선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 그러나 이러한 다량의 계측 데이터에는 수많은 오류 데이터가 포함되어 있으며, 이러한 오류 데이터는 계측값을 이용한 최종적인 안전성 분석결과에 큰 영향을 미치게 된다. 본 연구에서는 각종 계측 데이터에 포함되는 각종 이상치를 효과적으로 분석하기 위한 기법을 고안하고, 인공데이터 및 실 계측 데이터를 활용한 이상치 분석을 수행하였다.
- 간극수압 계측기는 3개의 동일 횡단면 내 상·하류부 기초지반에 각각 설치되어 있는바 그 각각의 계측값은 일정한 상관관계를 보일 수 있으며, 또한 각 계측기에서의 간극수압과 저수위 변화도 일정한 상관관계를 나타내는 데이터셋이라 할 수 있다. 본 연구에서는 간극수압 변화에 가장 큰 영향을 미치는 상류 저수위를 포함하여 공간적 상관성이 예측되는 개소별 간극수압을 대상으로 이상치 분석을 수행하였다. 즉 PW-3의 경우를 예로 들면, PW-3 계측결과와 상류 저수위 데이터 및 PW-1, PW-4, PW-5 간극수압 계측결과를 각각 조합하되 각각의 조합 경우에 포함되는 계측값을 대상으로 초반 학습 데이터 선별 및 기초 상관성 분석을 수행한 후, 타 계측결과를 이용하여 PW-3 값을 예측하고 그 결과를 실제 PW-3 계측값과 비교하는 방식으로 전체적인 분석을 수행하였다.
- 본 연구에서는 건설 관련 구조물에서 발생되는 계측 데이터의 오류 형태를 정의하고, 확률론적 방법에 의한 개별 계측 데이터셋 대상의 이상치 판정 및 회귀분석 방법에 의한 복수 계측 데이터셋 대상의 이상치 판정 연구를 수행하였다. 오류 데이터의 형태별로 인공 오류 데이터를 생성하였으며 이를 대상으로 각각의 방법을 이용한 이상치 판정을 수행하였고, 동일 방법을 이용하여 실제 수변 구조물 실 계측 데이터를 대상으로 한 조건별 이상치 판정을 수행하였다.
- 인공 데이터에 대한 이상치 판정 시와 동일한 방식의 규칙기반 방법을 적용하되 보 구조물에서 측정된 실계측 데이터를 대상으로 한 이상치 분석을 수행하였다. 본 연구에서는 계측항목 중 기초지반 세굴 등과 관련하여 구조물 안전에 가장 큰 영향을 미치는 기초부 간극수압 계측결과에 대한 이상치 분석을 실시하였다. 초기의 저수위 증가구간 및 일정 저수위 유지구간을 모두 포함하여 간극수압 계측 시점부터의 모든 데이터를 대상으로 분석을 수행하였다.
- 본 연구에서는 제안된 이상치 판정기법을 이용하여 오류 데이터가 포함된 인공 데이터 대상의 이상치 분석과 함께 수변 구조물에서 측정된 실 계측 데이터를 대상으로 한 이상치 분석을 수행하였다. 대상 구조물은 4대강 사업의 일환으로 낙동강 OO지역에 건설되었으며 가동보와 고정보를 포함한 길이 878m, 높이 11m의 다기능 보이다.
제안 방법
- 본 연구에서는 Eq. (1)과 같은 선형 최소자승법(LLSE) 회귀분석 모델(Kailath, 1975)을 이용하여 일정 상관관계를 가질 수 있는 두 세트의 계측 데이터 셋을 대상으로, 계측 데이터들 간의 상관성에 기초한 특정 계측 데이터의 이상치 판정을 수행하였다.
- (3)에서와 같이 특정 계측기의 측정값 데이터셋 중, 실측 데이터와 타 계측 결과값을 이용한 예측값의 차이가 추정 표준오차의 일정 배율(η) 이상일 때 이를 이상치로 판정하였다.
- Noise fault의 경우는 일련의 시계열 데이터를 N개씩 일정 간격의 군으로 분류한 후 해당 군의 표준편차를 연속해서 계산하고 이 값이 일정 한계값을 벗어날 때의 데이터들을 오류 데이터로 판정하였다. Sharma et al.
