조장훈
(Jang-Hoon Jo)
1iD
방준호
(Junho Bang)
†iD
유정훈
(Jung-Hoon Yoo)
1iD
선로빈
(Robin Sun)
2iD
홍성준
(Seong-Jun Hong)
3iD
방선배
(Sun-Bea Bang)
3iD
-
(Dept.of IT Applied Engineering, Jeonbuk National University, Jeonju, Rebublic of Korea.)
-
(Department of Energy/Conversion Engineering of Graduate School, Jeonbuk National University,
Jeonju, Rebublic of Korea.)
-
(Dept. of Safety Research Department Researcher, Electrical Safety Research Institute,
Korea.)
Copyright © The Korean Institute of Electrical Engineers(KIEE)
Key words
Electrical fire, Arc beads, Molten mark, Convolution neural network
1. 서 론
그림 1 연도별 전기화재발생 비율(1)
Fig. 1 Electric Fire Occurrence Rate by Year(1)
전기화재는 화재가 발생한 장소에서 전기설비의 단락, 과부하, 트래킹 등의 전기적 사고가 발생할 때 아크 또는 주울열에 의해 금속이 녹은 후 재응고된
용융흔이 발생한다. 용융흔의 종류로는 전선피복이 소실된 후 단락에 의해 생성되는 1차 단락흔과 화재의 열로 전선피복이 소실된 후 단락에 의해 생성되는
2차 단락흔이 있다. 그리고 화재 열에 의해 녹은 후, 다시 응고된 용융흔을 열흔이라 한다. 1차 단락흔의 외형은 용융망울이 관찰되며, 생전선부분과
아크혼 부분의 경계에 열흔의 식별이 가능하다. 2차 단락흔의 외형에서는 용융 망울이 관찰되지만 생전선부분과 아크혼 부분의 경계는 관찰되지 않는다.
열흔의 외형은 원형이 아닌 불규칙한 용융 망울이 관찰되며, 전선표 면의 열소흔이 관찰되기도 한다(2). 화재 원인 조사에서 전기의 통전여부와 용융흔 분석을 통해 화재의 첫 발화지점, 방향성, 연소 확대 등 판정 근거를 확보할 수 있으므로 1차, 2차
단락흔과 열흔의 종류를 판별하는 것은 전기화재로 인한 발화 유무를 결정하는 매우 중요한 요소이다(2). 화재 현장에서 용융흔의 외형 분석을 통한 판별시 용융흔의 모양, 용융 망울 분포, 크기, 경계선의 존재, 재질감, 무늬 등을 활용하지만 육안으로
판별하기가 쉽지 않아, 용융흔의 단면의 조직을 분석하는 연구 방법이 진행되어 왔다. Gray등(3)는 과전류로 생성된 용융흔과 외부 화염으로 생성된 용융흔을 주사전자현미경으로 분석하였고, Seki등(4)은 1, 2차 단락흔에서 Cu2O와 Cu 수지상 조직의 유무와 상이성을 제시하였고, Lee등(5)은 용융흔이 생성된 주위 온도에 따라 수지상 조직의 가지 간격의 차이점을 제시하였고, Richard등(6)은 1, 2차 단락흔과 열흔 생성 모의 실험 장치를 구현하여 수지상 조직, 주상 조직, 경계면을 분석하였다. 또한 Kim등(7)은 용융흔 크기에 따른 수지상 조직의 분포도를 계산하는 새로운 방법을 제안하고 분석하였다. 이와 같이 용융흔 단면의 수지상 조직을 분석하는 방법들은
1, 2차 단락흔과 열흔을 분석하는 중요한 자료가 되지만, 분석 방법 및 판별정확도등에 있어서 개선해야할 많은 문제를 갖고 있다. 문제점으로 용융흔이
거의 없는 형태에서도 수지상 조직이 많이 나타나거나, 반대로 용융흔은 있으나 몇 번의 연마를 거치더라도 수지상 조직을 발견할 수 없는 경우가 있어
판별의 근거로 사용하기에 미흡함이 있다. 또한 수집된 용융흔을 분석하기 위한 연마작업도 많은 소요시간이 필요하고 원재료가 손상될 수 있거나 수지상
분석법을 포함한 여러 가지 식별 방법은 감식자에 따라 해석이 주관적이라는 문제도 안고 있다. 이와 같이 재료의 물리화학적 특성분석을 통한 판별 방법이
많은 개선점을 남기고 있는 가운데, 본 논문에서 AI알고리즘을 적용하여 단락흔과 열흔의 판별에 적용하고자 하는 연구를 시도하였다.
