버인 것이 바람직하다. 네트워크 서버(200)는 게이트웨이 및 센서 디바이스(300)의 상태를 모니터링할 수 있으며, 원격에서의 시스템 제어 및 업데이트가 가능한 구조로 구성하는 것이 바람직하다.Meanwhile, the network server 200 performs a function of transmitting and receiving data necessary for the present invention between the sensor device 300 and the system 100, and as described above, it is preferably a LoRaWan network server including a LoRaWan gateway. The network server 200 may monitor the status of the gateway and the sensor device 300 , and it is preferable to configure the system in a structure that allows remote system control and update.

다시 도 1을 참조하여 시스템(100)에 대하여 설명한다.Referring again to FIG. 1 , the system 100 will be described.

시스템(100)은, 전술한 바와 같이, 클라우드 플랫폼(10), 센서 연동부(20), 건축 구조물 안전도 분석부(30) 및 모니터링/알림부(40)를 포함하며, 네트워크 서버(200)를 통해 센서 디바이스(300)로부터 건축 구조물의 안전 데이터를 수신하여 건축 구조물의 안전도를 분석하는 기능을 수행한다.As described above, the system 100 includes the cloud platform 10 , the sensor linkage unit 20 , the building structure safety level analysis unit 30 , and the monitoring/notification unit 40 , and the network server 200 . It receives safety data of the building structure from the sensor device 300 and performs a function of analyzing the safety level of the building structure.

클라우드 플랫폼(10)은, 네트워크 서버(200)를 통해 센서 디바이스(300)와 연동하여 건축 구조물의 안전도를 나타내는 센서 데이터를 수집하고, 수집된 센서 데이터를 분산 저장, 조회, 분석하는 등의 관리 기능을 제공하는 서버이다.The cloud platform 10 works with the sensor device 300 through the network server 200 to collect sensor data indicating the safety level of the building structure, and manage functions such as distributed storage, inquiry, and analysis of the collected sensor data. server that provides

클라우드 플랫폼(10)은, 센서 디바이스(300)로부터 수집되는 센서 데이터를 통합 조회할 수 있는 인터페이스를 제공하며, 센서 디바이스(300)의 관리를 위한 중앙 관제 모니터링 등의 기능을 제공한다.The cloud platform 10 provides an interface capable of integrating and inquiring sensor data collected from the sensor device 300 , and provides functions such as central control monitoring for management of the sensor device 300 .

센서 연동부(20)는, 네트워크 서버(200)와 연동하여 센서 디바이스(300)와 시스템(100)간에서 센서 데이터를 수신하고 관리하는 기능을 수행한다.The sensor interworking unit 20 interworks with the network server 200 to receive and manage sensor data between the sensor device 300 and the system 100 .

센서 연동부(20)는, 미리 설정된 센서 데이터 저송 규격에 따라 센서 데이터를 모델링하고, 수집된 센서 데이터를 건축 구조물 안전도 분석부(30)로 전달하여 건축 구조물의 안전도를 분석할 수 있도록 한다.The sensor linkage unit 20 models sensor data according to a preset sensor data transmission standard, and transmits the collected sensor data to the building structure safety level analysis unit 30 to analyze the safety level of the building structure.

건축 구조물 안전도 분석부(30, 이하 간단히 분석부(30)라 한다)는, 센서 디바이스(300)에서 수집되는 건축 구조물의 안전도를 나타내는 센서 데이터에 기초하여 건축 구조물의 안전도를 분석하는 수단이다.The building structure safety level analysis unit 30 (hereinafter simply referred to as the analysis unit 30 ) is a means for analyzing the safety level of the building structure based on sensor data indicating the safety level of the building structure collected by the sensor device 300 .

분석부(30)는, 건축 구조물의 안전 진단을 위한 시뮬레이션 수리적 모델을 이용하여, 건축 구조물의 안전도에 대한 이상 징후를 판단하고 예측을 수행하기 위한 분석 알고리듬에 따라 건축 구조물의 안전도를 분석한다.The analysis unit 30 analyzes the safety level of the building structure according to an analysis algorithm for determining and predicting abnormal signs of the safety level of the building structure by using the simulation mathematical model for safety diagnosis of the building structure.

