1. 서 론
2. 구조 건전성 모니터링(SHM) 기반 AIoT 시설물 모니터링 서비스 기술
2.1 구독형 기반 시설물 모니터링(XaaS) 기법 방향
2.2 AI + IoT 시설물 모니터링 기술 동향
3. 적용 검토 및 사례
3.1 AI + IoT 시설물 모니터링 서비스 구성
3.2 SHM 기반 시설물 모니터링
3.3 고신뢰 시설물 진단 알고리즘
3.4 사용자 편의 UI/UX
4. 결 론
1. 서 론
1970년대 건설 붐을 기반으로 집중적으로 건설되기 시작한 도시 시설물은 현재 노후화가 급속히 진행되고 있다. 향후 10년 이내에 공용연수 30년 이상의 노후 시설물은 현재의 2배 이상으로 급증될 것으로 예상되며, 이로 인한 유지관리 및 보수보강 비용 역시 크게 증가할것으로 예측된다. 실례로 Fig. 1와 같이 시설물안전법 대상 시설물(56,884개소) 중, 공용연수가 30년 이상 된 노후 시설물 비중은 ’20년 기준 18.4%(10,484개소)이나, 향후 10년 이내에 45.0%(25,607개소)로 급증할 것으로 보인다(WisenGlobal 2021).
Fig. 1
Aging status of domestic facilities and increasing maintenance budget trend (WisenGlobal, 2021)
또한, 시설물안전법의 개정 법률안이 통과(’18.1.18. 시행) 됨에 따라 재난 및 안전관리기본법의 특정관리 대상 시설의 일부인 제3종 시설물이 안전관리 대상으로 포함되면서 안전관리 대상 시설물 개소수도 증가하고 있다. 게다가 대체적으로 관리수준이 높은 1, 2종 시설물에 비해 관리수준이 상대적으로 열악한 3종 시설물은 주로 지방자치단체에서 관리하고 있는데 각 기관의 재정자립도 및 기술수준에 따라 관리현황이 천차만별로 관리가 어려운 상황이다.
최근 이상기후 등으로 인하여 집중 호우, 초거대 태풍, 이상 고온 등 그리고 지진 등으로부터 시설물의 피해를 예방을 위해서는 사전에 시설물의 상태를 주기적인 모니터링이 필요하다. 시설물의 정확한 현재 상태를 파악하여, 유지보수여부, 시설물의 적합한 방법 등의 결정에 활용된다. 이는 시민 안전과 사회적 비용을 절약하기 위한 것으로 그동안 시설물 안전 관리를 위해 다양한 구조 건전성 모니터링 기법이 개발 되어 왔으며, 주요 구조물에 꾸준히 적용되어 왔다(Kim 2015; Ko 2005; Lamonaca 2018).
구조 건전성 모니터링(Structural Health Monitoring, SHM) 기술은 구조물에 센서를 부착하여 구조 응답을 계측하고, 이를 이용하여 구조물의 손상 위치 파악 및 손상에 따른 구조물의 상태를 평가하는 것을 말한다(Jang 2010; Ko 2013; Lee 2016). IT 기술의 발전과 더불어 구조 건전성 모니터링 기술도 발전하고 있으며, 현재 신호처리 및 해석 기능이 추가된 무선 기반 센서 디바이스를 스마트 센서로 활용하고 있고 이에 따른 응용 기술도 발전하고 있다. 또한 응용 기술의 한 분야로 어디서나 현장을 실시간 모니터링이 가능하게끔 하는 기술이 추가되어 구조 건전성 모니터링의 영역이 더욱 확장 되고 있는 상황이다(MidasIT 2017).
