10장 구조물 건전성 모니터링(SHM) 시스템

Structural Health Monitoring (SHM) System

1. SHM 개요

구조물 건전성 모니터링(SHM)은 구조물에 센서를 영구 설치하고, 측정된 응답 데이터로부터 구조물의 현재 상태(건전성)를 지속적으로 평가하는 과정이다. SHM의 궁극적 목표는 손상을 조기에 발견하고, 잔존 수명을 예측하여 구조물의 안전성과 기능성을 경제적으로 유지하는 것이다.

SHM은 전통적인 주기적 육안 점검의 한계를 극복한다.

구분	전통적 점검	SHM
빈도	정기 (수년 단위)	연속 (실시간)
객관성	검사자 의존	계측 데이터 기반
손상 발견	육안 가능 손상만	미세 손상 조기 감지
비용	반복 비용 높음	초기 투자 후 운용비 절감

1.1 SHM의 4단계 목표 (Rytter, 1993)

단계	목표	내용
Level 1	감지 (Detection)	손상이 존재하는가?
Level 2	위치 결정 (Localization)	손상이 어디에 있는가?
Level 3	분류 (Classification)	손상의 종류는 무엇인가?
Level 4	정량화 (Quantification)	손상의 크기/심각도는?
Level 5*	수명 예측 (Prognosis)	잔존 수명은 얼마인가? (*확장 버전)

2. SHM 시스템 구성

SHM 시스템은 다음 5개 계층으로 구성된다.

계층	내용
1. 센서 네트워크	가속도계, 변형률 게이지, 광섬유 센서, 경사계, GNSS 등
2. 데이터 수집	DAQ 시스템, 데이터 로거, WSN 게이트웨이
3. 데이터 전송	유선(Ethernet, Modbus), 무선(Wi-Fi, LTE, LoRa)
4. 데이터 처리·분석	신호 처리, 손상 지수 계산, ML 모델 적용
5. 의사결정·시각화	알람, 대시보드, 보고서, 유지관리 의사결정 지원

2.1 센서 배치 최적화

한정된 센서로 최대한의 정보를 획득하기 위해 센서 위치 최적화(Optimal Sensor Placement, OSP)가 필요하다.

유효 독립성법 (Effective Independence, EFI): 모드 형상 벡터의 선형 독립성 극대화
MAC 기반 배치: Modal Assurance Criterion(MAC) 행렬에서 비대각 성분 최소화
유전 알고리즘 (GA), 입자 군집 최적화 (PSO): 전역 최적해 탐색

Modal Assurance Criterion (MAC):
\[ MAC_{ij} = \frac{|\{\phi_i\}^T\{\phi_j\}|^2}{(\{\phi_i\}^T\{\phi_i\})(\{\phi_j\}^T\{\phi_j\})} \]
MAC = 1: 동일 모드, MAC ≈ 0: 독립 모드

3. 손상 감지 패러다임

3.1 모델 기반 (Model-based)

유한 요소 모델(FEM)과 측정 데이터를 비교하여 모델 매개변수의 변화로 손상을 감지한다.

장점: 물리적 해석 가능, 손상 정량화 용이
한계: 정밀한 FEM 구축 필요, 모델 불확실성 존재

3.2 데이터 기반 (Data-driven)

측정 데이터만으로 통계적 특성 변화나 패턴 인식을 통해 손상을 감지한다.

장점: FEM 불필요, 복잡한 구조물에도 적용 용이
한계: 충분한 학습 데이터 필요, 물리적 해석 어려움

3.3 손상 민감 특성 (Damage Sensitive Feature, DSF)

손상 감지에 활용되는 주요 특성값(feature)은 다음과 같다.

고유 진동수(Natural Frequency) 변화: 강성 감소 시 고유 진동수 저하
모드 형상(Mode Shape) 변화
감쇠비(Damping Ratio) 변화
모드 곡률(Mode Shape Curvature): 국부 손상 탐지에 민감
유연성 행렬(Flexibility Matrix) 변화

강성 감소에 따른 고유 진동수 변화 (단자유도계):
\[ \omega_n = \sqrt{\frac{k}{m}}, \quad \frac{\Delta \omega_n}{\omega_n} \approx \frac{1}{2} \frac{\Delta k}{k} \]
강성 k가 감소하면 고유 진동수 \( \omega_n \)도 감소

4.1 운용 모달 분석 (Operational Modal Analysis, OMA)

구조물을 별도로 가진(excitation)하지 않고, 교통 하중이나 바람 등 상시 환경 하중(ambient vibration)만을 이용하여 모달 매개변수를 추출하는 기법이다.

