스마트 교량 모니터링을 위한 AI 기반 이상 탐지

본 논문은 스마트 시티 기반 시설물 관리의 핵심 과제인 교량의 구조적 안전성을 실시간으로 감시하기 위해 AI 기반 이상 탐지 모델을 설계·평가한다. 서론에서는 전통적인 시각 검사 방식이 인력 의존적이며 주관적 오류에 취약함을 지적하고, 센서와 데이터 기반 접근법의 필요성을 강조한다. 이어서 기존 연구를 검토하면서 통계적 방법(다변량 모델, 평균·분산 기반 기법)과 머신러닝·딥러닝 기반 방법(최근접 이웃, CNN, 오토인코더 등)의 장단점을 정리한다. 연구의 핵심은 노르웨이의 한 교량에 설치된 iBridge 센서 디바이스에서 수집한 실시간 데이터셋을 활용해 세 가지 대표적인 이상 탐지 알고리즘을 비교 실험하는 것이다. iBridge는 가속도계와 온도 센서를 포함한 다중 센서 모듈을 4G 통신으로 클라우드에 전송하는 소형 데이터 로거이며, 배터리 구동이 가능해 현장 설치가 용이하다. 데이터는 10개 채널(가속도 X/Y/Z, 온도, 변형률 등)으로 구성되며, 1초 간격으로 기록된다. 데이터 전처리 단계에서는 결측값 보정, 이상치 제거, Z-score 정규화, 그리고 일정 길이(예: 5초) 윈도우 슬라이딩을 통해 시계열 샘플을 생성한다. 이렇게 만든 입력 벡터는 각 알고리즘의 학습에 사용된다. Isolation Forest는 랜덤 서브샘플링과 트리 깊이 기반 점수로 이상치를 판별하지만, 고차원 데이터에서 트리 구조가 복잡해져 성능이 저하된다. Autoencoder는 정상 데이터만을 이용해 입력을 압축·복원하도록 학습하고, 재구성 오차가 사전에 정의된 임계값을 초과하면 이상으로 판단한다. 그러나 정상 데이터가 제한적일 경우 재구성 오류가 불안정해 정확도가 떨어진다. DBSCAN은 데이터 포인트 간 유클리드 거리와 밀도(ε와 minPts) 기준으로 클러스터를 형성하고, 밀도가 낮은 고립된 포인트를 자동으로 이상치로 라벨링한다. 논문에서는 ε=0.5, minPts=5를 최적 파라미터로 선정했으며, 정상 운행 구간은 하나의 밀집 클러스터를 이루고, 사고 발생 시 급격한 진동·가속도 변동이 고립된 포인트로 탐지된다. DBSCAN은 사전 분포 가정이 필요 없고, 비선형·비정상 변화를 민감하게 포착한다는 장점이 있다. 성능 평가는 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1-score 네 가지 지표를 사용했으며, 실험 결과 DBSCAN이 96.3% 정확도와 0.94 F1-score를 기록해 Isolation Forest(85% 이하)와 Autoencoder(88% 이하)보다 현저히 우수했다. 또한, 실시간 스트리밍 환경에서 평균 탐지 지연시간이 150ms 미만으로, 현장 적용 가능성을 입증하였다. 제안 모델의 한계로는 사고 데이터가 매우 제한적이며, 일반적인 구조 손상(균열, 부식 등) 탐지에 대한 검증이 부족한 점을 들었다. 파라미터 ε와 minPts가 센서 종류·설치 위치에 따라 재조정이 필요해 범용 모델로의 확장은 추가 연구가 필요하다. 향후 연구 방향으로는 다중 센서 융합을 통한 특징 강화, 온라인 학습을 통한 모델 적응성 향상, 그리고 강풍·지진 등 복합 환경에서의 견고성 검증을 제시한다. 결론적으로, 본 연구는 iBridge와 같은 저비용 스마트 센서를 활용해 DBSCAN 기반 이상 탐지 모델을 구현함으로써 교량 사고를 실시간으로 고감도·고정밀하게 감지할 수 있음을 입증하였다. 이는 스마트 인프라 관리 체계에 AI를 접목시켜 공공 안전을 강화하고, 유지보수 비용을 절감하는 실용적인 솔루션으로 평가된다.