분석부(30)는, 센서 디바이스(300)로부터 수집되는 상시 진동 데이터를 활용한 시스템 식별과 강성 추정 기능, 거시적 구조시스템 수준의 강성 추정 기능, 기둥, 내력벽과 같은 구조물 강성분포의 공간적 변화 파악 기능을 수행한다.The analysis unit 30 is a system identification and stiffness estimation function using the constant vibration data collected from the sensor device 300, a macroscopic structural system level stiffness estimation function, a function of identifying spatial changes in the stiffness distribution of structures such as columns and bearing walls carry out

도 4는 분석부(30)의 동작의 일예를 설명하기 위한 도면이다.4 is a diagram for explaining an example of an operation of the analysis unit 30 .

도 4는, 분석부(30)가 상시 진동 데이터를 이용하여 시스템을 식별하고 강성 추정 기능을 수행하는 경우를 나타낸 것으로서, 가속도계를 이용하여 대상 건축 구조물의 센서 데이터를 수집 및 분산 처리하고, 데이터 기반 모델에 의해 건축 구조물의 변행 해석을 수행한 후, 데이터 기반 부공간 시스템을 식별하여 강성을 추정하는 과정을 나타낸 것이다.4 shows a case in which the analysis unit 30 identifies a system using constant vibration data and performs a stiffness estimation function, and collects and distributes sensor data of a target building structure using an accelerometer, and performs data-based This shows the process of estimating the stiffness by identifying the data-based subspace system after performing the transformation analysis of the building structure by the model.

분석부(30)는 또한, 건축 구조물의 주요 구조 부재의 변형 데이터 기반 위험도 산정 기능을 제공하는데, 대상 건축 구조물에 대한 붕괴 가능성이 높은 시나리오를 선정해 두고, 대상 구조물의 임계 구조 부재를 선정하여, 임계 구조 부재 구조의 손상에 따른 구조물 붕괴 시나리오를 산정한다.The analysis unit 30 also provides a risk estimation function based on deformation data of the major structural members of the building structure, selecting a scenario with a high probability of collapse for the target building structure, selecting the critical structural member of the target structure, Estimate the structural collapse scenario due to damage to the critical structural member structure.

또한, 분석부(30)는 부재 변형 데이터 기반 구조 붕괴 위험도 산정 기법을 이용하여, 건축 구조물의 붕괴 가능한 중요 구조 부재의 손상·파괴 징후를 파악하는 기능을 수행한다.In addition, the analysis unit 30 performs a function of identifying signs of damage and destruction of important structural members capable of collapsing of a building structure by using a structural collapse risk estimation technique based on member deformation data.

도 5는 분석부(30)의 주요 구조 부재에 대한 시나리오 분석 과정을 나타낸 것이다.5 illustrates a scenario analysis process for the main structural members of the analysis unit 30 .

도 5를 참조하면, 분석부(30)가 건축 구조물의 주요 구조 부재에 대해 센서 데이터를 수집한 후, 각 주요 구조 부재에 대한 구조물 붕괴 시나리오를 산정하여 안전도를 분석함을 알 수 있다.Referring to FIG. 5 , it can be seen that, after the analysis unit 30 collects sensor data for the major structural members of the building structure, the safety level is analyzed by calculating the structural collapse scenario for each major structural member.

도 6은 분석부(30)의 구성을 나타낸 도면이다.6 is a diagram illustrating the configuration of the analysis unit 30 .

도 6을 참조하면, 분석부(30)는, 절대 관리부(31), 연속 관리부(32) 및 복합 관리부(33)를 포함한다.Referring to FIG. 6 , the analysis unit 30 includes an absolute management unit 31 , a continuous management unit 32 , and a complex management unit 33 .

