상용 IoT 센서를 활용한 안벽 접안 이벤트 모니터링 기술 개발
Development of Event Monitoring Technique for Berthing Facilities based on a Commercial IoT Sensor
Article information
Trans Abstract
This paper focuses on the technique for managing both the behavior of port mooring facilities and vessel docking events using commercial IoT sensors. An IoT sensor was installed on the concrete caisson quay wall in Incheon Port and monitored at a sampling rate of 100 Hz. The measured data were transmitted to a cloud server every 10 minutes via LTE communication. The amplitude of the data significantly increased during vessel arrivals, allowing for the identification of vessel docking and departure times. Additionally, considerable vibrations were intermittently detected while the vessel was moored. Frequency domain analysis revealed different peak frequencies depending on the vessel type, enabling the distinction of vessel types. These results demonstrate that commercial IoT sensors can be effectively used not only to ensure the safety of the structures themselves but also to monitor events such as vessel arrivals and departures.
1. 서 론
항만시설은 각 국의 수출입 화물 물동량을 처리하며 물류에 있어서 중추적인 기능을 담당하는 핵심 사회기반시설이다. 국내 항만시설물은 1970년대부터 집중적으로 건설되기 시작하여, 사용연수 30년 이상 노후화된 시설물이 2020년 기준 26.1%, 2030년 기준 50% 이상으로 급증할 것으로 보고되었다(Min, 2020). 네덜란드 로테르담항은 사용연수 50년에 가까워지는 노후시설물이 증가함에 따라 센서를 활용한 모니터링을 비롯하여 다양한 기술개발을 수행하고 있다. 시설물 노후화 이슈 외에도, 전 세계적으로 기후변화로 인한 태풍, 집중호우, 설계파고 이상의 고파랑 내습 등이 빈번하게 발생하고 있어 노후 항만시설물의 안전성 및 사용성 확보를 위한 적시의 점검 및 유지관리 기술에 대한 필요성이 증가하고 있다. 해양수산부는 공용연수 20~30년인 항만의 경우 과거 설계기준으로 준공되어 이러한 환경 변화에 대응하기 위해서는 지속적인 모니터링 및 관리가 필요하다고 보고한 바 있다(MOF, 2023). 무엇보다도, 항만 시설물에서 발생하는 피해는 시설물 사용자의 안전뿐만 아니라 선사, 하역사 등에 경제적 피해까지 유발할 수 있으므로 사전 감시를 통한 선제적인 관리가 매우 중요하다. 따라서 최근 IoT 센서, LiDAR, 드론 등 4차 산업혁명 기술을 활용하여 계측한 디지털 데이터를, 머신러닝, 딥러닝 모델 등을 통해 분석하고, BIM, 디지털트윈 등을 통해 표출하는 유지관리 연구가 활발하게 수행되고 있다(Min and Nam, 2023; Cho et al. 2023; Chang, 2023)
선박 접안 시 선박에 의한 접안력 및 마찰력에 의하여 선체와 구조물에 발생하는 피해를 방지하기 위하여 안벽 상부공 측면에 방충재(fender)가 설치된다. 선박 접안 과정 혹은 계류 중 시설물에 충격 혹은 끌림 등이 발생하면 구조물 본체 및 방충재에 피해가 발생한다. 선박의 대형화 등에 따라 부두의 설계접안능력을 초과하는 선박이 접안하는 사례가 빈번하게 발생하고 있으며(Kang and Park, 2016), 편심접안 등에 의해 방충재가 지속적으로 파손된 사례도 있다(Kang et al., 2021). 인천 산적화물선 S호 부두접촉사고, 우이산호 사고 등 선박이 적정 접안속도를 초과하여 접안할 경우 부두 계류시설 파괴, 선박 선체 손상 등의 사고로 이어질 수 있다(Korea maritime safety tribunal, 2019; Lee et al., 2019). 한편, 장주기파 등에 의해 선박 계류 시 많은 어려움을 겪고 있으며 악천후 시 부두와 충돌하여 손실이 발생하기도 한다(Kubo and Sakakibara, 1999; Lee et al., 2021). 즉, 부두 안벽은 선박의 접안 및 계류 과정에서 상시 충돌 등의 이벤트 위험에 노출되어 있다. 그러나 대다수가 구조물 전면부에서 발생하며 육상에서 육안 확인이 어렵고 피해 이후 일정 시점이 경과한 다음 시설물 관리주체가 안전점검 수행 시 발견하는 경우가 다수이다(Yu et al., 2022). 이벤트 발생 이후 구조물의 계속 사용 유무에 대한 판단 시 이벤트 전후 비교가 필요하며 대부분 기존 점검자료를 근거로 하므로 객관적인 평가가 어렵다.