최근 딥러닝을 활용한 이미지 판별기법인 합성곱 신경망(CNN)에 관한 연구가 매우 활발하게 진행되고 있고 그 정확도도 점차 높아지고 있지만(8) 아직 전기화재 감식 분야에 CNN을 활용한 연구는 없다. 본 논문에서는 1차 단락흔과 2차 단락흔, 그리고 열흔을 판별하는 데 있어서 정확도를 높이고
데이터를 이용한 객관적인 판별기준을 제공할 수 있도록 CNN을 이용한 판별하기 위한 알고리즘을 제안하였다. 2장에서는 전기 용융흔의 생성과정과 외형
분석을 통한 판별법에 대하여 논하였고, 3장에서는 CNN을 이용한 단락흔과 열흔 분석 알고리즘을 설계하고 시뮬레이션 및 분석 결과를 보였다.
2. 전기화재 정밀감정 분석 방법
2.1 용융흔의 생성 과정
전기화재 발생시 전선이 단락되어 전선이 끊어지면서 전선에서 발생하는 용융흔이 생성되는데 중앙소방학교 조사전문교육반 교재에 따르면 1차 단락흔, 2차
단락흔 그리고 열흔의 정의와 생성과정은 다음과 같다.(8)
1) 1차 단락흔(Primary Arc bead)
1차 단락흔은 통전 상태에서 전선피복이 절연열화나 물리적인 외력 등에 의해 손상된 후 단락에 의해 생성된 것이며 전기화재의 1차 원인이 된다. 수
천도 고온에서 순식간에 금속의 표면이 용융됨과 동시에 단락부위는 전자력에 의해 비산되어 떨어지며 전원이 차단되면 용융부위는 짧은 시간 내에 응고된다.
그림 2 1차 단락흔 생성과정
Fig. 2 Primary Arc bead creation process
2) 2차 단락흔(Secondary Arc bead)
2차 단락흔은 통전 상태에서 화재의 열로 전선피복이 소실된 후 단락에 의해 생성된 것이다. 통전된 상태의 전선 등이 화염에 의해 절연피복이 녹아내려
다른 선과 접촉하였을 때 2차 단락흔이 생성되며, 불꽃의 세기에 영향을 많이 받는다. 또한 전선 등이 접촉했을 때 당시의 온도는 절연재료가 외부 화염에
타서 금속이 연화되어 있는 상태로 단락이 발생한다. 2차 단락흔은 화재가 발생된 뒤 나타나므로 전기화재의 직접원인은 아니나. 1차 단락흔과의 형태와
모양이 매우 유사하여 구분하기가 어렵다.
그림 3 2차 단락흔 생성과정
Fig. 3 Secondary Arc bead creation process
3) 열 흔(Molten mark)
열흔은 화재 열에 의해 단락된 후 녹았다가 응고된 용융흔이다. 외부 화염에 전선이 용융된 후 용융된 전선이 끊어지고 냉각되며 망울이 발생한 것으로,
인가된 전원이 없는 전선이 화재 화염 및 열에 의해 용융되어 생성된 것이다. 1차 단락흔, 2차 단락흔은 전기가 인가된 상태인 것에 비하여 열흔은
전기가 인가되지 않는 상태에서 생성된다는 것이 큰 차이점이 있으며 전기화재의 직접원인은 아니다.
그림 4 열 흔 생성과정
Fig. 4 Molten mark creation process
2.2 외형 분석을 통한 판별법
1차 단락흔와 2차 단락흔 그리고 열흔에 대한 외형분석을 통한 판별법으로는 전선 망울의 형태, 망울의 크기, 망울 광택, 용단 흔적 존재, 비산 망울
융착 여부 등 많은 연구가 수행되고 있으며, 지금까지 연구된 판별 요소 등을 간단히 요약하면 표 1과 같이 나타낼 수 있다.