- OO지역 보 구조물에서 측정한 간극수압 계측결과를 대상으로 상관분석 방법에 의한 이상치 분석을 수행하였다. 간극수압 계측기는 3개의 동일 횡단면 내 상·하류부 기초지반에 각각 설치되어 있는바 그 각각의 계측값은 일정한 상관관계를 보일 수 있으며, 또한 각 계측기에서의 간극수압과 저수위 변화도 일정한 상관관계를 나타내는 데이터셋이라 할 수 있다.
- 초기의 저수위 증가구간 및 일정 저수위 유지구간을 모두 포함하여 간극수압 계측 시점부터의 모든 데이터를 대상으로 분석을 수행하였다. Short fault와 Noise fault 각각에 대한 이상치 분석을 수행하였으며, 분석 방법은 인공 데이터의 경우와 동일하게 적용하였다. Short fault의 경우 특정 간극수압계에서 생성되는 단일 데이터셋을 대상으로 각 일자별 간극수압에 대한 1차 차분값을 산정하고, 이에 대한 히스토그램 작성과 오차율 적용을 통해 최종적인 이상치 판정을 수행하였다.
- Short fault와 Noise fault 각각에 대한 이상치 분석을 수행하였으며, 분석 방법은 인공 데이터의 경우와 동일하게 적용하였다. Short fault의 경우 특정 간극수압계에서 생성되는 단일 데이터셋을 대상으로 각 일자별 간극수압에 대한 1차 차분값을 산정하고, 이에 대한 히스토그램 작성과 오차율 적용을 통해 최종적인 이상치 판정을 수행하였다.
- 본 연구에서는 두 계측기의 결과값을 대상으로 동일 기간에 대한 학습 데이터셋을 선별하고 이를 이용하여 공분산 및 분산, 평균 등 회귀분석 모델 파라미터를 산정하였다. 구성된 모델을 이용하여 특정 계측기의 결과값을 이용한 타 계측기의 결과값을 예측한 후, 이를 실제 계측결과와 비교하는 과정을 통해 최종적인 이상치 판정을 수행하였다. 회귀분석 방법을 적용한 이상치 판정에 있어 가장 중요한 과정은 각 데이터를 최종 이상치로 판단할 수 있는 한계값을 설정하는 것이다.
- 규칙기반 방법을 적용하여 인공 데이터에 대한 이상치 판정을 수행하였다. 규칙기반 방법은 오류 데이터의 형태별로 상이하게 적용되었는데 Short fault의 경우 각 인공 데이터의 1차 차분 값에 대한 히스토그램과 오차율 적용을 통하여 이상치 판정을 수행하였다. Fig.
- 규칙기반 방법을 적용하여 인공 데이터에 대한 이상치 판정을 수행하였다. 규칙기반 방법은 오류 데이터의 형태별로 상이하게 적용되었는데 Short fault의 경우 각 인공 데이터의 1차 차분 값에 대한 히스토그램과 오차율 적용을 통하여 이상치 판정을 수행하였다.
- 본 연구에서는 일정수의 데이터를 포함하는 특정 데이터 창 규모(window size N)에 대하여 데이터 창을 순차적으로 옮겨가며 각 데이터 창에 포함된 계측값의 표준편차 히스토그램을 작성하고, 다른 N값에 대한 작업을 반복적으로 수행하였다. 다양한 N값에 대한 히스토그램을 대상으로 특정 표준편차의 단절이 나타나는 N값 결과를 통해 Noise fault를 판정하는 한계값을 산정하였다.
- 규칙기반의 방법(rule-based method)은 일련의 시계열 데이터를 대상으로 데이터의 변화추이를 분석하되 오류 데이터 형태별로 각기 다른 방식의 이상치 판정을 수행하는 방법이다. 본 연구에 적용한 규칙기반 방법은 특정 계측기에서 생성되는 단일 데이터셋만을 대상으로 하되, 오류 데이터의 종류 중 short fault와 noise fault에 대한 분석방법을 상이하게 적용하였다. 규칙기반 방법을 이용한 Short fault를 판정하는 데 있어 Ramanathan et al.