4.2 주요 OMA 기법

SSI (Stochastic Subspace Identification): 시간 영역 기반. 가장 널리 사용되며 정확도 높음
FDD (Frequency Domain Decomposition): 주파수 영역 기반. 결과 이해 직관적, 밀접한 모드 분리 어려움
ERA (Eigensystem Realization Algorithm): 자유 응답 데이터 이용

4.3 안정화 다이어그램 (Stabilization Diagram)

SSI-COV 기법에서 모델 차수(model order)를 증가시키면서 안정적으로 나타나는 극점을 구조물의 진짜 모드로 판정한다.

모달 감쇠비 추출:
\[ \zeta = \frac{\sigma}{\sqrt{\sigma^2 + \omega_d^2}} \]
여기서 \( \sigma \): 극점의 실수부 (감쇠 기여), \( \omega_d \): 감쇠 고유 진동수

4.4 연속 모달 추적 (Continuous Modal Tracking)

시간에 따라 연속적으로 추출된 고유 진동수를 추적하여 구조물 상태 변화를 모니터링한다. 온도·환경 변화에 의한 거짓 경보(false alarm)를 제거하기 위해 환경 인자 보정이 필요하다.

5. 데이터 기반 SHM

5.1 이상 탐지 (Anomaly Detection)

정상 상태의 데이터를 학습한 후 새로운 데이터와 비교하여 이상 여부를 판정한다.

Mahalanobis Distance (이상 탐지 지수):
\[ D_M = \sqrt{(\mathbf{x} - \boldsymbol{\mu})^T \mathbf{S}^{-1} (\mathbf{x} - \boldsymbol{\mu})} \]
여기서 \( \boldsymbol{\mu} \): 기준 특성값 평균, \( \mathbf{S} \): 공분산 행렬

5.2 주성분 분석 (PCA) 기반 SHM

고차원 계측 데이터를 저차원으로 투영하여 정상 상태의 주요 변동 패턴을 학습하고, 이로부터의 이탈을 손상 지표로 활용한다.

T² 통계량: 주성분 공간 내 거리 (공정 변화 감지)
Q 통계량 (SPE): 주성분 공간 밖 잔차 (이상 패턴 감지)

5.3 환경 인자 보정 (Environmental Factor Removal)

고유 진동수는 온도에 따라 크게 변하므로, 실제 손상에 의한 변화와 구분하기 위한 보정이 필수이다.

다중 회귀 모델: \( f_n = a_0 + a_1 T + a_2 T^2 + \cdots \)
인공 신경망(ANN): 비선형 환경-응답 관계 모델링
코인티그레이션 (Cointegration): 비정상(non-stationary) 환경 신호에서의 손상 감지

6. 실제 적용 사례

구조물	적용 기술	주요 성과
광안대교 (부산)	가속도계 84개, OMA, SHM 서버	실시간 모달 추적, 강풍 시 응답 모니터링
Tsing Ma Bridge (홍콩)	350여 개 센서, 종합 SHM 시스템	태풍 대응, 10년 이상 장기 데이터 축적
Z24 Bridge (스위스)	가속도계, 기온 센서	온도 영향 분리 방법론 확립 (벤치마크)
국내 터널	광섬유 분산형 센서 (DTS/DOFS)	라이닝 변형 분포 감시

7. 정리

SHM은 구조물의 손상 감지, 위치 결정, 분류, 정량화, 잔존 수명 예측까지 5단계 목표를 지향한다.
센서 배치 최적화(OSP)는 제한된 센서로 최대 모달 정보를 획득하는 핵심 설계 요소이다.
OMA(운용 모달 분석)는 별도의 가진 없이 상시 진동 응답으로 모달 매개변수를 추출한다.
고유 진동수 변화는 손상의 대표적 지표이지만, 온도 등 환경 인자 보정이 반드시 필요하다.
데이터 기반 SHM(PCA, Mahalanobis Distance)은 복잡한 구조물에서도 정밀 FEM 없이 이상을 탐지한다.
국내외 장대 교량에서 수백 개 센서와 SHM 플랫폼을 통합한 시스템이 이미 실용화되어 있다.