절대 관리부(31)는 수리적 모델에 기초한 센서 데이터의 분석을 수행하는 수단으로서, 미리 설정된 특정 센서 값에 따른 알람 설정 기준에 의해 건축 구조물의 안전도를 분석하고, 그 결과에 따른 알람 신호를 모니터링/알림부(40)로 전송하는 기능을 수행한다.The absolute management unit 31 is a means for performing an analysis of sensor data based on a mathematical model, and analyzes the safety level of the building structure according to an alarm setting standard according to a preset specific sensor value, and monitors/notifies an alarm signal according to the result It performs a function of transmitting to the unit 40 .

도 7은 절대 관리부(31)에서 사용하는 특정 센서 값에 따른 알람 설정 기준을 나타낸 것이다.7 illustrates an alarm setting standard according to a specific sensor value used by the absolute management unit 31 .

도 7을 참조하면, 가속도계, GPS, 경사계, 변형률계 등의 각 센서 디바이스(300)에 따라 안전/주의/경계 3가지의 알람 신호가 설정되어 있음을 알 수 있다.Referring to FIG. 7 , it can be seen that safety/caution/warning three alarm signals are set according to each sensor device 300 such as an accelerometer, GPS, inclinometer, and strain gauge.

연속 관리부(32)는 수리적 모델에 기초한 센서 데이터의 분석을 수행하는 수단으로서, 미리 설정된 특정 센서 값의 시계열 데이터에 따른 알람 설정 기준에 의해 건축 구조물의 안전도를 분석하고, 그 결과에 따른 알람 신호를 모니터링/알림부(40)로 전송하는 기능을 수행한다.The continuous management unit 32 is a means for performing an analysis of sensor data based on a mathematical model, and analyzes the safety level of a building structure according to an alarm setting standard according to time series data of a specific sensor value set in advance, and an alarm signal according to the result It performs a function of transmitting to the monitoring/notifying unit 40 .

도 8은 연속 관리부(32)에서 사용하는 특정 센서 값의 시계열 데이터에 따른 알람 설정 기준을 나타낸 것이다.8 illustrates an alarm setting standard according to time series data of a specific sensor value used by the continuity management unit 32 .

도 8을 참조하면, 가속도계, GPS, 경사계, 변형률계 등의 각 센서 디바이스(300)의 센서 값의 시계열적 변화에 따라 연속적으로 미리 설정해 둔 기준값을 초과하는 경우 안전/주의/경계 3가지의 알람 신호가 설정되어 있음을 알 수 있다.Referring to FIG. 8 , when a preset reference value is continuously exceeded according to a time-series change of a sensor value of each sensor device 300 such as an accelerometer, a GPS, an inclinometer, or a strain gauge, safety / caution / warning three types of alarms You can see that the signal is set.

복합 관리부(33)는 딥러닝에 기반하여 건축 구조물의 센서 데이터의 분석을 수행하는 수단으로서, 센서 디바이스(300)로부터의 센서 데이터에 기초하여 건축 구조물의 안전도를 딥러닝에 기반하여 학습된 분류기(classifier)에 의해 분석하고, 그 결과에 따른 알람 신호를 모니터링/알림부(40)로 전송하는 기능을 수행한다.The complex management unit 33 is a means for analyzing the sensor data of the building structure based on deep learning, and based on the sensor data from the sensor device 300, the classifier ( classifier) and transmits an alarm signal according to the result to the monitoring/notification unit 40 .

도 9는 복합 관리부(33)의 동작을 설명하기 위한 도면이다.9 is a diagram for explaining the operation of the complex management unit 33 .

도 9에서, 복합 관리부(33)는 3가지 예측 모델을 사용할 수 있다.In FIG. 9 , the complex manager 33 may use three predictive models.