- (2010)은 센서 네트워크 분야에서 활용 가능한 다양한 이상치 탐지기법을 규칙기반의 방법, 회귀분석 등을 활용한 평가법, 시계열 분석법, 학습기법에 의한 분석법의 4가지로 분류하였다. 본 연구에서는 시계열 형태의 계측 데이터에서 발생하는 이상치를 판정 하는 데 있어 규칙기반 방법 및 상관분석 방법을 적용하였다.
- 본 연구에서는 오류 데이터의 형태를 기존 연구에서와 같이 Short fault, Constant fault, Noise fault로 구분하였으며, 이러한 데이터 형태를 고려한 인공 오류 데이터 생성 및 이상치 판정, 실제 계측 결과에 대한 이상치 판정 등의 연구를 수행하였다. Fig.
- 본 연구에서는 일련의 시계열 데이터를 대상으로 각 데이터 간 1차 차분 값에 대한 히스토그램을 작성한 후, Fig. 2에서와같이 일정 오차율(α = 0.05～0.20)에 의한 신뢰구간을 설정하고 이를 만족하지 않는 데이터를 Short fault로 판정하였다.
- 3에서와 같이 일련의 윈도우 내 데이터들의 표준편차 또는 차분 값에 대한 히스토그램을 통해 특정 단절구간을 찾아내고 이를 한계값으로 선정하여 최종적인 이상치 판정을 수행하였다. 본 연구에서는 일정수의 데이터를 포함하는 특정 데이터 창 규모(window size N)에 대하여 데이터 창을 순차적으로 옮겨가며 각 데이터 창에 포함된 계측값의 표준편차 히스토그램을 작성하고, 다른 N값에 대한 작업을 반복적으로 수행하였다. 다양한 N값에 대한 히스토그램을 대상으로 특정 표준편차의 단절이 나타나는 N값 결과를 통해 Noise fault를 판정하는 한계값을 산정하였다.
- 본 연구에서는 건설 관련 구조물에서 발생되는 계측 데이터의 오류 형태를 정의하고, 확률론적 방법에 의한 개별 계측 데이터셋 대상의 이상치 판정 및 회귀분석 방법에 의한 복수 계측 데이터셋 대상의 이상치 판정 연구를 수행하였다. 오류 데이터의 형태별로 인공 오류 데이터를 생성하였으며 이를 대상으로 각각의 방법을 이용한 이상치 판정을 수행하였고, 동일 방법을 이용하여 실제 수변 구조물 실 계측 데이터를 대상으로 한 조건별 이상치 판정을 수행하였다.
- 4(a)). 이러한 정상적 시계열 상관 데이터를 이용하여 Fig. 4에서 보는 바와 같이, 정상 시계열 데이터 대비 불규칙하게 정상값을 크게 상회하는 Short fault 및 Short fault가 일정 기간 지속되는 형태의 Noise fault를 다수 생성하고 이들을 정상 시계열 데이터에 포함시키는 방식으로 최종적인 인공 데이터를 생성하였다.
- 인공 데이터에 대한 이상치 판정 시와 동일한 방식의 규칙기반 방법을 적용하되 보 구조물에서 측정된 실계측 데이터를 대상으로 한 이상치 분석을 수행하였다. 본 연구에서는 계측항목 중 기초지반 세굴 등과 관련하여 구조물 안전에 가장 큰 영향을 미치는 기초부 간극수압 계측결과에 대한 이상치 분석을 실시하였다.
- 분석기법의 기초 검증을 위하여 Short fault 및 Noise fault가 포함된 인공 데이터를 생성하였다. 일단 시계열 모델 중 ARIMA 모델을 이용하여 기본 시계열 데이터를 생성한 후, 선형 회귀 분석 모델을 이용하여 기본 상관 시계열 데이터를 생성하였다(Fig. 4(a)).
