• Journal of Digital Contents Society
• /
• v.8 no.4
• /
• pp.555-562
• /
• 2007

In this paper we present a system architecture for the distributed measurement system of instrumentation over the network. The proposed architecture allows remote control & monitoring of the instrument by using web browser.

• Proceedings of the Korea Contents Association Conference
• /
• 2004.11a
• /
• pp.162-165
• /
• 2004

매년 반복되는 홍수 등은 국민생활의 기반을 위협하고, 국가경제의 존립을 위태롭게 하는 재해로 막대한 인명과 재산 피해가 발생하고 있다. 이는 기상정보의 부정확성도 있지만 무엇보다도 상류에서 유입되는 수량을 정확히 예측하지 못하여 대피나 대비할 수량정보의 부실도 문제인 것이다. 이에 무선통신기술을 활용하여 수량 및 유속을 실시간으로 계측, 전달함으로써 재난을 최소화할 수 있는 모델을 GIS와 연계하여 제시하고자 한다.

• Proceedings of the KWS Conference
• /
• 2009.11a
• /
• pp.111-111
• /
• 2009

전 세계적으로 환경 보호의 차원에서 자동차 업체는 자동차의 연비 향상을 위한 차체의 경량화가 큰 이슈로 대두되고 있다. 이를 위해 알루미늄과 같은 경량화 소재를 이용하여 차체 조립에 투입하고자 연구 중에 있다. 이와 같은 레이저 용접 공정이 현장에 적용되기 위해서는 용접부의 품질을 실시간으로 모니터링하고 품질을 판단하여야 생산성을 극대화 할 수 있다. 그러므로 본 연구에서는 알루미늄 AA5182 알루미늄 판재의 용가 와이어를 이용한 레이저 용접에서 용접부를 모니터링 할 수 있는 시스템을 구축하였다. 이를 위하여 레이저는 4kW급 Nd:YAG 레이저를 사용하였고, 차체용 알루미늄 판재 AA5182 1.4t를 AA5356 와이어를 이용하여 용접을 수행하였다. 모니터링 센서로는 반응 범위가 190 mn~680 nm인 센서를 이용하였고, 용접 중 센서로부터 발생된 출력전류를, 신호 증폭기와 DAQ 보드를 통해 초당 10,000 samples/sec로 계측하였다. 다양한 용접조건을 이용하여 실험을 수행하였고 이를 정량적으로 분석하였다. 계측된 신호와 용접 품질은 비선형적 관계를 가지고 있으므로 본 연구에서는 용접 품질을 예측하는 방법으로 퍼지 패턴인식 알고리즘을 이용하는 방법과 계측 신호를 이용한 인장강도 예측모델을 이용하여 병렬로 품질평가를 할 수 있는 알고리즘을 구현하였다. 이를 위하여 계측된 신호와 용접 품질과의 관계를 이용하여 퍼지 규칙 베이스 정의하였고, 신경회로망 모델을 이용하여 인장강도 예측모델을 제시하였다. 또한 품질 평가 알고리즘을 기반으로 레이저 용접부의 품질평가가 가능한 GUI 프로그램을 구현하였다.

• KSCE Journal of Civil and Environmental Engineering Research
• /
• v.33 no.1
• /
• pp.71-80
• /
• 2013

According to design specifications for structural safety, a bridge in initial design step has been modelled to have larger self-weight, external loads and less stiffness than those of real one in service. Thereby measured buffeting responses of existing bridge show different distributions from those of the design model in design step. In order to obtain accurate buffeting responses of the in-site bridge, the analysis model needs to be modified by considering the measured natural frequencies. Until now, a Manual Tuning Method (MTM) has been widely used to obtain the Measurement-based Model(MBM) that has equal natural frequencies to the real bridge. However, since state variables can be selected randomly and its result is not apt to converge exact rapidly, MTM takes a lot of effort and elapsed time. This study presents Buffeting Response Correction Method (BRCM) to obtain more exact buffeting response above MTM. The BRCM is based on the idea the commonly used frequency domain buffeting analysis does not need all structural properties except mode shapes, natural frequencies and damping ratio. BRCM is used to improve each modal buffeting responses of the design model by substituting measured natural frequencies. The measured natural frequencies are determined from acceleration time-history in ordinary vibration of the real bridge. As illustrated examples, simple beam is applied to compare the results of BRCM with those of a assumed MBM by numerical simulation. Buffeting responses of BRCM are shown to be appropriate for those of in-site bridge and the difference is less than 3% between the responses of BRCM and MTM. Therefore, BRCM can calculate easily and conveniently the buffeting responses and improve effectively maintenance and management of in-site bridge than MTM.