첫번째 예측 모델은, 다음 주기에 위험 상태에 도달할 확률을 예측하는 모델이다. 이는 측정 주기 (분, 시, 일 등) 별로 센서 데이터의 수집 또는 가공에 의해 데이터를 정제하고, 일정 주기에 대하여 다음 주기에 주의, 위험, 경보 등의 위험 상태로 될 확률을 계산하여 가장 높은 확률의 상태 변이를 예측하는 모델이다.The first predictive model is a model that predicts the probability of reaching a dangerous state in the next cycle. It refines the data by collecting or processing sensor data for each measurement cycle (minutes, hours, days, etc.), and calculates the probability of becoming a dangerous state, such as caution, danger, or alarm, in the next cycle for a certain cycle, resulting in the highest probability It is a model that predicts the state transition of

분류기는 예컨대 LSTM 딥러닝 모델을 사용하여 학습 및 예측을 수행하도록 할 수 있다.A classifier may be enabled to perform training and prediction using, for example, an LSTM deep learning model.

두번째 예측 모델은, 위험 상태에 도달하기까지의 시간을 예측하는 모델이다. 이는 측정 주기에 대한 시계열 데이터와 군집 분류 시험 데이터에 의해 분류기를 학습시키고, 특정 시점에서 센서 값을 입력하여 군집 상태로 전이될 수 있는 확률적 추론을 계산하여 위험 상태(위험, 경보 등)로 전이될 가능성이 높은 기간을 예측하는 방법을 사용할 수 있다. Regression 모델로서 LSTM 딥러닝 모델을 사용하여 학습 및 예측을 수행할 수 있다.The second predictive model is a model that predicts the time until reaching the dangerous state. It trains the classifier by time series data and cluster classification test data for the measurement period, and calculates the probabilistic inference that can be transferred to the cluster state by inputting a sensor value at a specific point in time to transition to a dangerous state (danger, alarm, etc.) It is possible to use a method of predicting the period that is likely to be As a regression model, training and prediction can be performed using an LSTM deep learning model.

세번째 예측 모델은, 위험 상태를 분류하는 모델이다. 이는 센서 값에 대한 특성을 군집화하여 분류 모델을 학습하여 일정 개수(3~5)로 분류하는 방법이다. 주의, 위험, 경보 3단계 분류를 기준으로 하여, 좀 더 상세한 경보 수준을 정의하고자 하는 경우에 사용할 수 있다. 이 모델은, 비지도 학습으로 분류 학습이 가능하며, 분류 결과에 대하여 사람의 개입으로 조절(fine tuning)이 필요할 수 있다. 이 모델은 데이터 수집이 축적됨에 따라 군집 분류 모델의 정확도가 향상될 수 있다.The third predictive model is a model for classifying risk states. This is a method of classifying a certain number (3 to 5) by learning a classification model by clustering the characteristics of the sensor values. It can be used when you want to define a more detailed alarm level based on the three-level classification of caution, danger, and alarm. In this model, classification learning is possible through unsupervised learning, and fine tuning may be required by human intervention on the classification result. In this model, the accuracy of the cluster classification model can be improved as data collection is accumulated.

도 10은 복합 관리부(33)의 전체적인 구성을 설명하기 위한 도면이다.10 is a diagram for explaining the overall configuration of the complex management unit 33 .

도 10을 참조하면, 복합 관리부(33)는, 수집 에이전트(331), 분산 저장 모듈(332), 분산 처리 모듈(333), 분석 처리부(334), 딥러닝 연산부(335) 및 외부 인터페이스(336)를 포함한다.Referring to FIG. 10 , the complex management unit 33 includes a collection agent 331 , a distributed storage module 332 , a distributed processing module 333 , an analysis processing unit 334 , a deep learning operation unit 335 , and an external interface 336 . ) is included.

수집 에이전트(331)는 센서 디바이스(300)로부터 전송되는 대량의 센서 데이터를 수집하는 기능을 수행하며, 수집된 센서 데이터를 분산 저장 모듈(332)로 전송한다.The collection agent 331 performs a function of collecting a large amount of sensor data transmitted from the sensor device 300 , and transmits the collected sensor data to the distributed storage module 332 .

분산 저장 모듈(332)은 수집된 센서 데이터를 분산하여 저장하고 분산 처리 모듈(333)로 전달한다.The distributed storage module 332 distributes and stores the collected sensor data and transmits it to the distributed processing module 333 .