- 본 연구에서는 간극수압 변화에 가장 큰 영향을 미치는 상류 저수위를 포함하여 공간적 상관성이 예측되는 개소별 간극수압을 대상으로 이상치 분석을 수행하였다. 즉 PW-3의 경우를 예로 들면, PW-3 계측결과와 상류 저수위 데이터 및 PW-1, PW-4, PW-5 간극수압 계측결과를 각각 조합하되 각각의 조합 경우에 포함되는 계측값을 대상으로 초반 학습 데이터 선별 및 기초 상관성 분석을 수행한 후, 타 계측결과를 이용하여 PW-3 값을 예측하고 그 결과를 실제 PW-3 계측값과 비교하는 방식으로 전체적인 분석을 수행하였다. 회귀분석을 수행하는 데 있어 각 간극수압 계측값을 그대로 이용하는 것보다는 1차 차분 값 산정을 통한 정상 시계열 형태로의 데이터 변환 후 이용하는 것이 최종적인 이상치 판정에 더욱 효과적인바, 본 연구에서도 저수위와 간극수압 계측값의 1차 차분 값을 대상으로 분석을 수행하였다.
- 최종적인 이상치 판정은 인공 데이터 평가 시와 동일하게 추정표준오차를 이용하되 η = 1.5를 적용하였다.
- 특정 계측기에서 생성되는 단일 데이터셋을 대상으로 규칙기반 방법을 이용한 이상치 분석을 수행하였다. 인공 데이터 및 실 계측 데이터에 대한 이상치 분석 결과, 각 계측 결과에 대한 1차 차분 값 및 일정 오차율 적용을 통해 Short fault 판정이 효과적으로 수행될 수 있음을 확인하였다.
- 즉 PW-3의 경우를 예로 들면, PW-3 계측결과와 상류 저수위 데이터 및 PW-1, PW-4, PW-5 간극수압 계측결과를 각각 조합하되 각각의 조합 경우에 포함되는 계측값을 대상으로 초반 학습 데이터 선별 및 기초 상관성 분석을 수행한 후, 타 계측결과를 이용하여 PW-3 값을 예측하고 그 결과를 실제 PW-3 계측값과 비교하는 방식으로 전체적인 분석을 수행하였다. 회귀분석을 수행하는 데 있어 각 간극수압 계측값을 그대로 이용하는 것보다는 1차 차분 값 산정을 통한 정상 시계열 형태로의 데이터 변환 후 이용하는 것이 최종적인 이상치 판정에 더욱 효과적인바, 본 연구에서도 저수위와 간극수압 계측값의 1차 차분 값을 대상으로 분석을 수행하였다.
대상 데이터
- 본 연구에서는 제안된 이상치 판정기법을 이용하여 오류 데이터가 포함된 인공 데이터 대상의 이상치 분석과 함께 수변 구조물에서 측정된 실 계측 데이터를 대상으로 한 이상치 분석을 수행하였다. 대상 구조물은 4대강 사업의 일환으로 낙동강 OO지역에 건설되었으며 가동보와 고정보를 포함한 길이 878m, 높이 11m의 다기능 보이다. Fig.
- 본 연구에서는 계측 데이터에 대한 이상치 판정에 있어 규칙기반 방법 및 상관분석 방법을 적용하였으며, 각 분석기법의 검증은 오류 데이터가 포함된 인공 데이터 및 보 구조물에서 취득한 실 계측 데이터를 이용하였다. 분석기법의 기초 검증을 위하여 Short fault 및 Noise fault가 포함된 인공 데이터를 생성하였다.
- 본 연구에서는 계측 데이터에 대한 이상치 판정에 있어 규칙기반 방법 및 상관분석 방법을 적용하였으며, 각 분석기법의 검증은 오류 데이터가 포함된 인공 데이터 및 보 구조물에서 취득한 실 계측 데이터를 이용하였다. 분석기법의 기초 검증을 위하여 Short fault 및 Noise fault가 포함된 인공 데이터를 생성하였다. 일단 시계열 모델 중 ARIMA 모델을 이용하여 기본 시계열 데이터를 생성한 후, 선형 회귀 분석 모델을 이용하여 기본 상관 시계열 데이터를 생성하였다(Fig.
- 4로 나타났다. 상관분석 방법에 의한 PW-4 값의 예측은 총 185개 데이터를 대상으로 수행되었다. 결과에서 알 수 있듯이 이상거동이 발생하는 2011년 하반기부터의 간극수압 결과 중 상당수가 이상치로 판정되었다.
- 74로 나타났다. 상관분석 방법에 의한 데이터 예측은 학습 데이터 이후 10개월 기간에 해당하는 총 291개 데이터를 대상으로 수행되었다. 최종적인 이상치 판정은 인공 데이터 평가 시와 동일하게 추정표준오차를 이용하되 η = 1.
