진동으로 손상을 찾는다 — 모드 특성에서 1D CNN까지, 그리고 남은 데이터 문제

Avci 등(2020)의 진동 기반 손상탐지 리뷰를 읽어 전역 방법의 세 가지 장점, 모수적 방법의 네 가지 한계(고차 모드·온도·실시간·중앙집중), 모드 특성을 ML의 손상민감 특징으로 쓰지 말라는 권고, 원 신호를 그대로 받는 1D CNN, 그리고 지도학습이 요구하는 손상 데이터가 없다는 결론을 정리

진동 기반 손상탐지는 구조물의 진동 응답에서 손상의 존재·위치·크기를 읽어내는 방법이다. 가속도계 몇 개로 큰 구조물 전체를 볼 수 있다는 점이 이 방법의 존재 이유다 — 균열이 어디 생길지 미리 알 필요가 없고, 센서를 촘촘히 깔 필요도 없다.

이 리뷰 논문의 값어치는 기술의 목록이 아니라 전환의 서술에 있다. 모드 특성을 쓰던 전통적 방법에서 기계학습으로, 다시 원 신호를 그대로 먹는 딥러닝으로 넘어오면서 무엇이 해결되고 무엇이 남았는지를 정리한다. 그리고 결론에서 남은 문제를 분명히 말한다 — 문제는 알고리즘이 아니라 손상 데이터가 없다는 것이다.

이 글은 Avci, Abdeljaber, Kiranyaz, Hussein, Gabbouj, Inman, "A Review of Vibration-Based Damage Detection in Civil Structures: From Traditional Methods to Machine Learning and Deep Learning Applications" (arXiv, 2020)의 본문을 인용한다.

1. 왜 진동인가

이 방법의 기원은 오래됐다 — 논문은 "진동 기반 손상 진단의 개념은 1800년대에 이미 나타났다"고 적는다. 철도 노동자들이 차륜을 망치로 두드리고 그 소리로 상태를 판단하던 것이 그것이다. 정량적 방법이 가능해진 것은 1980년대, 컴퓨터와 계측 기술이 발전한 뒤였다.

지역적(국부) 검사 방법과 비교했을 때 진동 기반 방법의 장점은 세 가지로 정리된다.

센서를 촘촘히 깔 필요가 없다 — "매우 크고 복잡한 구조물에서도 제한된 수의 가속도계로 동적 특성을 식별하기에 충분한 경우가 많다".

손상 위치를 미리 알 필요가 없다.

장비를 옮기고 붙이기 쉽다.

이 세 가지가 결합해 전역(global) 방법이라는 이름의 근거가 된다. 초음파나 방사선 검사처럼 의심되는 자리를 이미 알고 있을 때 쓰는 방법과는 용도가 다르다.

2. 모수적 방법의 네 가지 한계

진동 기반 방법은 계측 신호에서 무엇을 뽑느냐에 따라 모수적(고유진동수·모드형상·감쇠비 같은 모드 특성을 추출)과 비모수적(신호 자체의 통계적 특징)으로 갈린다. 이 리뷰가 모수적 방법에 대해 정리한 한계 네 가지가 실무적으로 가장 중요하다.

한계내용

① 저차 모드는 국부 손상을 못 본다"특정 유형의 구조 손상은 전역 동특성, 특히 저차 모드의 변화와 항상 연관되지는 않는다. 국부 손상은 고차 모드에만 영향을 주는데, 이는 출력 전용 방법으로 식별하기 어렵다"

② 손상이 아닌 것이 모드를 바꾼다"모드 매개변수는 온도, 습도, 계측 잡음 같은 손상 외 요인의 영향을 받는다. 따라서 이 매개변수의 변화가 반드시 실제 구조 손상을 의미하지는 않는다"

③ 실시간이 어렵다출력 전용 모수적 방법은 상시진동 응답에서 모드를 추정하는 역문제를 푸는 정교한 시스템 식별 알고리즘에 의존한다 — 구현이 "실시간 손상탐지에는 부적합하다고 보고된다"

④ 중앙집중이라 취약하다모든 신호를 중앙 처리장치로 보내야 하므로 무선 센서망에서 전송·동기화가 문제가 되고, "센서 고장에 강인하지 않다 — 망의 모든 센서가 정상이어야 하기 때문"

두 번째 한계가 이 분야의 오랜 골칫거리다. 온도가 바뀌면 고유진동수가 바뀐다. 손상 없이도 바뀌고, 그 변화량이 실제 손상에 의한 변화보다 큰 경우도 많다.

3. 기계학습이 바꾼 것과 바꾸지 못한 것

기계학습 기반 방법의 구조를 리뷰는 한 문장으로 요약한다 — "대다수의 ML 기반 방법은 결국 두 가지 작업이다: 특징 추출과 특징 분류". 이 단순한 구조가 비ML 방법보다 일반적이고 유리하다는 것이 첫 번째 결론이다.

그런데 두 번째 결론이 그 앞의 결론을 제한한다.

진동 기반 손상탐지의 ML 응용 대부분은 모드 특성(고유진동수·감쇠비·모드형상)을 손상민감 특징으로 사용해 왔다. 그러나 최근 연구들은 그런 특징이 좋은 선택이 아닐 수 있다고 제안한다 — 온도와 습도 변화 같은 손상 외 요인의 영향을 받고, 특정 유형의 손상에 대한 민감도가 낮기 때문이다. 따라서 ML 기반 전역 손상탐지에서 모드 특성을 손상민감 특징으로 쓰는 것을 피하도록 권장한다. — Avci et al., §6

알고리즘을 바꿔도 입력이 온도에 흔들리면 결과도 흔들린다는 것이다. 그리고 손으로 만든 특징(hand-crafted features)에 의존하는 한 문제가 하나 더 남는다 — 수많은 특징·분류기 조합이 시도됐지만 "특정 조합이 모든 종류의 구조물과 모든 손상 시나리오에 적합하리라는 것은 여전히 불분명하다".