그러나, 유지관리 산업분야에서는 인구 고령화, 노동시간 감소, 업종기피 현상 심화 등으로 생산성 저하 및 비용 부담 증가 등으로 어려움이 더욱 가중되고 있는 상황이다. - 국내 전체 산업계에서 55세 이상 고령의 취업자 비율은 평균 31.6% 수준으로 높은 편이며 특히 건설업의 경우 고령 취업자의 비율이 37.1%에 달하여 고령화도가 농어업을 제외하고 타 산업에 비하여 높으며, 인구구조 변화에 따른 생산가능인구 감소로 고령자의 건설업 취업은 지속 증가할 전망이다(Korea Reserch Institute for Construction 2023). - 유지관리 업계에 만연한 과도한 업무 강도와 높은 업무 불만족도는 청년층의 건설업종 기피의 주요인이며 장기적으로 전문 인력 확보의 어려움이 예상되고 있다. - 대형 민간 건설사 대비 재정적으로 열위에 있는 유지관리 업계의 노동 환경은 매우 열악한 상황이며 기술자 고령화에 따른 생산성 저하와 업종 기피 현상으로 신규 인력 유입이 적어지고 있다.
이를 해결하기 위해 전문적인 IT기술과 토목안전관리 기술의 융합이 시설물 모니터링 분야에 적용되어 지고 있다. 실제로 현장관리와 조치 등에는 상당한 노력이 필요하며, 대부분의 주요 시설물은 모니터링에 대규모 예산을 투입하여 센서를 설치하고, 수집되는 데이터를 저장을 위해 서버를 구축하여 관리하고 있다. 그러나, 특정 시설물을 대상으로 구축된 솔루션은 범용이 아니라 다른 시설물에 그대로 적용하기 어려워 지속적으로 새로운 솔루션을 개발해야 하고, 한번 시스템이 구축되면 이후 새로운 기술은 도입되기 어려운 단점이 있다. 게다가 중소규모 시설물은 규모 있는 예산을 할당하기 어려운 상황이다. 일반적으로 기초적인 모니터링 기반 안전관리조차 되지 못하고 있거나, 일시적인 사업으로 모니터링이 구축된다 하더라도 지속적으로 관리되지 못하고 있다.
이와 같이, 막대한 비용으로 구축된 모니터링 시스템도 활용도가 떨어지거나, 새로운 기술에 대한 도입이 원활하지 않은 경우도 발생하고 있는 상황이다. 이러한 문제를 해결하기 위해 유지관리 분야의 필요 서비스의 방법과 방향을 고민하는 것이 필요하다. 본 연구에서는 이 분야의 기술과 동향에 대해서 알아보고자 한다.
2. 구조 건전성 모니터링(SHM) 기반 AIoT 시설물 모니터링 서비스 기술
시설물 안전관리를 위해서는 설치, 현장 유지보수 등의 현장 서비스가 필수적이다. 더불어 데이터의 분석 뿐만 아니라, 데이터를 기반으로 적정한 의사결정은 필수이다. 이를 위해 고객이 선택해 구축 또는 구독을 할 수 있게 하는 구조 건전성 모니터링 (SHM) 시스템을 제공하는 것이 필요하다. 구축형 SHM 시스템과 달리 구독형 SHM 시스템은 다음과 같은 장점이 존재한다. 초기 투자 비용이 구축형에 비해 25~30% 수준으로의 절감, 원하는 시기에 빠른 설치로 즉각적인 모니터링 대응 및 빠른 철거, 기간단위별 과금으로 필요시 필요한 만큼의 비용지출, 그리고 새로운 기술의 빠른 적용과 적용시 추가 구축 비용의 절감 효과 등이다.
이를 위해서 구독형 SHM시스템은 서비스를 위해 다음과 같은 기술을 적용해야 한다. 즉, ① 최신 AI와 IT 기술이 적용된 하드웨어와 소프트웨어를 제공, ② 전문적인 안전관리 알고리즘을 통한 관리 ③ 현장 문제 분석, 설치 및 유지보수까지 포함하는 서비스 포함하는 방법과 이를 구현하는 기술이 필요하다. 이렇게 구현된 구독형 시스템으로 적용시, 초기 비용을 기존 시스템 대비 크게 낮추고 지속적인 업그레이드 및 신뢰성 있는 안전관리가 가능하다.