• Journal of the Computational Structural Engineering Institute of Korea
• /
• v.34 no.1
• /
• pp.35-42
• /
• 2021

This paper presents an on-line finite element model updating method for in-service structures using measured data. Conventional updating methods, which are based on numerical optimization, are not efficient for on-line updating because they generally require repeated eigenvalue analyses until convergence criteria are met. The proposed method enables fully automated on-line finite element model updating, almost simultaneously with vibration measurement, without any user intervention or off-line procedures. The automated covariance-driven stochastic subspace identification (Cov-SSI) method is utilized to identify modal frequencies and vectors, and the identified modal data is fed to the neural network of the inverse eigenvalue function to produce the updated finite element model parameters. Numerical examples for a wind excited 20-story building structure shows that the proposed method can update the series of finite element model parameters automatically. It is also shown that sudden changes in the structural parameters can be detected and traced successfully.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2022.06a
• /
• pp.110-110
• /
• 2022

본 연구는 자율운항 선박의 원격 고장 진단 기법 개발의 일부로 수행되었다. 특히, 엔진 연료 계통 장비로부터 계측된 시계열 데이터로부터 상태 진단을 위한 알고리즘 구현 결과를 제시하였다. 엔진 연료 펌프와 청정기를 가진 육상 실험 장비로부터 진동 시계열 데이터 계측하였으며, 이상 감지, 고장 분류 및 고장 예측이 가능한 심층 학습(Deep Learning) 및 기계 학습(Machine Learning) 알고리즘을 구현하였다. 육상 실험 장비에 고장 유형 별로 인위적인 고장을 발생시켜 특징적인 진동 신호를 계측하여, 인공 지능 학습에 이용하였다. 계측된 신호 데이터는 선행 발생한 사건의 신호가 후행 사건에 영향을 미치는 특성을 가지고 있으므로, 시계열에 내포된 고장 상태는 시간 간의 선후 종속성을 반영할 수 있는 학습 알고리즘을 제시하였다. 고장 사건의 시간 종속성을 반영할 수 있도록 순환(Recurrent) 계열의 RNN(Recurrent Neural Networks), LSTM(Long Short-Term Memory models)의 모델과 합성곱 연산 (Convolution Neural Network)을 기반으로 하는 Conv1D 모델을 적용하여 예측 정확성을 비교하였다. 특히, 합성곱 계열의 RNN LSTM 모델이 고차원의 순차적 자연어 언어 처리에 장점을 보이는 모델임을 착안하여, 신호의 시간 종속성을 학습에 반영할 수 있는 합성곱 계열의 Conv1 알고리즘을 고장 예측에 사용하였다. 또한 기계 학습 모델의 효율성을 감안하여 XGBoost를 추가로 적용하여 고장 예측을 시도하였다. 최종적으로 연료 펌프와 청정기의 진동 신호로부터 Conv1D 모델과 XGBoost 모델의 고장 예측 성능 결과를 비교하였다

• Proceedings of the Korea Water Resources Association Conference
• /
• 2021.06a
• /
• pp.448-448
• /
• 2021

최근 급격한 기후변화와 도시화 및 산업화로 인한 지류하천에서의 수량과 수질의 변동은 생물 다양성 감소와 수생태계 건강성 저하에 큰 영향을 미치고 있다. 효율적인 수생태 관리를 위해서는 지속적인 유량, 수질, 그리고 수생태 모니터링을 통한 데이터 축적과 더불어 면밀한 상관 분석을 통해 수생태계 건강성의 악화 원인을 규명해야 할 필요가 있다. 그러나 수많은 지류하천을 대상으로 한 지속적인 모니터링은 현실적으로 어려움이 있으며, 수생태계의 특성 상 단일 영향 인자만으로 수생태계의 건강성 변화와의 관계를 정확히 파악하는데 한계가 있다. 따라서 지류하천에서의 유량 및 수질의 시공간적인 변동성과 다양한 영향 인자를 고려하여 수생태계의 건강성을 효율적으로 예측할 수 있는 기술이 필요하다. 이에 본 연구에서는 경험적 데이터 기반의 머신러닝 모델 구축을 통해 미계측 하천에서의 수생태계 건강성 지수(BMI, TDI, FAI)의 등급(A to E)을 예측하고자 하였다. 머신러닝 모델은 학습 데이터셋의 양과 질에 따라 성능이 크게 달라질 수 있으며, 학습 데이터셋의 분포가 불균형적일 경우 과적합 또는 과소적합 문제가 발생할 수 있다. 이를 보완하고자 본 연구에서는 실제 측정망 데이터셋을 바탕으로 생성적 적대 신경망 GAN(Generative Adversarial Network) 알고리즘을 통해 머신러닝 모델 학습에 필요한 추가 데이터셋(유량, 수질, 기상, 수생태 등급)을 확보하였다. 머신러닝 모델의 성능은 5차 교차검증 과정을 통해 평가하였으며, GAN 데이터셋의 정확도는 실제 측정망 데이터셋의 정규분포와의 비교 분석을 통해 평가하였다. 최종적으로 SWAT(Soil and Water Assessment Tool) 모형을 통해 예측 된 미계측 하천에서의 데이터셋을 머신러닝 모델의 검증 자료로 사용하여 수생태계 건강성 등급 예측 정확도를 평가하였다. 본 연구에서의 GAN에 의해 강화된 머신러닝 모델은 수질 및 수생태 관리가 필요한 우심 지류하천 선정과 구조적/비구조적 최적관리기법에 따른 수생태계 건강성 개선 효과를 평가하는데 활용될 수 있을 것이다. 또한 이를 통해 예측된 미계측 하천에서의 수생태계 건강성 등급 자료는 수량-수질-수생태를 유기적으로 연계한 통합 물관리 정책을 수립하는데 기초자료로 활용될 수 있을 것이라 사료된다.