분산 처리 모듈(333)은 센서 데이터를 분석 처리부(334)로 전달하기 전에 필요한 전처리를 분산하여 처리하는 기능을 수행하며, 처리된 센서 데이터는 분석 처리부(334)로 전달된다.The distributed processing module 333 performs a function of distributing and processing the necessary pre-processing before transmitting the sensor data to the analysis processing unit 334 , and the processed sensor data is transmitted to the analysis processing unit 334 .

분석 처리부(334) 및 딥러닝 연산부(335)는 도 9에서 설명한 바와 같이 딥러닝에 기반하여 센서 데이터를 딥러닝에 기반하여 학습된 분류기(classifier)에 의해 분석하고, 그 결과에 따른 알람 신호를 외부 인터페이스(336)을 통해 모니터링/알림부(40)로 전송하는 기능을 수행한다.The analysis processing unit 334 and the deep learning operation unit 335 analyze the sensor data based on deep learning as described in FIG. 9 by a classifier learned based on deep learning, and an alarm signal according to the result It performs a function of transmitting to the monitoring/notifying unit 40 through the external interface 336 .

외부 인터페이스(336)는 모니터링/알림부(40)와 연동하여 분석 처리부(334) 및 딥러닝 연산부(335)에서 전달되는 알람 신호를 모니터링/알림부(40)로 전달하는 기능을 수행한다.The external interface 336 performs a function of transmitting the alarm signal transmitted from the analysis processing unit 334 and the deep learning operation unit 335 to the monitoring/notifying unit 40 in conjunction with the monitoring/notifying unit 40 .

모니터링/알림부(40)는 분석부(30)에서 센서 데이터를 분석한 결과에 따른 알람 신호를 수신하여 표시하도록 하는 기능을 수행한다. The monitoring/notifying unit 40 receives and displays an alarm signal according to a result of analyzing the sensor data by the analysis unit 30 .

모니터링/알림부(40)는 관리자의 컴퓨터로 실시간으로 전달되는 알람 신호를 전달하고, 관리자의 컴퓨터에 연결된 디스플레이부에 표시되는 대시보드를 통해 알람 신호가 표시될 수 있도록 한다. 또한, 관리자 또는 관련자의 스마트폰이나 컴퓨터 등의 디바이스로 실시간으로 알람 신호를 전송하도록 한다. 이 경우, 모니터링/알림 기능을 제공하는 어플리케이션을 통해 알람 신호를 표시하도록 하는 것이 바람직하다.The monitoring/notification unit 40 transmits an alarm signal delivered in real time to the administrator's computer, and enables the alarm signal to be displayed through a dashboard displayed on a display unit connected to the administrator's computer. In addition, an alarm signal is transmitted in real time to a device such as a smartphone or computer of an administrator or related person. In this case, it is preferable to display the alarm signal through an application that provides a monitoring/notification function.

도 11 및 도 12는 모니터링/알림부(40)에 의한 알람 신호가 표시되는 일예를 나타낸 것이다.11 and 12 show an example in which an alarm signal by the monitoring/notifying unit 40 is displayed.

도 11은 관리자의 컴퓨터에 연결된 디스플레이부에 대시 보드를 통해 지도 상에서 알람 신호가 발생한 건축 구조물의 위치를 표시하여 알람 신호가 발생하였음을 표시하고 있다.11 shows that the alarm signal has been generated by displaying the location of the building structure in which the alarm signal has occurred on the map through the dashboard connected to the manager's computer.

도 12는 알람 신호가 발생한 건축 구조물의 상세 정보를 나타낸 것으로서, 알람 이력과 구체적인 센서 데이터의 값, 변화 추이를 나타낸 트렌드 등을 시각적으로 표시하여 보여주고 있음을 알 수 있다.FIG. 12 shows detailed information of a building structure in which an alarm signal is generated, and it can be seen that the alarm history, values of specific sensor data, trends indicating changes, etc. are visually displayed and shown.