이를 위해 당사에서는 Fig. 2에서 표현하고 있는 Ino-Vibe GB 솔루션 (이하 GB 솔루션)이라 불리는 SHM 기반 AIoT 시설물 모니터링 서비스를 제공하고 있다. 이 서비스는 당사가 개발한 SHM 기반 AIoT 시설물 모니터링 서비스로 다음과 같은 핵심기술, ① (하드웨어)All-In-One의 확장성이 뛰어난 Ino-Vibe GB 라고 불리우는 Edge IoT 센서 플랫폼(하드웨어, 소프트웨어)과 다양한 센서 연결(가속도, 경사, 변위, 변형률, 균열, 풍향/풍속, 수위, GNSS 등 기존 구축형에 연결되는 다양한 계측 센서와 카메라 등) ② (플랫폼)신뢰성 있게 연결된 센서의 데이터를 처리하고 다양한 알고리즘을 운영 가능한 GB 솔루션의 기본이 되는 클라우드 기반의 서버 IoT 플랫폼, ③ (알고리즘) 기존 교량에서 수집된 계측 데이터를 기반으로 구현된 자동장력 계산 기능과 최신 AI기술을 활용하여 세계 최초로 구현된 자동 시설물 이상 판별 알고리즘 등, ④ (서비스) 데이터 표출을 위한 AI 자연어 기반 데이터 분석과 상황에 맞게 자동으로 주요 내용을 표출하도록 도와주는 선택형 대시보드 등을 보유하고 있다.
또한, 실제 서비스를 위해 문제 분석과 현장 대응 프로세스를 개발하였고, 현장 대응 효율화를 극대화하기 위해 외부 협력을 위한 각 분야의 전문 기관 및 기업들과의 협력을 구체화하고 실제 현장 대응을 위한 매뉴얼과 시스템을 개발하였다.
2.1 구독형 기반 시설물 모니터링(XaaS) 기법 방향
구독형 IoT 플랫폼 제공을 위한 GB 솔루션(XaaS: SIMaaS - Structure Integrated Monitoring as a Service)의 특징은 다음과 같다. ① 구독형 및 구축형으로 선택할 수 있게끔 하여 이상상태 분석 및 시설물의 상태변화를 감지하여 발생 가능한 사고 예방이 가능하며, ② 이벤트 관리로 태풍, 지진, 교통사고, 공사 전후를 비교하여 안전성을 확인 가능하고, ③ Fig. 3과 같은 수명예측으로 시설물 사용성을 고려한 유지보수시기 결정에 도움을 줌 으로써 선제적 보수와 보강이 가능할 수 있도록 Fig. 4와 같은 의사결정 판단 자료를 제공하도록 하였다.
기존의 솔루션에 추가하여 다음과 같이 구독형으로 GB 솔루션을 설계하고 구현하였다.
(1) 시설물 관리 모니터링을 구독형 및 구축형 서비스화가 가능하도록 구현했다. 이를 통해 초기 도입의 장벽을 낮출 수 있어 추가 구축을 위한 사회적 비용을 낮출 수 있다. 동시에 지속적으로 신기술을 적용할 수 있는 구조를 구현하였다.
(2) 시설물에 필요한 GB 솔루션을 구축하고 활용하기 위해 Fig. 5와 같이 관리를 위한 프로세스를 정의하고 필요한 기능을 새로이 개발했고, 기존 구현했던 기능들을 강화하는 방향으로 솔루션을 구축하였다. 시설물 관리를 위해서는 설치, 운영, 현장관리의 프로세스가 필요하여 각각 서비스를 정의하고 이에 필요한 기능을 GB 솔루션에 구현하였다. 시스템의 적용을 위해 필요한 기능을 분석하고 구현 및 적용하였다.
(3) GB 솔루션을 마이크로 서비스 아키텍처 구조 기반 서버 IoT 플랫폼으로 구축하고 이에 연계되는 AIoT Edge 컴퓨팅 기술을 적용하였으며, 최신 AI와 시설물 관리 분석 알고리즘, 그리고 IoT 기술이 적용된 기술을 지속적으로 제공될 수 있도록 구독형태로 서비스하고 있다. 솔루션 내에서 센서 설치, 데이터 모니터링, 센서 현장 관리, 데이터 분석을 구분하였고 이를 포함하여 구현하였다.