표 1 용융흔의 외형 분석의 판별 요소
Table 1 Appearance analysis classification method
|
|
Primary
Arc bead
|
Secondary
Arc bead
|
Molten
Mark
|
|
Shape of wire mangle
|
Sharp
|
Round
|
Lengthen
|
|
Size of wire mangle
|
Small
|
Big
|
Very big
|
|
Luster of wire mangle
|
○
|
△
(Irregular)
|
×
|
|
Traces of fusing
|
○
|
×
|
×
|
|
Fusing scattering mangles
|
○
|
×
|
×
|
현재 국내에서 전기화재현장의 조사관들은 용융흔의 외형을 보고 단락흔과 열흔을 판별하여 전기화재의 직접원인을 판단한다. 1,2차 단락흔 및 열흔의 판별을
위해 정밀감정기관에 의뢰하고 있지만 화재 조사관의 경력 및 숙련도에 따라, 그리고 원재료의 가공방법에 따라 판별 결과의 정확도가 차이가 날 수 있다.
그러므로 전기화재의 유무를 감정하기 위한 용융흔의 외형을 판단할 때 좀 더 객관적인 기준을 통하여 정확도를 높이기 위해 데이터 과학적인 방법이 매우
필요로 하고 있다(9). 이러한 필요에 의하여 본 논문에서 제안한 딥러닝을 통하여 용융흔의 종류를 판별하기 위한 알고리즘을 다음 장에 제안하고자 한다.
3. 딥러닝 CNN을 이용한 용융흔 종류의 판별방법 제안
3.1 합성곱 신경망(Convolution Neural Network)
합성곱 신경망(CNN)은 인공신경망들의 깊은 구조로 이루어진 신경망으로써 물체 인식, 이미지 인식 등 시각적 시스템 처리가 매우 뛰어난 알고리즘이다.
특히 RGB로 이루어진 다차원 이미지 배열 학습으로 얼굴인식, 이미지 인식 또는 분류를 위해 합성곱 신경망 알고리즘이 매우 높은 정확도를 가지고 있다.
합성곱 신경망에 적용하기 위한 이미지 데이터는 일반 인공신경망과 다르게 3차원 구조로 구성되며 입∙출력 및 학습 이미지 크기(깊이, 높이, 너비)로
3차원 값을 가진다.
그림 5 CNN 알고리즘의 구조
Fig. 5 Structure of CNN Algorithm
그림 5는 본 연구에서 사용된 합성곱 신경망으로 이미지 특징을 추출하는 합성곱층(Convolution Layer)와 풀링층(Pooling Layer)를 여러
겹 쌓는 형태로 구성되어 있다. 입력층(Input Layer)에 입력된 이미지 데이터는 합성곱 층에서 픽셀(Pixel) 단위의 숫자로 변환하여 필터링
과정을 통해 이미지의 특징을 추출한다. 추출된 특징들은 특성맵(Feature map)으로 저장하고, 필터의 크기와 연산 방법을 다르게 설정하여 이미지
특징을 다양하게 추출한다(10). 풀링 층에서는 입력된 이미지의 크기를 조절하여 다음 층으로 이미지의 특징을 전달한다. 완전 연결층(Fully Connected Layer)에서는
전단계 과정의 합성곱층과 풀링층을 반복적으로 수행되며 주요 패턴의 특징들을 자동으로 추출한다. 최종적으로 출력층(Output Layer)에서 이미지의
인식 결과를 판별한다.
1) 합성곱 층(Convolution layer) 연산
CNN의 구조 안에는 일반 인공신경망과 달리 Convolution layer가 포함되며 CNN에 입력된 데이터는 첫 번째 단계로써 Convolution
layer을 거치고 그 과정에서 합성곱 연산이 이루어진다(11). 입력 데이터는 설계된 크기를 갖는 필터(Fiter)를 통과하며 합성곱 연산이 수행된다. 그림 6은 필터 연산 과정을 표현한 것이며, 입력 데이터와 필터가 겹치는 부분끼리 서로 곱하고, 곱한 결과를 합산하면 한 번의 연산이 끝나게 된다.