4. 1D CNN — 특징을 사람이 만들지 않는다

다음 단계는 특징 추출 자체를 없애는 것이다. 리뷰가 특별히 비중을 두는 것이 1차원 합성곱 신경망(1D CNN)이다.

구조공학에서 계측되는 것은 이미지가 아니라 1차원 가속도 시계열이다. 1D CNN은 그 신호를 전처리나 수작업 특징 추출 없이 그대로 받는다. 리뷰의 결론이 그 장점을 두 가지로 정리한다.

"2D와 1D CNN 모두 원 가속도 시간이력으로부터 직접 손상을 탐지하고 위치를 찾을 수 있다는 점에서 매우 유망하다 — 데이터 전처리나 수작업 특징 추출이 전혀 필요 없다".

"1D CNN은 2D보다 훈련이 쉽고 계산 복잡도가 낮다. 특히 컴팩트한 1D CNN은 1차원 진동 신호의 양이 제한된 전용(고립) 응용에 적합하다".

계산이 가벼운 이유는 단순하다 — "2D 행렬 합성곱 대신 1D CNN의 순전파와 역전파는 단순한 배열 연산만 필요"하기 때문이다. 이것이 센서 노드 위에서 직접 돌리는 분산형 모니터링의 가능성을 연다 — 앞서 본 네 번째 한계(중앙집중)에 대한 답이기도 하다.

5. 남은 문제는 알고리즘이 아니다

리뷰의 마지막 결론이 이 분야의 실제 병목을 가리킨다.

ML 응용으로 검토된 모든 손상탐지 기법은 지도학습 알고리즘에 기반하며, 훈련에 라벨이 붙은 데이터를 요구한다. 즉 훈련에는 무손상 상태의 진동 데이터와 여러 손상 시나리오에서 계측된 데이터가 모두 필요하다. 토목 구조물에서 손상 전후의 데이터셋은 거의 존재하지 않는다. — Avci et al., §6

이 문장이 왜 무거운지는 분명하다. 교량이나 건물을 일부러 손상시켜 데이터를 만들 수는 없다. 리뷰가 제안하는 해법은 두 가지다.

실계측 + 시뮬레이션의 결합 — "무손상 구조물의 실제 데이터와 손상 시나리오의 모사 데이터를 함께 써서 분류기를 훈련"한다. 모사 데이터는 정확한 유한요소 모델이나 축소 실험모형에서 얻는다.

준지도·비지도 학습 — 라벨이 거의 없거나 전혀 없는 데이터로 작동하는 알고리즘. 다만 리뷰는 현재 그런 시도가 "매우 소수"라고 밝힌다.

첫 번째 해법에는 조건이 붙는다는 점을 짚어야 한다 — 손상 데이터를 유한요소 모델로 만든다면, 그 모델이 실구조물을 얼마나 재현하는가가 곧 탐지 성능의 상한이 된다. 문제가 데이터에서 모델 검증으로 옮겨 갈 뿐 사라지지는 않는다.

6. 정리

진동 기반 방법은 제한된 수의 가속도계로 전역을 본다 — 손상 위치를 미리 알 필요가 없다는 점이 국부 검사와의 결정적 차이다.

개념의 기원은 1800년대 철도 차륜의 망치 소리이고, 정량화는 1980년대 컴퓨터·계측 기술 이후다.

국부 손상은 고차 모드에만 영향을 주며, 고차 모드는 출력 전용 방법으로 식별하기 어렵다.

모드 특성은 온도·습도·잡음에 흔들린다 — 변화가 곧 손상이 아니다.

출력 전용 모수적 방법은 실시간에 부적합하고, 중앙집중 구조는 센서 고장에 취약하다.

ML 기반 방법은 특징 추출 + 특징 분류의 두 단계로 요약되며, 그래서 비ML 방법보다 일반적이다.

리뷰는 모드 특성을 ML의 손상민감 특징으로 쓰지 말 것을 권고한다 — 손상 외 요인에 흔들리고 민감도가 낮기 때문이다.

1D CNN은 원 가속도 시계열을 전처리 없이 받고, 단순 배열 연산만 필요해 계산이 가볍다.

검토된 ML 기법은 모두 지도학습이고, 토목 구조물에는 손상 데이터가 거의 없다 — 실계측 무손상 + 모사 손상, 또는 비지도 학습이 제안된 해법이다.

실무의 관점에서 이 리뷰가 주는 결론은 모니터링 계획을 세우는 순서다. 알고리즘을 먼저 고르는 것이 아니라, 어떤 데이터를 확보할 수 있는가를 먼저 정해야 한다 — 무손상 상태의 장기 계측은 가능한가, 온도·습도의 동시 계측은 있는가, 손상 시나리오를 대신할 검증된 수치모델이 있는가. 이 세 질문의 답이 없으면 어떤 알고리즘을 써도 온도 변화를 손상으로 읽는다. 리뷰가 모드 특성을 피하라고 권고한 것과, 손상 데이터의 부재를 마지막 결론으로 남긴 것은 같은 이야기의 두 면이다.