세부기술로는 GB 솔루션에 포함되는 Edge IoT 센서 플랫폼내 센서의 장착 및 셋업 기술, 자연어 기반 데이터 검색/추출 (LLM 기반, 현재는 Gemma-2-27b-it 모델을 사용하고 있으며 GB솔루션의 데이터베이스 아키텍쳐와 연계하여 서치하고 분석하고 있음), AI 이미지 객체 인식, AI 시그널 데이터 분석을 할 수 있게 하였다. 더불어 지속적으로 새로운 기술이 적용될 수 있는 서비스 개발과 이를 적용할 수 있는 구조로 구축하였다.
2.2 AI + IoT 시설물 모니터링 기술 동향
SHM 기반의 IoT 시설물 모니터링을 제공하기 위해 GB 솔루션은 다음과 같은 기능을 제공하고 있다.
(1) 다양한 센서를 지원하는 Ino-Vibe GB (Edge IoT 플랫폼) 디바이스: All-In-One 디바이스인 하드웨어 플랫폼으로 가속도 데이터 뿐 아니라 변위, 변형률, 풍향/풍속 등 다양한 계측 센서의 확장이 가능하다. 또한, 기존 제품 내부 (Ino-Vibe GB)에 시간 동기화 기능을 탑재하고 있으며, 옵션으로 고정밀 가속도 센서를 탑재 가능한 하드웨어 플랫폼을 제공한다. 특히, 시간동기화 된 가속도 데이터를 통해 모드 형상 추정이 가능하다.
(2) 구독형인 클라우드 기반과 구축형(사용자 on-premise)에 모두 구성 가능한 서버 IoT 플랫폼: 마이크로 서비스 아키텍처 기반으로 서비스 단위 확장이 가능하고 장애발생 시 시스템 전역으로 영향이 확정되는 것을 막을 수 있는 구조로 구축되었다.
구독형의 경우, 고객이 보안등의 이유로 데이터의 전용 저장을 위해 고객이 직접 서버를 관리하고 데이터를 지정위치에 보관하길 원하는 경우 제공이 어려워진다. 즉, 고객이 원하는 구축형 서비스가 필요할 때 필요한 기능들만으로 서비스를 제한 망 내로 옮겨서 서비스 가능한 구조로 설계되어 있어, 필요시 고객이 원하는 제한된 망 내로 서버구축과 이전이 가능하도록 지원한다.
(3) 사용자 편의를 위한 강화된 UI/UX 서비스 기능 (AI 기능 포함)
Table 1 에서와 같이 사용자 편의를 위하여 3D 그래픽으로 확인할 수 있게 3D 모델을 제공하고, 현장 작업을 위해 작업자가 현장에서 손쉽게 사용할 수 있도록 모바일 기능을 제공하도록 하는 지원이 필요하다.
Table 1.
Enhanced UI/UX service features for user convenience
(4) 고신뢰 시설물 진단 알고리즘
다년간 수집되고 분석된 수많은 교량의 IoT 센서 데이터를 토대로 최신 도메인 관련 알고리즘과 AI기술이 필요하다. Table 2 에 표시된 실시간 처리가 가능하도록 자동화 된 장력 계산 알고리즘과 시설물 이상 탐지를 위한 알고리즘, 그리고 센서 데이터를 수집하는 경우에 발생하는 센서의 이상 데이터를 감지하고 보간하는 알고리즘과 카메라를 기반으로 한 이미지 변위 예측 알고리즘도 지원이 필요하다.
Table 2.
High-reliability facility diagnostic algorithm
(5) AI 기반 정보 활용
AI를 활용한 자연어 기반 검색 지원으로 빅데이터의 조회와 분석을 용이하게 하고. 태풍, 지진 등의 상황에 맞게 필요한 정보를 기반으로 자동으로 선택되는 상황 인지 기반대시보드 구성이 가능하도록 Table 3과 같은 지원이 필요하다.
Table 3.