- 저수위 측정시점을 고려하여 두 데이터셋에 대한 학습데이터는 초기 담수 후 15개월 가량(2011. 09. 22.∼2012. 12. 10.)의 총 300개 데이터를 대상으로 하였다.
- 본 연구에서는 계측항목 중 기초지반 세굴 등과 관련하여 구조물 안전에 가장 큰 영향을 미치는 기초부 간극수압 계측결과에 대한 이상치 분석을 실시하였다. 초기의 저수위 증가구간 및 일정 저수위 유지구간을 모두 포함하여 간극수압 계측 시점부터의 모든 데이터를 대상으로 분석을 수행하였다. Short fault와 Noise fault 각각에 대한 이상치 분석을 수행하였으며, 분석 방법은 인공 데이터의 경우와 동일하게 적용하였다.
- 학습 데이터의 선정은 두 계측기 모두 전체적 결과값 및 시계열 거동상에서 대규모 오류가 포함되지 않은 구간 내의 데이터를 대상으로 수행되어야 한다. 학습 데이터는 초기 두 계측기 측정 시점부터 일정한 증가경향을 보이는 구간까지의 66개 데이터를 대상으로 하였으며, 이 기간 학습 데이터를 대상으로 한 두 데이터셋의 상관계수는 0.97, 공분산은 250.4로 나타났다. 상관분석 방법에 의한 PW-4 값의 예측은 총 185개 데이터를 대상으로 수행되었다.
데이터처리
- PW-4 계측결과를 예측하는 데 있어 저수위가 아닌 공간적 상관관계를 가질 수 있는 PW-3 데이터를 이용한 이상치 분석을 수행하였으며 그 결과는 Fig. 15와 같다. 학습 데이터의 선정은 두 계측기 모두 전체적 결과값 및 시계열 거동상에서 대규모 오류가 포함되지 않은 구간 내의 데이터를 대상으로 수행되어야 한다.
- 3333px;">u2는 데이터셋 u1, u2의 평균값, λu1u2는 u1, u2의 공분산, λu2는 u2에 대한 분산, û1(u2)는 u2 내의 특정 데이터를 이용하여 산정한 u1 예측값을 나타낸다. 본 연구에서는 두 계측기의 결과값을 대상으로 동일 기간에 대한 학습 데이터셋을 선별하고 이를 이용하여 공분산 및 분산, 평균 등 회귀분석 모델 파라미터를 산정하였다. 구성된 모델을 이용하여 특정 계측기의 결과값을 이용한 타 계측기의 결과값을 예측한 후, 이를 실제 계측결과와 비교하는 과정을 통해 최종적인 이상치 판정을 수행하였다.
- 선형 회귀분석 방법(LLSE)을 이용하여 상관성을 갖는 복수의 인공 데이터셋에 대한 이상치 판정을 수행하였다. 센서 1 데이터셋에는 정상 시계열 데이터와 함께 Short fault 및 Noise fault가 각각 포함되어 있으며, 센서 2 데이터셋은 정상 시계열 데이터와 상관성을 갖는 인공 데이터이다.
성능/효과
- 상관분석 방법에 의한 PW-4 값의 예측은 총 185개 데이터를 대상으로 수행되었다. 결과에서 알 수 있듯이 이상거동이 발생하는 2011년 하반기부터의 간극수압 결과 중 상당수가 이상치로 판정되었다. 이를 통해 상관분석을 수행하여 이상치를 판단하는데 있어서는 적정 학습 데이터의 선정이 매우 중요하며, 공간적 상관관계에 있는 복수 데이터를 추가로 분석하여 이상치 판정결과의 적성성 판단에 활용하는 것이 필요함을 알 수 있었다.
- 특히 최근에는 계측기술의 발전으로 인해 과거 수동계측 방식에서 점차 자동계측 방식으로 계측방법이 변화되고 있으며, 이로 인해 계측주기도 과거 수동계측 시의 일 단위, 주 단위, 월 단위에서 시간 단위 이내로 크게 단축되고 있다. 결과적으로 최근 구조물에 계획되는 계측항목과 계측기 수량, 그들 각각에 대한 계측주기 및 계측기간 등을 고려할 때, 구조물의 거동감시와 안정성 평가를 위해 양산되는 계측 데이터는 그 규모에 있어 최근 사회적 이슈로 대두되고 있는 빅데이터의 범주에 포함된다고 할 수 있다. 다양한 구조물에서 양산되는 수많은 계측 데이터들을 여과 없이 구조물 안전도 판정에 이용할 시, 최종 결과의 신뢰성은 크게 떨어질 수밖에 없다.