• Journal of Korea Water Resources Association
• /
• v.56 no.7
• /
• pp.439-449
• /
• 2023

Recent advancements in data measuring technology have facilitated the installation of various sensors, such as pressure meters and flow meters, to effectively assess the real-time conditions of water distribution systems (WDSs). However, as cities expand extensively, the factors that impact the reliability of measurements have become increasingly diverse. In particular, demand data, one of the most significant hydraulic variable in WDS, is challenging to be measured directly and is prone to missing values, making the development of accurate data generation models more important. Therefore, this paper proposes an adversarially trained autoencoder (ATAE) model based on generative deep learning techniques to accurately estimate demand data in WDSs. The proposed model utilizes two neural networks: a generative network and a discriminative network. The generative network generates demand data using the information provided from the measured pressure data, while the discriminative network evaluates the generated demand outputs and provides feedback to the generator to learn the distinctive features of the data. To validate its performance, the ATAE model is applied to a real distribution system in Austin, Texas, USA. The study analyzes the impact of data uncertainty by calculating the accuracy of ATAE's prediction results for varying levels of uncertainty in the demand and the pressure time series data. Additionally, the model's performance is evaluated by comparing the results for different data collection periods (low, average, and high demand hours) to assess its ability to generate demand data based on water consumption levels.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2010.11a
• /
• pp.471-473
• /
• 2010

본 논문은 선형회귀(LR: Linear Regression)와 국부적인 방사기저함수 네트워크(RBFN: Radial Basis Function Networks)를 결합한 점진적인 모델(incremental model)의 설계와 관련되어진다. 전형적인 RBFN에 의한 모델링과는 달리, 제안된 방법의 근본적인 원리는 두 단계에 의해 고려되어진다. 첫째, 전체 모델의 설계과정에서 전역적인 모델로써 선형회귀에 의해 데이터의 선형부분을 구축한다. 다음으로, 모델링 오차는 오차가 존재하는 국부적인 공간에서 RBFN에 의해 보상되어진다. 여기서, 오차의 분포로부터 RBFN을 설계하기 위해 컨텍스트 기반 퍼지 클러스터링(CFC: Context-based Fuzzy Clustering)를 통해 정보입자의 형태로 구축되어진다. 실험은 자동차 mpg 연료소비량 예측과 부동산 가격예측문제를 통해 제안된 방법의 우수성을 증명한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2009.11a
• /
• pp.385-386
• /
• 2009

활성 윤곽선 모델은 스네이크 모델이라고도 하며 영상에서 물체의 경계를 검출하기위한 효과적인 방법으로 사용되고 있다. 본 논문에서는 초기 윤곽선 문제와 효과적인 경계선 검출을 위해 다해상도 기반의 유전자 알고리즘을 이용한 활성 윤곽선 모델을 제안한다. 입력영상의 해상도를 영상 피마리드 기법으로 저해상도로 축소시키고 초기 윤곽선을 설정한다. 설정된 윤곽선상의 연속된 두 좌표를 유전인자로 선택하고, 유전 연산자를 적용하여 물체의 경계를 찾아간다. 경계가 검출된 저해상도 영상을 단계적으로 확대하여, 보간될 영역의 국부적 활성 윤곽선 에너지를 계산하여 최소 에너지를 갖는 위치에 새로운 윤곽선 좌표를 삽입하여 경계를 형성한다. 제안된 방법은 초기 윤곽선의 위치에 상관없이 경계선을 검출했으며, 형태가 복잡한 물체의 경우에도 효과적으로 경계선을 검출하고 계산 복잡도를 감소시켰다.