AI-based information utilization
3. 적용 검토 및 사례
3.1 AI + IoT 시설물 모니터링 서비스 구성
3.1.1 서비스 기능
시설물 관리를 위해서는 설치, 운영, 현장관리의 프로세스가 필요하여 각각 서비스를 정의하고 필요한 기능을 다음과 같이 GB 솔루션에 구현하였다. 시설물 관리를 위한 설치, 운영, 현장조치로 구분하여 서비스를 제공하도록 하였고, 설치서비스는 최초 설치와 초기 세팅을 위한 서비스로 정의하였다. 운영서비스는 설치후 데이터 수집과 분석 및 진단, 시설물 종합진단, AI 서치와 AI 대시보드 등을 운영하는 서비스로 정의하고, 현장조치 및 유지보수 서비스는 IoT 센서와 GB 솔루션의 하나인 Edge IoT 플랫폼에 문제가 발생하였거나 물리적 설정을 변경하기 위한 서비스로 정의하였다. 설치하고 운영하는 서비스의 예는 Fig. 5에 표시한 바와 같이 해당 역할을 수행하면 되리라 생각된다.
구조물 관리자는 Fig. 6과 같이 다양한 분석을 통해 구조물의 상태 변화를 예측하고 대안을 마련해야 하며, 문제가 생겼을 때에도 원인 분석을 위해 데이터를 이용한 분석을 수행해야 한다. 수요기관의 주요 애로사항 중 하나는 너무 많은 대상 구조물과 너무 많은 데이터가 쌓여있는 상황에서 관리자가 분석을 위한 질의를 작성하는 것이 너무 어렵고, 몇 가지 패턴에 의한 제한된 분석만 수행할 수 있다는 것으로 파악되고 있다. 수요기관에게 관리자의 분석 편의성을 높이고 분석 및 예측의 질을 높이도록 제공되어야 한다. 예를 들어 자연어로 분석 내용을 질의하면 생성형 AI 모델이 정보를 추출하고 이를 기반으로 응답을 생성하여 관리자가 확인하는 서비스를 제공하도록 할 수 있다.
3.2 SHM 기반 시설물 모니터링
3.2.1 IoT 센서 기반 모니터링
본 연구에서는 IoT 기반으로 측정된 센서값을 모니터링하기 위해 필요한 종류를 검토하고 적용한 사례를 공유한다. 사용자를 위해서는 Fig. 7과 같이 센서의 실제 측정 데이터를 제공하는 것이 필수이며, 편리함을 위해 모니터링 기간내 주어진 기간의 최대, 최소, 표준편차, 그리고 평균등의 통계데이터 제공도 필수라고 생각된다. 더불어, 사용자가 필요시 실시간으로 데이터를 확인할 수 있는 실시간 데이터 모니터링 기능도 사용할 수 있다. IoT 센서 기반 모니터링을 위해서는 설치시 시스템의 환경에 대해서도 확인이 필요한 상황이 있을 수 있다. 이에 대해 Fig. 8과 같이 설치 환경과 설치 시스템에 대한 모니터링 기능도 필요하다.
3.2.2 자동 장력 계산
기반 시설의 노후화가 급증하고 제한된 예산으로 인해 상시 모니터링 시스템 및 장기데이터 확보가 필수적이다. 선제적 유지관리가 필요한 이유는 예방비용과 보수 비용의 옵티멀한 비용을 비교했을 때 선제적 관리를 수행했을 때의 비용이 최소가 되는 것을 알 수 있기 때문이다.
국내외 대형 특수교량의 대부분은 상시계측시스템을 운용하고 있으며 지속적으로 대용량 데이터 취급 비용이 발생하고 있다. 관리하는 측면에서 이를 살펴보면 고정관리 기준치를 설정 후 초과 여부만 판단하고 있으며 매년 계측 데이터베이스의 정기적 통계 분석을 수행하고 있어, 인적으로나 물적으로나 자원 절감을 위한 노력을 필요로 하고 있다. 더욱이 해당 담당자의 순환근무로 인한 잦은 교체와 전문지식의 부재, 그리고 관리경험 부족으로 인해 장기 계측 데이터베이스의 효율적인 분석과 이를 활용한 의사 결정이 어려울 수가 있다.
케이블 교량의 주 부재인 케이블은 장력을 모니터링하는 것이 필요하다. 이를 위하여 케이블에 설치된 가속도계로부터 수집된 데이터를 주파수 영역으로 변환, 변환된 주파수 영역에서 첨두를 탐지하고, 탐지된 첨구 정보(위치, 순서)를 활용하여 장력을 추정한다. 케이블 장력 추정 과정 중에서 첨두 탐지 과정은 주로 사전 설정을 하거나, 인력을 통해 수행된다. 기존의 첨두 탐지 방법은 외부 조건의 변화, 케이블 손상 등에 따른 첨두 위치 변화 탐지에 취약하고, 노동집약적인 문제점이 있다. 본 연구에서는 도메인 지식 기반으로 케이블의 주파수의 첨두를 자동으로 추정할 수 있는 알고리즘(Seung-Seop 2021)을 센서에 탑재하였다.