그림 6 필터를 이용한 합성곱 연산의 과정
Fig. 6 The process of convolution operation using filter
필터가 입력 데이터 전체를 모두 스캔닝 하면서 합성곱 연산을 모두 수행하고 나면 그 결과로 새로운 출력행렬이 만들어지게 된다. 출력행렬의 크기는 입력
데이터의 크기와 필터가 스캔닝하는 간격을 조절하는 스트라이드(Stride)에 의해 결정된다. 입력 데이터와 필터가 가로와 세로의 길이가 같은 정사각형
행렬일 경우 출력의 크기는 식 1과 같이 구해진다. 이때 I는 입력데이터의 크기, C는 합성곱 필터의 크기, S는 스트라이드를 의미한다.
2) 풀링층(Pooling layer) 연산
풀링 층은 합성곱 층 다음과정에 위치하고 풀링 층의 연산을 통하여 공간(Spatial Size)을 축소시킨다. 합성곱 층의 주된 역할은 데이터 특징을
추출하는 것이라면, 풀링 층은 데이터의 사이즈를 줄이는 것을 주된 목표로 한다. 풀링은 확률적 풀링(Stochastic Pooling), 평균 풀링(Average
Pooling), 최대 풀링(Max Pooling)이 있다. 본 장에서는 이미지 인식 분야에서 주로 사용하는 최대 풀링을 사용하였다.
그림 7 최대 풀링 연산 과정
Fig. 7 Maximum pooling operation process
그림 7는 본 논문에서 사용한 최대 풀링을 연산하는 과정이다. 풀링 윈도우가 입력 데이터 전체를 스캔닝 하면서 풀링 연산을 하게 되는데, 이때 입력 데이터와
윈도우가 겹치는 영역에서 가장 최대값을 선택하는 방법으로 최대 풀링 연산을 수행한다. 입력 데이터와 풀링 윈도우의 가로와 세로의 길이가 같은 경우
출력 행렬의 크기는 식 2와 같이 구해진다. 이때 I는 입력 데이터의 크기, P는 풀링 윈도우의 크기, S는 스트라이드를 의미한다.
3.2 단락흔과 열흔 판별을 위한 알고리즘 설계
3.2.1 입력 데이터 획득을 위한 실험 방법
이 절에서는 단락흔과 열흔의 판별을 위한 CNN 알고리즘을 설계한다. CNN알고리즘에 적용하기 위한 데이터를 확보하기 위한 방법으로 실험실에서 1차
단락흔, 2차 단락흔과 열흔을 그림 9처럼 직접 제작하였다. 앞서 용융흔을 제작하기 전 먼저 이론상 용융흔이 발생하는 온도 조건을 활용하였다. 그림 8은 실험을 통해 온도의 관점에서 제작한 1차와 2차 단락흔 시료가 생성되는 시점을 나타낸 것이다. 1차 단락흔은 화재가 발생하게 된 원인을 제공한
전기적 단락흔으로 대기 상태에서 단락되어 아크에 의해 높은 온도까지 올라갔다가 대기 상태에서 단락되어 아크에 의해 높은 온도까지 올라갔다가 대기 온도에
의해 급랭되어 응고된다. 그에 반해 2차 단락흔은 화재에 의해 발생하게 된 전기적 단락흔으로 화염의 온도에 의해 피복이 녹아 단락이 발생되고 화재현장의
온도 가운데서 응고된다. 열흔은 인가된 전원이 없는 전선이 화재 화염 및 열에 의해 용융되어 생성된 것이다. 1차 단락흔과 2차 단락흔 생성의 가장
큰 차이는 단락 시 주위 온도와 아크에 의해 용융 후 응고될 때의 냉각속도 차이이다. 또한 2차 단락흔과 열흔의 차이는 생성시 전원의 인가 여부이다.