- 규칙기반 방법을 통한 Noise fault의 분석에서는 적정 윈도우 사이즈의 선택과 이를 통한 이상치 판정용 한계값 산정이 매우 중요하였으나, 인공 데이터 및 실 계측 데이터의 분석 결과 이들에 대한 정량적 산정방법 도출에 한계가 있음을 알 수 있었다. 즉 규칙기반 방법은 큰 규모의 Short fault 분석 및 일정 기간 계측값에 변화가 발생하지 않는 경우의 Constant fault 분석에 효과적으로 적용될 수 있음을 알 수 있었다.
- 간극수압은 담수과정에 따라 계측 중반부까지 지속적으로 증가하는 경향을 나타내며, 일정한 저수위 조건에 도달해서는 큰 증감을 나타내지 않고 있다. 그러나 결과에서 알 수 있듯이 계측 중반부까지 저수위 증가에 따른 정상적 증가 거동을 보이는 간극수압 계측결과 중 상당수가 이상치로 판정되었으며, 오차율을 증가시킬수록 이상치로 판정되는 계측값의 수가 증가하였다. 즉 규칙기반 방법에 의한 이상치 판정 시 정상적 간극수압 증가구간에서의 계측값 중 상당수가 이상치로 판정되는 과다 오류 판정 결과가 나타났다.
- 만약 모든 계측값들이 회귀선 주위로 정규분포를 따른다고 가정하면 모든 계측값의 68%는 ± 1Se 내에 들어오고, 95.5%는 ± 2Se 내에 99.7%는 ± 3Se 내에 들어오게 된다.
- 센서 1 데이터셋에는 오류 데이터가 포함되어 있으나, 이러한 데이터셋과 센서 2 데이터셋의 상관분석을 통해서도 각각의 오류 데이터가 매우 정확하게 탐지되는 것을 알 수 있으며, 특히 급격한 값의 변화 후에 일정기간 지속되는 Noise fault도 효과적으로 탐지되었다. 물론 이러한 결과는 센서 1 및 센서 2의 데이터셋이 확실한 상관성을 보이는 관계에서 도출될 수 있는 것으로서 본 연구에 적용한 센서 2의 인공 데이터셋은 기본적으로 센서 1 데이터셋과 상관관계를 갖도록 생성되었기에 상관분석을 통한 이상치 판정의 정확도가 매우 높았던 것으로 판단된다.
- 분석에 적용된 학습 데이터와 예측 데이터의 기간 및 최종 이상치 판정방법은 앞선 PW-3 경우와 동일하며, 학습 데이터를 대상으로 한 두 데이터셋의 상관계수는 –0.75, 공 분산은 –12.791로 나타났다.
- 9는 상관분석 방법에 의한 Short fault 및 Noise fault 각각의 판정 결과를 나타낸다. 센서 1 데이터셋에는 오류 데이터가 포함되어 있으나, 이러한 데이터셋과 센서 2 데이터셋의 상관분석을 통해서도 각각의 오류 데이터가 매우 정확하게 탐지되는 것을 알 수 있으며, 특히 급격한 값의 변화 후에 일정기간 지속되는 Noise fault도 효과적으로 탐지되었다. 물론 이러한 결과는 센서 1 및 센서 2의 데이터셋이 확실한 상관성을 보이는 관계에서 도출될 수 있는 것으로서 본 연구에 적용한 센서 2의 인공 데이터셋은 기본적으로 센서 1 데이터셋과 상관관계를 갖도록 생성되었기에 상관분석을 통한 이상치 판정의 정확도가 매우 높았던 것으로 판단된다.