탑재된 알고리즘은 1) 사전설정이 필요하지 않고, 2) 데이터의 강건함을 보이며, 3) 낮은 컴퓨팅 파워가 필요한 장점이 있다. 이러한 장점으로 인하여, 기존의 원시 데이터를 전송하여 서버에서 장력을 추정하는 방식이 아닌, 센서 내부에서 장력을 추정 가능하도록 IoT 센서를 개발하였다. 개발된 센서는 공용 중인 사장교에 적용하여, 장력을 모니터링 중이며, 플랫폼에서 주파수 영역의 분석 결과, 탐지된 첨두 정보 그리고 추정된 장력 등을 확인가능하다(Fig. 9).
3.3 고신뢰 시설물 진단 알고리즘
3.3.1 이상 센서 데이터 탐지
시설물 모니터링을 위해 설치된 센서의 이상 상태 탐지는 인력 기반의 주관적인 기준에 의해 수행되어 센서 교체가 적절한 시점에 이루어지지 못하고 있는 상황이다. 일반적으로 결측치가 발생하면 이 시점에 해당하는 모든 데이터를 제거하는 형태로 이루어져 과도한 데이터 손실이 발생할 가능성도 존재한다. SHM기반의 모니터링은 센서를 설치하여 데이터를 확보 하는 것이 필수적이다. 그렇지만 측정되는 센서데이터의 값들이 항상 정확할 것이라고 생각하는 것은 오류를 불러 올수 있다. 그 원인으로서는 Fig. 10과 같이, 연결되는 통신선의 문제로 값이 소실되고, 센서 자체의 문제로 불규칙한 값 또는 일정한 값이 전달, 민감한 센서의 경우 측정시 과다 또는 과소의 측정값으로 아웃라이어 값이 발생할 수가 있기 때문이다.
공정모니터링 분야에서 이상 센서 데이터 탐지에 대한 구분이 필요하며, 다양한 센서 고장 및 정확한 이상상태 검출을 위해 측정된 센서 데이터의 사용유무를 결정하는 알고리즘이 필요하다. Fig. 10에서와 같이 측정된 센서 데이터의 검증을 수행하여 확보된 센서 데이터를 정상과 비정상으로 구분하게 된다. 비정상일 경우에도 미싱, 마이너한 경우, 아웃라이어 등으로 구분하여 확보된 센서 데이터를 사용할지 또는 제거할지를 결정하는 것이 필요하다. 데이터 후처리 측면에서 선형보간을 하는 경우도 있을 수가 있으며, 확보된 데이터를 기반으로 데이터 확보/검증/가공에 적용할 수 있도록 구분 알고리즘을 제공한다.
예를 들어, 미싱의 경우 기본적으로 동종의 센서가 설치되어 있는 경우 동일 시간대의 보간을 통해 데이터를 사용하는 것이 가능하나, 동종의 센서가 같이 설치되어 있는 경우가 많지 않으므로 이전 시간대 확보된 데이터를 사용해서 보간이 가능할 수 있다. 아웃라이어의 경우 확보된 데이터의 한포인트에서만 발생하는 경우, 이전 시간의 데이터를 사용한 보간으로 데이터 손실을 막을수 있으리라 생각된다. 이렇듯, 확보된 데이터를 사용할 것인지, 데이터를 보간하는 방법을 통해 사용할 것인지 등 확보 방법을 선택할 수 있도록 제공할 수 있다. 데이터의 전처리 작업을 통해 구조물의 상태를 실시간으로 감시가 가능하고 이상 징후가 감지될 수 있는 기반을 제공할 수 있다.