이상에서 본 발명에 의한 바람직한 실시예를 참조하여 본 발명을 설명하였으나 본 발명은 상기 실시예에 한정되는 것이 아니며, 기타 다양한 수정 및 변형 실시가 가능함은 물론이다.Although the present invention has been described with reference to the preferred embodiment according to the present invention above, the present invention is not limited to the above embodiment, and of course, other various modifications and variations are possible.

100...머신러닝 기반 건축 구조물 고유 진동값 학습을 통한 안전 진단 시스템
10...클라우드 플랫폼
20...센서 연동부
30...건축 구조물 안전도 분석부
40...모니터링/알림부100...Safety diagnosis system through machine learning-based natural vibration value learning
10...Cloud Platform
20...sensor linkage
30...Building Structure Safety Analysis Department
40...Monitoring/Notification Department

Claims (3)

머신러닝 기반 건축 구조물 고유 진동값 학습을 통한 안전 진단 시스템으로서,
센서 디바이스로부터 건축 구조물의 안전도를 나타내는 센서 데이터를 수집하고, 수집된 센서 데이터를 관리하는 클라우드 플랫폼;
센서 디바이스에서 수집되는 건축 구조물의 안전도를 나타내는 센서 데이터에 기초하여 건축 구조물의 안전도를 분석하는 건축 구조물 안전도 분석부; 및
상기 건축 구조물 안전도 분석부에서 센서 데이터를 분석한 결과에 따른 알람 신호를 수신하여 표시하도록 하는 모니터링/알림부
를 포함하고,
상기 건축 구조물 안전도 분석부는,
미리 설정된 특정 센서 값에 따른 알람 설정 기준에 의해 건축 구조물의 안전도를 분석하는 절대 관리부;
미리 설정된 특정 센서 값의 시계열 데이터에 따른 알람 설정 기준에 의해 건축 구조물의 안전도를 분석하는 연속 관리부; 및
센서 디바이스로부터의 센서 데이터에 기초하여 건축 구조물의 안전도를 딥러닝에 기반하여 학습된 분류기에 의해 분석하는 복합 관리부
를 포함하는 것을 특징으로 하는 머신러닝 기반 건축 구조물 고유 진동값 학습을 통한 안전 진단 시스템.
As a safety diagnosis system through machine learning-based building structure natural vibration value learning,
a cloud platform that collects sensor data indicating the safety level of the building structure from the sensor device and manages the collected sensor data;
a building structure safety level analysis unit that analyzes the safety level of the building structure based on the sensor data indicating the level of safety of the building structure collected from the sensor device; and
Monitoring/notification unit for receiving and displaying an alarm signal according to the result of analyzing sensor data in the building structure safety analysis unit
including,
The building structure safety analysis unit,
an absolute management unit that analyzes the safety level of a building structure according to an alarm setting standard according to a preset specific sensor value;
a continuous management unit that analyzes the safety level of a building structure according to an alarm setting standard according to time series data of a preset specific sensor value; and
A complex management unit that analyzes the safety level of a building structure by a classifier learned based on deep learning based on sensor data from a sensor device
Safety diagnosis system through machine learning-based building structure intrinsic vibration value learning, characterized in that it comprises a.
 청구항 1에 있어서,
상기 복합 관리부는,
다음 주기에 위험 상태에 도달할 확률을 예측하는 제1 모델과, 위험 상태에 도달하기까지의 시간을 예측하는 제2 모델과, 위험 상태를 분류하는 제3 모델 중 적어도 어느 하나에 의해 안전도를 분석하는 것을 특징으로 하는 머신러닝 기반 건축 구조물 고유 진동값 학습을 통한 안전 진단 시스템.
The method according to claim 1,
The complex management unit,
The safety level is analyzed by at least one of a first model that predicts the probability of reaching a dangerous state in the next cycle, a second model that predicts the time to reach a dangerous state, and a third model that classifies the dangerous state A safety diagnosis system through machine learning-based building structure natural vibration value learning, characterized in that.
 청구항 2에 있어서,
상기 제1 모델은 측정 주기 별로 센서 데이터의 수집 또는 가공에 의해 데이터를 정제하고, 일정 주기에 대하여 다음 주기에 주의, 위험, 경보 등의 위험 상태로 될 확률을 계산하여 가장 높은 확률의 상태 변이를 예측하여 안전도를 분석하고, 상기 제2 모델은, 측정 주기에 대한 시계열 데이터와 군집 분류 시험 데이터에 의해 분류기를 학습시키고, 특정 시점에서 센서 값을 입력하여 군집 상태로 전이될 수 있는 확률적 추론을 계산하여 위험 상태로 전이될 가능성이 높은 기간을 예측하여 안전도를 분석하고, 상기 제3 모델은, 센서 값에 대한 특성을 군집화하여 분류 모델을 학습하여 미리 설정된 개수로 분류하여 안전도를 분석하는 것을 특징으로 하는 머신러닝 기반 건축 구조물 고유 진동값 학습을 통한 안전 진단 시스템.3. The method according to claim 2,
The first model refines the data by collecting or processing sensor data for each measurement cycle, and calculates the probability of becoming a dangerous state such as caution, danger, and alarm in the next cycle for a certain period to determine the highest probability of state change. The second model predicts and analyzes the safety level, and the second model trains the classifier based on time series data and cluster classification test data for the measurement period, and inputs a sensor value at a specific point in time to perform probabilistic inference that can be transferred to the cluster state. The third model analyzes the safety level by calculating and predicting a period with a high probability of transitioning to a dangerous state, and the third model learns the classification model by clustering the characteristics of the sensor value, classifying it into a preset number, and analyzing the safety level A safety diagnosis system through machine learning-based natural vibration value learning of building structures.
KR1020190177932A 2019-12-30 2019-12-30 System and method for safety inspection by trainiing nature freqeuncy of structure based on machine learning KR20210085168A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190177932A KR20210085168A (en) 2019-12-30 2019-12-30 System and method for safety inspection by trainiing nature freqeuncy of structure based on machine learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190177932A KR20210085168A (en) 2019-12-30 2019-12-30 System and method for safety inspection by trainiing nature freqeuncy of structure based on machine learning