｢선박의 입항 및 출항 등에 관한 법률 시행규칙｣ 제19조의3(위험물 하역 관련 안전장비)에서 ‘해양수산부령으로 정하는 안전장비’에는 접안하는 선박의 속도를 확인할 수 있는 선박접안속도계, 돌핀 계류시설에 외부 충격이 있을 경우 즉시 작동할 수 있는 자동경보시스템, 원격으로 위험물의 차폐가 가능한 자동차단밸브가 포함된다. 선박접안속도 측정 및 해당 정보의 시⋅청각적인 표출과 관련한 장치(docking aid system)는 이미 상용화되었으며, 최근에는 비전 센서 및 딥러닝 기술과 융합한 연구개발이 수행되고 있다(Kim et al., 2020). 그러나 부두 접안과 관련한 다수의 연구는 선박 중심으로 수행되었으며, 선박 접안 이벤트가 구조물에 미치는 영향과 관련한 연구개발은 미흡한 실정이다(Roubos et al., 2017; Roubus et al., 2018; Lee et al., 2020).
본 논문에서는 상용 IoT 센서를 활용하여 항만 계류시설의 거동 및 선박 접안 시 이벤트 관리를 동시에 수행하기 위한 모니터링 시스템을 구축하였다. 국내 인천항에 위치한 케이슨식 안벽의 상치 콘크리트에 IoT 센서를 설치하고, 선박이 접안하지 않는 경우 및 두 가지 타입의 선박이 접안한 경우에 대하여 모니터링 데이터를 분석함으로써, 센서 데이터로부터 선박 입⋅출항 시점 기록 및 선박 종류 구분이 가능한지 검토하였다. 이로부터 시설물에 설치된 저비용 단일 센서로부터 시설물의 안전성 모니터링 뿐만 아니라 선박의 입⋅출항 관리, 이벤트 전⋅후 관리까지 객관적⋅경제적으로 가능할 것이다.
2. 실험 개요
2.1 대상 시설물
대상 시설물은 Fig. 1의 인천항에 위치한 2종 시설물로 케이슨식 안벽에 해당하며, 연장은 총 850m로5 만 톤급 2개 선석, 3만 톤급 1개 선석으로 구성된다. 계측이 수행된 선석은 5만 톤급 선석으로 매주 6일간 격일로 2종의 선박이 교차로 접안하여 상⋅하역을 수행한다. Table 1은 계측기간 중 입항 및 출항 시각, 작업 선박에 대한 정보이며, 보다 상세한 정보는 부두에서 운영하는 홈페이지에서 확인 가능하다. 대상 시설물은 중차량 통행 및 하역 작업이 빈번하게 이루어지며, 정밀안전점검 보고서 검토 결과 부두 운용 중 발생하는 외부 충격, 마찰에 의해 케이슨 전면부 파손 및 철근 노출, 방충재의 체인 및 레진패드 탈락 등의 손상이 발생한 이력이 있다. 대상 시설물의 콘크리트 설계기준강도는 35MPa이며, 상치콘크리트 상면 및 케이슨 전면 22개소에서 반발 경도시험을 통해 추정한 압축강도는 35.8~36.8 MPa로 양호하였다. Fig. 1은 대상 시설물 전경을 보여준다.
A view of the target structure
A sample of the ship berthing schedule on the target structure
2.2 계측 센서 및 설치 위치
중력식 안벽의 접안 이벤트를 모니터링하기 위하여 시중 판매 중인 IoT 센서((주)이노온, Ino-Vibe GB)를 수정하여 사용하였다. 해당 모델에는 MEMS 가속도계(Analog Device, ADXL355) 및 경사계(Analog Device, TM-5D)가 내장되어 있으며, 디바이스 자체가 로거 및 센서 기능을 함께 수행한다. 쿼드코어 64bit CPU에 Linux를 포팅한 프로세서 시스템이 탑재되어 있어 데이터의 저전력 실시간 수집 및 고급 알고리즘 연산이 가능하다. 진동 계측 해상도는 20 bit/±2 g이며, 경사는 0.01°이다. 데이터는 100 Hz 샘플링으로 측정되고, 10분마다 데이터 파일로 생성되며, LTE 통신을 통해 서버로 전송된다. 전송된 원시 데이터는 클라우드 서버에서 확인 가능하며, CSV 파일로 저장된다. Table 2는 센서의 주요 성능을 보여준다.