3.3.2 외부 환경 변화를 반영한 이상상태 탐지
건설 분야 구조물은 기계 등 제조업 도메인과 달리 손상에 대한 데이터 확보가 어렵다. 게다가 동일한 구조 형식이라도 구조재료, 시공 방법/조건 등에 따라 강성 및 거동 특성이 다르다. 또한 외력(차량 하중 등)과 외부 환경(온도, 습도, 염분 등)은 공간(위치)과 시간(계절)에 따라 상이하다. 즉, 구조물마다 서로 다른 고유한 강성, 거동, 열화 및 손상 특성을 가지므로 구조물 상태를 단순 예측하기 어렵다. 일반적으로 실시간 구조물 모니터링 중 이상 상태(손상) 감지 시에는 관리자에게 신속하게 통보하여 시기적절한 의사결정(이용 통제 후 정밀 점검)을 지원한다.
상시모니터링 시스템을 통해 구조물의 상태를 실시간으로 감시하고 이상 징후가 감지되면 이를 관리자에게 Fig. 11과 같이 실시간으로 통보함으로써 시기적절한 의사결정에 활용하도록 기능이 요구된다. 그러나, 구조물의 응답은 시간에 따른 외부 환경 변화 (온도, 파랑 등)에 의해 달라질 수 있다. Fig. 11의 좌측은 3경간 프리스트레스트 콘크리트 교량(Z-24)에서 철거 전까지 1년간 측정한 고유진동수와 아스팔트 포장부의 온도 이력을 보여준다. 해당 교량은 철거 전까지 다양한 손상(교각 침하, 텐던 제거 등)을 점진적으로 유발하면서 손상에 따른 응답 변화를 분석한 장기 계측 데이터이다. 최초 손상은 교각의 침하 시스템(settlement system) 설치로 인해 불가피한 교각 부재의 단면 손실이 1998년 8월 9일에 발생하였으나 손상에 의한 고유진동수 변화량(강성 저하로 인한 고유진동수 감소)은 온도에 의한 변화량(온도 영향으로 인한 고유진동수 증가)에 가려져 고유진동수의 저하 유/무를 쉽게 확인할 수 없음을 알 수 있다.
이러한 외부환경 변화에서 이상상태를 탐지하는 방법으로 새로운 데이터가 들어올 때마다 이상상태 탐지 모델을 업데이트하는 방식인 온라인 학습을 통해 효과적으로 해결할 수 있다. Fig. 11의 우측은 Z-24 교량의 이상상태 탐지에 상기 온라인 학습 방식을 적용하였으며, 그 결과 손상이 발생되지 않는 구간(초록색 마커)에서 적은 오보(false alarm) 및 정확한 손상 발생 시점(검은색 점선)을 포착함을 검증하였다. 건설 구조물은 고유한 외부 변화 패턴을 가지기 때문에 이를 어떻게 효과적으로 해결하는 것이 매우 중요하다. 즉 공용 중 발생하는 다양한 외부 환경 변화로 인한 변동성을 고려하여 상태를 평가하는 것이 신뢰성 확보 측면에서 매우 중요하다. 외부 환경변화 변동 하 온라인 학습 기반 이상상태 탐지 기술은 이러한 문제의 해결 방법 중 하나이다. 나아가 해당 기법을 통해 정상으로 판단된 데이터들은 향후 장기계측 DB로 활용될 수 있으며 장기계측DB를 토대로 성능 예측 모형 개발에 활용될 수 있다.
3.4 사용자 편의 UI/UX
수요기관의 주요 애로사항 중 하나는 너무 많은 대상 구조물과 너무 많은 데이터가 쌓여있는 상황에서 관리자가 분석을 위한 질의를 작성하는 것이 너무 어렵고, 몇 가지 패턴에 의한 제한된 분석만 수행할 수 있다는 것으로 파악되고 있다. 사용자 편의를 위해 Fig. 12처럼 고객에게 대규모 언어모델 기반 자연어 질의-응답 플랫폼을 만들어 제공하면 관리자의 분석 편의성을 높이고 분석 및 예측의 질을 높일 수 있으리라 생각한다. 자연어 질의-응답 플랫폼은 사용자가 자연어로 분석 내용을 질의하면 생성형 AI 모델이 정보를 추출하고 이를 기반으로 응답을 생성하여 관리자가 확인하는 서비스를 제공 할 수 있다. 현재는 LLM 모델이 Gemma-2-27B을 사용하여 구현되어 있으며 GB 솔루션의 데이터베이스 아키텍처와 연계되어 구현되어 있다. 또한, 데이터 탐색 편의 기능도 같이 제공하여 고객이 기존에 사용한 탐색을 재사용할 수 있는 기능도 제공하면 더욱 편리하게 사용할 수 있으리라 생각된다.