- 동일 횡단면 상에 설치된 복수의 간극수압계 계측결과는 상호 연관성을 보이는 것이 일반적이며 이는 상류 저수위 변화와도 일정한 연관성을 보이게 된다. 실 계측결과에서 보듯이 PW-1과 PW-2, PW-5와 PW-6은 상호 변화패턴에 있어 유사한 경향을 나타내고 있으며 이는 저수위 변화와도 일관된 경향을 보이고 있으나, PW-3과 PW-4는 계측 중반기 이후 상호 차별화된 거동을 나타내고 있다.
- 결과에서 알 수 있듯이 이상거동이 발생하는 2011년 하반기부터의 간극수압 결과 중 상당수가 이상치로 판정되었다. 이를 통해 상관분석을 수행하여 이상치를 판단하는데 있어서는 적정 학습 데이터의 선정이 매우 중요하며, 공간적 상관관계에 있는 복수 데이터를 추가로 분석하여 이상치 판정결과의 적성성 판단에 활용하는 것이 필요함을 알 수 있었다.
- 이종 데이터 간 상관분석을 통하여 인공 데이터 및 실 계측 데이터에 대한 이상치 분석을 수행한 결과, 상관성이 확인된 두 계측결과 간의 상호 예측 정도는 매우 우수하게 나타났으며, 특정 오류 데이터 및 상당 기간 시계열 구간에 대한 전체적 이상치 판정에도 본 방법은 매우 효과적임을 알 수 있었다. 특히 규칙기반 방법을 통해 판단할 수 없는 완만한 데이터 변화 경향에서도 이종 데이터의 상관분석을 통해 데이터의 전체적인 이상 거동을 판단할 수 있었다.
- 특정 계측기에서 생성되는 단일 데이터셋을 대상으로 규칙기반 방법을 이용한 이상치 분석을 수행하였다. 인공 데이터 및 실 계측 데이터에 대한 이상치 분석 결과, 각 계측 결과에 대한 1차 차분 값 및 일정 오차율 적용을 통해 Short fault 판정이 효과적으로 수행될 수 있음을 확인하였다.
- 5를 적용하였다. 전체적인 두 데이터 경향 및 상관계수 값에서 알 수 있듯이 두 데이터셋은 어느 정도 높은 수준의 상관성 및 일관된 변화 경향을 보이고 있으며, 분석 결과에서도 총 291개 데이터 중 28개 데이터만이 이상치로 판정되었다.
- 특정 계측기에서 생성되는 데이터는 공간적 일정 구역 내 타 계측 데이터와 상호 연관성을 갖는 것이 일반적이다. 즉 계측 데이터의 이상치를 판정하는 데 있어 특정 계측기에서 생성되는 단일 데이터셋만을 분석하는 것보다는 상호 연관성을 나타낼 수 있는 타 계측 데이터를 동시에 분석하는 과정을 통해 더욱 효과적인 이상치 판정이 가능하다. 본 연구에서는 Eq.
- 그러나 결과에서 알 수 있듯이 계측 중반부까지 저수위 증가에 따른 정상적 증가 거동을 보이는 간극수압 계측결과 중 상당수가 이상치로 판정되었으며, 오차율을 증가시킬수록 이상치로 판정되는 계측값의 수가 증가하였다. 즉 규칙기반 방법에 의한 이상치 판정 시 정상적 간극수압 증가구간에서의 계측값 중 상당수가 이상치로 판정되는 과다 오류 판정 결과가 나타났다. 이는 특정 계측기에서 생산되는 단일 데이터셋만을 대상으로 한 규칙기반 방법상의 한계라 판단된다.
- 최종 이상치 판정에 적용될 한계값을 산정하기 위한 히스토그램의 단절 부분을 살펴보면 N=10, 20, 30일 때 모두 상이한 결과를 나타내고 있으며, N=40, 50, 60에서는 단절 부분 자체가 보이지 않았다. 즉 규칙기반 방법에 의한 이상치 판정에 있어 Noise fault의 판정은 한계값 산정 시의 불확실성으로 인해 그 신뢰도가 떨어지는 것으로 나타났다.
- 규칙기반 방법을 통한 Noise fault의 분석에서는 적정 윈도우 사이즈의 선택과 이를 통한 이상치 판정용 한계값 산정이 매우 중요하였으나, 인공 데이터 및 실 계측 데이터의 분석 결과 이들에 대한 정량적 산정방법 도출에 한계가 있음을 알 수 있었다. 즉 규칙기반 방법은 큰 규모의 Short fault 분석 및 일정 기간 계측값에 변화가 발생하지 않는 경우의 Constant fault 분석에 효과적으로 적용될 수 있음을 알 수 있었다.