Publications (1)

Publication Number Publication Date
KR20210085168A true KR20210085168A (en) 2021-07-08

Family

ID=76893474

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190177932A KR20210085168A (en) 2019-12-30 2019-12-30 System and method for safety inspection by trainiing nature freqeuncy of structure based on machine learning

Country Status (1)

Country Link
KR (1) KR20210085168A (en)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200128637A (en) * 2013-05-13 2020-11-16 현대모비스 주식회사 Communication interface system for charging battery of electric vehicle and Charging method using thereof, Electric vehicle having communication interface system for charging battery
CN113808376A (en) * 2021-09-18 2021-12-17 中国工商银行股份有限公司 Safety monitoring method and device for self-service teller machine equipment
KR102405924B1 (en) * 2021-10-27 2022-06-07 (주)유앤피플 A SYSTEM AND METHOD FOR RISK ALARMS USING IoT TIME SERIES TUNNEL DATA AND DATA AUGMENTATION AND DEEP LEARNING ETC
KR102417277B1 (en) * 2021-10-26 2022-07-06 주식회사 지노시스 Safety diagnosis platform system of danger structure based on blockchain
KR20230085364A (en) 2021-12-07 2023-06-14 한국건설기술연구원 Maintenance system of bridge structure using deterioration model based on artificial intelligence (ai), and method for the same
WO2023163524A1 (en) * 2022-02-24 2023-08-31 주식회사 소테리아에이트 System for preventing major disaster due to building resilience collapse and method using same
KR20230127141A (en) * 2022-02-24 2023-08-31 주식회사 소테리아에이트 Disaster Prevention System According to Building Resilience Destruction and Method Using the Same
CN117033437A (en) * 2023-08-11 2023-11-10 陕西建大检测中心有限公司 Building structure safety data analysis system
CN117033437B (en) * 2023-08-11 2024-06-04 陕西建大检测中心有限公司 Building structure safety data analysis system