Summary of the proposed IoT sensor
센서는 항만공사, 하역사 등과 협의하여 계선 작업, 상⋅하역 작업, 이송 작업에 방해가 되지 않는 위치를 선정하였으며, 선박이 접안하는 전면부에 가깝도록 차막이 인근에 Fig. 2와 같이 설치하였다. 해당 위치는 외부 상시전원 연결이 가능하나, 전원 차단 등 비상시를 대비하여 배터리를 함께 장착하였다. 부두 안전을 위하여 배터리 보호회로가 설계되어 있으며, 과전류시 회로를 끊어 배터리로 인한 사고를 예방하도록 하였다. Fig. 2는 설치된 센서의 모습이다. 센서 내부로 분진이 침투하지 않도록 IP65 알루미늄 케이스를 사용하였다. 또한 센서 자체의 상태를 관리하기 위하여 내부 온도, 내부 습도, 배터리 레벨, 외부전압 레벨, 수신신호강도(received signal strength indicator, RSSI)를 10분 단위로 계측⋅저장하였으며, 가속도 및 경사 데이터와 함께 서버로 송신된다. 설치 이후 현장 조건에 맞춰 펌웨어 업데이트를 수행하였으며, 2024년 4월 25일부터 모니터링을 시작하였다.
Installation of an IoT sensor for quay wall monitoring
3. 결과 및 분석
3.1 접안 및 출항에 따른 영향
설치된 IoT 센서로부터 계측된 7일간의 3축 진동 및 3축 경사 신호의 예를 Fig. 3에 도시하였다. 여기에서 X축은 안벽 길이 방향, Y축은 법선 방향, Z축은 중력 방향이다. 4월 28일을 제외하고, 선박에 의한 진동 및 경사가 발생함을 확인할 수 있으며, 진동 신호의 경우 중력 방향, 경사 신호의 경우 법선 방향(해측: +)에서 선박에 의한 민감도가 높게 나타났다. 선박 접안 및 계류 중 선박 엔진에 의한 진동의 영향으로 선박이 접안하지 않은 경우의 노이즈 레벨 ±1mg를 초과하며, 이로부터 접안 여부를 확인할 수 있다. Fig. 3(c)의 Z축 진동의 경우 X, Y축에 비해 신호 전반에 걸쳐 장주기의 변동성(fluctuation)을 포함하고 있으며, 이는 3축 경사 신호에서도 유사하게 나타난다. 진동 및 경사 신호 모두 선박에 의한 변동은 있으나, 출항 이후에는 모두 초기값으로 회복하여 구조물 자체의 이상거동 특성은 보이지 않는다.
Measured raw signals
선박의 접안 및 출항에 따른 영향을 자세히 살펴보기 위하여, 10분 단위로 진동의 최댓값 및 최솟값을 일자별로 구분하여 Fig. 4에 비교하였다. ‘On’은 선박이 접안하는 시점, ‘Off’는 선박이 출항하는 시점이며, 이는 Table 1과 동일하다. 다만, 대상 부두의 공식 홈페이지 상에서 제공하는 입출항 정보는 관리자에게 보고된 대략적인 정보일 것으로 예상된다. Fig. 4에서 보듯이, 5월 4일 출항을 제외하고, 선박의 입출항에 의한 X, Y축 신호의 변화가 명확하였다. 그러나 Z축 신호의 경우, 접안 및 출항 시점 외에 계류 중 신호가 상시 신호와 유사하여, 계류 중 신호의 구분이 어려우며, RMS 피크값을 통해 입출항 시점 확인이 가능하다. 또한 상시 조건 대비 입출항 및 계류 중 데이터의 분산성이 커지므로, 이상치 검출 알고리즘 등을 활용하여 정확한 입출항 시점 보고 및 선박 접안에 의한 구조물 거동 분석이 가능할 것이다.
Vibration changes due to the landing and departure of the ship
IoT 센서 계측 데이터에 의하면 5월 4일 자 출항은 18시 50분경으로 추정된다. 이를 검증하기 위하여 18시 40분에 촬영한 접안 영상 정보를 수집한 결과, Fig. 5에서와 같이 18시 40분에 선박이 접안 중이었다. 즉, IoT 센서로 계측한 데이터에서 선박의 정확한 입⋅출항 정보를 추출할 수 있었다.