4. 결 론
본 연구에서는 SHM 기반 AI + IoT 기반의 시설물 관리용 서비스로 제공되고 있는 최신 AI와 IT기술의 동향 방향을 제시하였다. 제안된 GB 솔루션은 SHM 기반 AI + IoT 기반의 시설물 관리용 서비스로 최신 AI 와 IT 기술이 적용된 하드웨어와 소프트웨어를 고객이 선택해 상대적으로 초기 구축비용을 크게 낮추는 구독형을 선택하거나 고객의 요구사항에 맞추어 독자적으로 구축하는 구축형을 선택할 수 있는 기회를 제공한다.
제안된 솔루션은 AIoT 센서 기반의 SHM 기반 시설물 모니터링으로 실시간 모니터링이 가능하며, 이를 기반으로 자동화 기법과 고신뢰 알고리즘 탑재되어야 한다. 예를 들어 케이블에서의 자동장력 계산, 이상센서의 데이터를 탐지하고 이를 기반으로 외부 환경 변화를 반영한 이상상태 탐지를 가능하는 서비스를 사용자 편의를 제공하는 UI/UX로 제공하는 서비스를 제공하고 있다.
시설물 유지관리의 디지털화와 기술혁신을 통해 유지관리 산업 생산성 제고 및 효율화가 가능하며, 데이터 처리 및 분석 기술 고도화와 IoT 계측기술로 유지관리 분야의 확산 및 활용 범위 확대가 가능할 수 있다. 이는 육안으로 검사하는 방식에서, 기술(계측 데이터 구축, 관리, 분석 등)을 활용하는 스마트 점검/진단 체계로 전환함으로써 점검/진단 결과의 정확성과 신뢰성 향상될 수 있다. 이는 다양한 시설물에 설치된 계측시스템의 정보를 통합하여, 효율적으로 활용되어 유지관리 정보의 가치 향상 및 정보 활용성을 제고함으로써 국내 시설물 유지관리 기술 경쟁력 향상이 가능하다.
제공되는 GB 솔루션 서비스의 도입으로 시설물 유지관리의 노하우를 축적하고 공유하고 활용함으로써 시설물 유지관리 기술 전반의 경쟁력 향상될 수 있다고 생각된다. 또한, 현행 유지관리 활동에 투입되는 인력과 시간의 직접 비용을 절감할 수 있다. 제안된 솔루션을 적용하면 정보 디지털화를 기반으로 한 상태평가 자동화, 성능평가 서비스, 첨단관리 시각화 서비스 등 첨단관리 기술과 서비스를 활용하여 유지관리 활동에 소요되는 직접비용의 절감이 가능하다. 또한, 계측데이터 분석 기술 활용을 통해 전담 유지관리 인력의 부족으로 발생하는 업무량 과중 문제 해결이 기대되어 진다.
본 연구에서 제안된 GB 솔루션 서비스로 유지관리 분야의 새로운 비즈니스모델 창출을 통한 스마트 산업 생태계 조성이 기대된다. 이는 기존의 단순 기능공과 같은 현장직 인력의 규모는 줄어들고, 계측 데이터 수집 전문인력, 디지털 정보 분석･활용, 첨단관리 서비스 전문인력 등 시스템관리 및 운용 인력에 대한 규모는 확대될 것으로 예상할 수 있다. 이를 통해, 사회적 유지관리 비용 절감과 시설물 관리를 위한 선제적인 관리기반이 마련되어 3종 시설물의 유지관리 분야의 산업 생태계를 조성하는 체계 전환의 기반이 마련되도록 노력할 예정이다. 스마트 유지관리 관련 신규 일자리 창출과 유지관리 기업의 성장으로 인하여 전자･통신 등 융합 대상 기술 산업과의 직･간접적인 시너지를 창출할 것으로 예상 되어 진다.