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200128637A (en) * 2013-05-13 2020-11-16 현대모비스 주식회사 Communication interface system for charging battery of electric vehicle and Charging method using thereof, Electric vehicle having communication interface system for charging battery
CN113808376A (en) * 2021-09-18 2021-12-17 中国工商银行股份有限公司 Safety monitoring method and device for self-service teller machine equipment
KR102417277B1 (en) * 2021-10-26 2022-07-06 주식회사 지노시스 Safety diagnosis platform system of danger structure based on blockchain
KR102405924B1 (en) * 2021-10-27 2022-06-07 (주)유앤피플 A SYSTEM AND METHOD FOR RISK ALARMS USING IoT TIME SERIES TUNNEL DATA AND DATA AUGMENTATION AND DEEP LEARNING ETC
KR20230085364A (en) 2021-12-07 2023-06-14 한국건설기술연구원 Maintenance system of bridge structure using deterioration model based on artificial intelligence (ai), and method for the same
WO2023163524A1 (en) * 2022-02-24 2023-08-31 주식회사 소테리아에이트 System for preventing major disaster due to building resilience collapse and method using same
KR20230127141A (en) * 2022-02-24 2023-08-31 주식회사 소테리아에이트 Disaster Prevention System According to Building Resilience Destruction and Method Using the Same
CN117033437A (en) * 2023-08-11 2023-11-10 陕西建大检测中心有限公司 Building structure safety data analysis system
CN117033437B (en) * 2023-08-11 2024-06-04 陕西建大检测中心有限公司 Building structure safety data analysis system

Similar Documents

Publication Publication Date Title
KR20210085168A (en) System and method for safety inspection by trainiing nature freqeuncy of structure based on machine learning
CN107609304B (en) PHM-based fault diagnosis and prediction system and method for large-span railway bridge
He et al. Integrated structural health monitoring in bridge engineering
CN114005278B (en) Intelligent monitoring and early warning system and method for highway infrastructure group
CN110926523A (en) High-speed railway bridge safety perception and early warning system under complicated abominable condition
CN113900381B (en) Steel structure remote health monitoring platform based on Internet of things and application method
CN113310528A (en) Real-time tunnel structure health monitoring method based on multivariate sensing data
CN113342812A (en) Power transmission and transformation equipment fault rapid diagnosis system, method and platform
CN114169548A (en) BIM-based highway bridge management and maintenance PHM system and method
CN115146230A (en) Ancient building health monitoring system, method and equipment
KR100564362B1 (en) Prevention system and the method for maintenance of railway car using RAMS analysis
CN114912641A (en) Road network bridge and tunnel maintenance decision and intelligent inspection system based on BIM
Asadi et al. Localized health monitoring for seismic resilience quantification and safety evaluation of smart structures
Karimi et al. Damage identification in bridge structures: review of available methods and case studies
Lu et al. Risk assessment of complex footbridge based on Dempster–Shafer evidence theory using Fuzzy matter–element method
KR20210081136A (en) A diagnosis and monitoring system based on geographic information system for the large-scale water supply pipes
KR20230149438A (en) System for supporting decision for railway safety
Chang et al. Necessity of the bridge health monitoring system to mitigate natural and man-made disasters
Chen et al. BIM-and IoT-Based Data-Driven Decision Support System for Predictive Maintenance of Building Facilities
CN113267217B (en) Bridge group monitoring system and bridge group monitoring method
CN114662619A (en) Bridge monitoring system based on multi-source data fusion
CN113888043A (en) Full-period visual management and analysis system for girder diseases of beam bridge
Sousa et al. Next generation of Monitoring Systems towards Infrastructure Resilience
Monavari SHM-based structural deterioration assessment
RU2742081C1 (en) Method for monitoring technical condition of industrial buildings with assessment of accident risks

Legal Events

Date Code Title Description
E601 Decision to refuse application