통계 기반 확률론적 데이터 증강을 활용한 케이블 교량의 인공지능 기반 실시간 이벤트 분류 프레임워크 개발
AI-based Real-time Event Classification Framework of Cable-stayed Bridge Utilizing Probability-based Data Augmentation
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 케이블 교량의 실시간 안전진단을 위해 IoT 센서를 기반으로 수집된 데이터를 활용하여, 희귀 이벤트 (선박 충돌, 태풍, 지진 등)의 학습 한계를 극복하기 위한 통계 기반의 확률론적 데이터 증강 기법을 적용한 자동화된 구조 이벤트 분류 모델을 제안한다. 실제 교량에서 발생하는 이상 신호와 희귀 이벤트에 대한 데이터의 분석을 진행하기 위해 실측 데이터로부터 대표 데이터를 추출하였다. 추출된 각 센서 채널별 대표 데이터를 기반으로 각 센서에 대한 적응형 기준치를 선정하여 이상 신호 여부를 판단하였다. 이상 신호 여부에 따라 공간 센서행렬 (SSM: Sensor Spatial Matrix)을 구축하고, 이벤트에 대한 SSM의 패턴을 분석하였다. SSM 패턴에 대해 Gumbel 분포 기반의 확률론적 모델링을 통해 희귀 이벤트의 활성 패턴을 통계적으로 재현하여 학습용 합성 데이터를 생성하였다. 학습용 합성 데이터를 생성함에 따라, 교량에서 드물게 발생하는 이벤트에 대한 적은 데이터의 문제를 해결할 수 있음을 확인하였고, 이러한 데이터 증강 기법을 적용한 CNN 기반 이벤트분류 모델의 학습을 통해서 이벤트 분류 모델의 학습에 대한 안정성의 확보와 학습된 모델이 일반화 되는 경향성을 저감시켰으며, 실제 대한민국 진도에 위치한 진도대교에 적용한 현장 실험 결과 분류 정확도 97.46%를 달성하였다. 본 연구는 구조물 건전도 모니터링 (SHM: Structural Health Monitoring)의 실시간 자동 진단 능력을 향상시키며, 희귀 이벤트의 부족한 데이터를 보완할 수 있는 방법론을 제시한다.
Abstract
This study proposes an automated structural event (ship collision, typhoons, earthquakes, etc.) classification model that applies a statistical-based probabilistic data augmentation technique to overcome the learning limitations of rare events by utilizing data collected via IoT sensors for real-time safety diagnosis of cable-stayed bridges. Representative data were extracted from actual measurement data to analyze abnormal signals and rare events occurring on real bridges. Adaptive thresholds were selected for each sensor based on the extracted representative data per sensor channel to determine the presence of abnormal signals. Based on the values classified according to the presence of abnormal signals, a Sensor Spatial Matrix (SSM) was constructed, and the patterns of the SSM observed for event were analyzed. For the SSM patterns, a Gumbel distribution-based probabilistic modeling was used to statistically reproduce the active patterns of rare events, generating synthetic data for training. Generating synthetic training data confirmed the ability to address the problem of sparse data for rare events on bridges. Applying this data augmentation technique to train a CNN-based event classification model ensured stability in model training and reduced the tendency for the trained model to overgeneralize. Field experiments conducted on the Jindo Bridge in Jindo, South Korea, achieved a classification accuracy of 97.46%. This research enhances the real-time automatic diagnostic capability of Structural Health Monitoring (SHM) and presents a methodology to compensate for insufficient data on rare events.