전원의 인가 상태에 따라 아크에 의해 고온까지 도달하는가의 차이이다.(12)
그림 8 용융흔의 생성 온도 조건(12)
Fig. 8 Generating temperature conditions(12)
용융흔을 제작하기 위한 실험장비를 그림 9과 같이 구성하였다. 실험 방법은 단락을 발생시키기 위해 전선을 고정대에 고정한 후 이동 제어 장치로 전선을 맞닿게 하여 단락점(Short ciruit
point)을 구성하여 단락시키는 방법으로 실험을 진행하였다. 이용한 시료는 두께 1.5SQ, 4Q 규격의 두 종류 구리이며, 단선 전선을 $25^{^{\circ}}C$
와 $900^{^{\circ}}C$에서 장치를 사용하여 단락시켰다. $900^{^{\circ}}C$로 설정한 이유는 화재가 최고점(Flash over)
상태에 $900^{^{\circ}}C$로 설정한 이유는 화재가 최고점(Flash over) 상태에 도달했을 때, 일반화재가 발생했을 때 비슷한 최고점
온도가 약 $800^{^{\circ}}C$ ~ $900^{^{\circ}}C$이기 때문이다. $900^{^{\circ}}C$ 용융흔은 전선을 2분
동안 가열한 상태에서 단락시켰으며 2분 동안 화염에 방치하여 생성하였다.
그림 9 단락흔 데이터 제작 실험 장치 구성
Fig. 9 Arc bead trace data production experimental device configuration
3.2.2 제작한 단락흔 데이터의 형태 및 특징
1) 1차 단락흔 제작 및 데이터의 특징 관찰
1차 단락흔의 제작은 그림 9의 실험장치에서 먼저 두 전선을 이용하여 Short Circuit를 구성하고 이 두 전선이 단락될 때까지 전류를 지속적으로 증가하여 얻어내었다. 그림 10과 같이 외형이 다양한 모양의 용융망울을 가지는 1차 단락흔을 얻었으며, 생전선 부분과 아크혼 부분의 경계에 열흔의 식별이 가능하였다. 용융 부분은
완만하고 부드러우며, 광택이 관찰되었다. 또한 크고 작은 원형의 함몰 부위가 관찰되었고, 작은 망울이 불규칙적으로 부착되는 것이 관찰되었다.
그림 10 1차 단락흔 데이터
Fig. 10 Primary Arc bead data
2) 2차 단락흔
2차 단락흔의 제작은 그림 9의 실험장치에서 먼저 두 전선을 이용하여 Short Circuit를 구성하고 전류를 인가하여 통전상태에서 화재상태를 구현하기 위하여 Frame generator
이용하여 불꽃을 가하게 되고 이때 단락이 일어나는 경우, 2차 단락흔을 취득하였다. 그림 11과 같이 외형에서는 2차 단락흔의 형태가 얻어졌으며 용융 망울이 관찰되지만 생전선 부분과 아크혼 부분의 열흔 경계는 관찰되지 않는다.
그림 11 2차 단락흔 데이터
Fig. 11 Secondary Arc bead data
3) 열 흔
열흔의 제작은 그림 9의 실험장치에서 먼저 두 전선을 이용하여 Short Circuit를 구성하고 전류를 인가하지 않은 상태에서 화재상태를 구현하기 위하여 Frame generator이용하여
불꽃을 가하게 되고 이때 단락이 일어나는 경우, 열흔을 취득하였다. 그림 12와 같이 외형에서는 열흔의 특징으로써 원형이 아닌 불규칙한 용융 망울이 관찰되었으며, 전선 표면은 열소흔이 관찰되기도 하였다.
그림 12 열흔 데이터
Fig. 12 Molten mark data
3.2.3 단락흔과 열흔 판별을 위한 CNN 알고리즘 설계
설계된 단락흔과 열흔 판별을 위한 CNN 알고리즘을 그림 13에 보였다. 1번 과정은 이미지 데이터의 학습 과정으로, 사용된 데이터 셋을 1차,2차 단락흔과 열흔으로 나누어서 학습 하였다. 2번 과정은 이미지
데이터의 검증 과정으로, 임의의 현장 데이터를 넣어 검증하였다. 3번 과정은 데이터 셋의 준비과정으로, 1,2번의 학습과정에서 주요 패턴의 특징을
찾아 추출하는 하는 과정이다. 4번 과정은 예측 과정으로 이미지의 인식 결과를 판별하는 과정을 보여주고 있다.