Clips for the check of berthing
3.2 선박 종류에 따른 영향
대상 시설물에는 2종의 선박이 교대로 접안한다. Fig. 6은 A 타입 및 B 타입 선박 접안 시 Z축 진동 신호이다. 선박이 안벽에 접안하는 시점에 신호의 진폭이 약 9 mg까지 증가하며, 선박 타입에 따라 신호 경향이 달라진다. B 타입 선박의 경우 접안 및 출항 시점 외 계류 중에도 간헐적인 진동이 발생하였다.
Effect of the ship type
Fig. 7은 선박 종류에 따른 파워 스펙트럼 밀도(power spectral density, PSD)이다. 각 선박이 계류한 일의 24시간 Z축 진동데이터에 대하여 PSD를 계산한 것이다. 부두 안벽 특성 상 접안 시 수신된 10분 데이터로부터 PSD를 계산할 경우 잡음 성분으로 인하여 주요 주파수 성분값 확인에 어려움이 있었다. 이를 해결하기 위해서는 향후 센서의 잡음 수준을 낮추고 민감도를 높여야 할 것이다. 24시간 데이터로부터 도출된 PSD는 선박 종류에 따른 차이를 보여주었다. 상시 진동과 달리 선박 접안 시 피크가 발생하였으며, 이는 선박 엔진 등에 의해 시설물이 가진되는 주파수 성분으로 볼 수 있다.
Power spectrum depending on the ship type
3.3 디바이스 상태 모니터링
설치된 센서의 유지관리를 위하여 외부 전압, 배터리 전압, RSSI, 센서 내부 온⋅습도를 함께 모니터링한다. Fig. 8은 IoT 센서 운영에 있어서 주요한 관리대상인 RSSI와 배터리 전압량을 보여준다. 센서는 상시 전원에 연결되어 있으므로 배터리 전압은 4.145~4.238 V를 유지하고 있다. RSSI는 수신된 신호의 강도를 표현하는 지표이며 수신 전파 신호의 세기를 의미한다. 일반적으로 LTE 통신에서 RSSI가 -90~-100 dBm 범위이면 경계(marginal) 범위, -100 dBm 이하이면 불안정(poor) 범위에 있음을 의미하는데, Fig. 8(a)에서 보듯이 심야 시간대의 RSSI값이 100 dBm 이하로 떨어졌다(Shakir et al., 2023). 또한 우천 시에도 전파의 세기가 다소 감소하였다. 이는 항만 구역 내 통신이 불안정할 수 있으며, 모니터링 시스템 구축 시에 이를 고려할 필요가 있음을 의미한다.
Installation of an IoT sensor for quay wall monitoring
4. 결 론
본 논문에서는 상용 IoT 센서를 활용하여 항만 계류시설의 거동 및 선박 접안 이벤트 관리를 위한 모니터링 시스템을 개발하였다. 인천항 케이슨식 안벽 상치 콘크리트에 MEMS 형 가속도계와 경사계가 탑재된 IoT 센서를 설치하였고, 100 Hz 샘플링으로 계측하였다. 대상 시설물에는 2종의 선박이 입항하고 있으며, 주 6일간 교대로 정박하여 동일한 입⋅출항 패턴이 매주 반복된다. IoT 센서로 모니터링된 데이터는 10분 단위로 저장되며 LTE 통신을 통해 클라우드 서버에 전송된다. 센서의 유지관리를 위하여 센서 운용과 관련한 배터리 전압, 외부 전압, 센서 내부 온⋅습도, RSSI의 정보가 함께 전송된다. 선박 입항 시 선박 엔진 등에 의한 영향으로 구조물 진동 및 경사 진폭이 증가하면서 선박 입항 및 출항 시점 확인이 가능하였다. 또한 선박이 계류 중에도 간헐적으로 상당한 진동이 발생하였다. 한편, 선박의 종류별로 구조물을 가진하는 주파수 성분이 달라 선박 종류 구분이 가능하였다. 본 논문에서 도출된 결과는 저비용의 상용 IoT 센서를 설치하여 안벽의 변위, 경사 등 구조물 자체의 정적 거동뿐만 아니라 각종 충격 등에 의한 동적 이벤트 관리가 동시에 가능함을 보여주었다. 향후 고감도 IoT 센서를 설치하여 선박 입항 및 출항 시간 자동 추출 및 보고, 입⋅출항 선박 분류 등을 위한 머신러닝 기술 개발도 가능할 것이다.
Acknowledgements
본 논문은 해양수산부 재원 해양수산과학기술진흥원 (과제번호: 20210659)의 지원을 받아 수행되었습니다. 인천항만공사의 실험 협조 및 지원에 진심으로 감사드립니다.