- 05 적용조건에 대한 최종 이상치 판정결과를 나타낸다. 총 50개 구간에 대해 작성된 1차 차분 값 히스토그램은 일정 차분 값을 중심으로 한 정규분포 형태를 나타내고 있으며, 신뢰구간 95%에 대한 이상치 판정결과 전체 오류 데이터 57개 중 44개를 이상치로 판정할 수 있었다. Table 1은 각 오차율에 따른 이상치 판정 결과를 나타낸 것으로서 오차율을 0.
- 7은 윈도우 사이즈 N=10, 20, 30, 40, 50, 60 조건에 대한 윈도우별 표준편차 히스토그램을 나타낸다. 최종 이상치 판정에 적용될 한계값을 산정하기 위한 히스토그램의 단절 부분을 살펴보면 N=10, 20, 30일 때 모두 상이한 결과를 나타내고 있으며, N=40, 50, 60에서는 단절 부분 자체가 보이지 않았다. 즉 규칙기반 방법에 의한 이상치 판정에 있어 Noise fault의 판정은 한계값 산정 시의 불확실성으로 인해 그 신뢰도가 떨어지는 것으로 나타났다.
- 이러한 이상 거동이 확인됨에도 불구하고 저수위를 이용한 PW-4 예측결과 상에는 다량의 이상치 판정결과가 나타나고 있지 않다. 학습 데이터 내에 확연한 이상 거동을 나타내는 데이터가 다량 포함되었음에도 불구하고, 학습 데이터 선별 기간 내에서 상관관계 상 음의 값을 갖는 비교적 높은 정도의 모순된 상관성이 나타났으며 실제 예측 기간 내에서 각 데이터들의 차분 값에 확연한 변화가 없었기에 이러한 모순된 결과가 도출되었다고 판단된다.
후속연구
- 그러나 오차율에 따라 이상치로 판정되는 데이터 수가 증가하는 문제 및 실 계측 데이터 분석 시 정상적 증가경향을 나타내는 구간에서 과다한 이상치 판정 등의 문제점이 발생하였다. 이는 특정 계측기에서 생성돼 단일 데이터셋만을 대상으로 한 규칙기반 방법상의 한계라 할 수 있으며, 이를 통해 적정 오차율의 반영 및 이종 데이터 간 상관분석 방법의 복합적 적용이 요구됨을 확인할 수 있었다.
- 특히 규칙기반 방법을 통해 판단할 수 없는 완만한 데이터 변화 경향에서도 이종 데이터의 상관분석을 통해 데이터의 전체적인 이상 거동을 판단할 수 있었다. 이러한 상관분석 방법의 적용 시 적정 학습 데이터의 선정이 매우 중요하며, 공간적 상관관계에 있는 복수 데이터를 추가로 분석하여 이상치 판정결과의 적성성 판단에 활용하는 것이 필요함을 알 수 있었다.
- 일정한 수위유지 구간에 비하여 초기 담수과정에서는 값의 변화가 상대적으로 크게 나타나게 되며 전체 구간의 데이터를 대상으로 한 분석에서는 이러한 수위증가에 따른 정상적 간극수압 증가구간의 상당수 데이터를 이상치로 오인하게 되는 것이다. 이러한 오판 결과를 방지하기 위해서는 전체적인 수위증감 구간을 구별하여 별도의 분석을 수행하는 방법이 있을 수 있으나 이 역시 근본적 해결책은 되지 못할 것으로 판단되며, 궁극적으로는 단일 데이터셋에 대한 규칙기반 방법상의 평가와 이종 데이터셋 간의 상관분석 방법에 의한 평가가 복합적으로 요구된다고 할 수 있다. Noise fault의 경우는 인공 데이터의 경우와 마찬가지로 윈도우 사이즈별 표준편차 히스토그램 결과를 통해 적정 이상치 판정 한계값을 산정하는 데 어려움이 있었으며, 그 신뢰도는 인공 데이터에 비해 더욱 감소하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.