그림 13 설계된 단락흔과 열흔 판별을 위한 CNN 알고리즘
Fig. 13 The designed CNN algorithm for classification of primary and secondary src-bead
and molten mark the proposed
본 연구에서는 모델을 구현하기 위해 텐서플로우와 케라스를 사용하였다. 케라스에서 제공하는 이미지 제너레이터를 사용하여 좌우 반전, 밝기 조절, 좌표
이동, 각도 회전을 통해 증강 데이터를 생성하여 데이터 수를 5배로 확대하였다. 설계된 CNN 구조는 표 2와 같으며 입력 이미지는 64×64(Pixel)에 RGB로 구성하였다. 이미지 분류하기 위해 3개의 층으로 구성하고, 합성곱 층과 풀링 층을 활용하여
다운 샘플링 하였다. 또한 학습 중 발생할 수 있는 과적합 문제를 줄이고자 각 층에 30%의 추가하였고, 최종 출력층의 활성화 함수는 Sigmoid/
Softmax를 사용하여 분류하도록 설계하였다.
표 2 설계한 CNN 계층 및 함수
Table 2 Designed CNN layers and functions
|
Layer
|
Size
|
Kernel
|
Activation
|
|
Input Image
|
64×64×3
|
-
|
-
|
|
Conv2d_3
|
64×64×16
|
3×3
|
Relu
|
|
Maxpooling
|
32×32×16
|
2×2
|
-
|
|
Dropout
|
32×32×16
|
30%
|
-
|
|
Conv2d_4
|
32×32×32
|
3×3
|
Relu
|
|
Maxpooling
|
16×16×16
|
2×2
|
-
|
|
Dropout
|
16×16×32
|
30%
|
-
|
|
Conv2d_5
|
16×16×64
|
3×3
|
Relu
|
|
Maxpooling
|
8×8×64
|
2×2
|
-
|
|
Dropout
|
8×8×64
|
30%
|
-
|
|
Flatten
|
1×4096
|
-
|
-
|
|
Dense_3
|
1×512
|
-
|
Relu
|
|
Dense_4
|
1×256
|
-
|
Relu
|
|
Dense_5
|
1×2
|
-
|
Sigmoid/
Softmax
|
1) 1차 단락흔 및 2차 단락흔 판별 결과
표 3와 같이 수집한 학습 데이터를 각각 2000장을 기본데이터로 확보하였고 증강기법을 통하여 각각 5배 이상의 데이터를 생성하여 활용하였다. 또한 학습데이터와
검증 데이터의 비율을 7:3 비율로 분리하여 알고리즘에 적용하였다.
표 3 알고리즘에 적용하기 위한 데이터 확보
Table 3 Obtaining data to apply to algorithms
|
Method
|
Type and thickness of wire
|
Hiv wire/
1.5SQ,4SQ
|
|
Scaling
|
10x
|
|
Form
|
Primary Arc bead
|
1000 Sheets
|
|
Secondary Arc bead
|
1000 Sheets
|
그림 14 제안된 알고리즘을 이용한 예측 결과
Fig. 14 prediction result using the proposed algorithm
그림 14는 원데이터 2,000개의 5배로 증강된 10,000개의 데이터 중 70%로 학습된 결과의 학습정확도(Training accuracy) 및 학습손실율(Training
loss)은 첫 번째와 두 번째 그림에서 각각 붉은색 선으로 얻어진 결과이다. 또한 30%의 데이터를 활용하여 검증된 결과로 얻어진 검증정확도(Validation
accuracy) 및 검증손실율(Validation loss)은 각각 푸른색 선으로 얻어진 결과이다. 학습을 위한 시뮬레이션 회수를 100회 시행한
결과, 1차 단락흔인지 2차 단락흔인지의 여부, 즉 2개중 한 개를 가리는 판별정확도는 86.2%로 확인되었다.
2) 단락흔 및 열흔 판별 결과
표 4와 수집한 학습 데이터를 각각 2000장을 기본데이터로 확보하였고 증강기법을 통하여 각각 5배 이상의 데이터를 생성하여 활용하였다. 또한 학습데이터와
검증 데이터의 비율을 7:3 비율로 분리하여 알고리즘에 적용하였다.
표 4 알고리즘에 적용하기 위한 데이터 확보
Table 4 Obtaining data to apply to algorithms
|
Method
|
Type and thickness of wire
|
Hiv wire/
1.5SQ,4SQ
|
|
Scaling
|
10x
|
|
Form
|
Arc beads
|
1000 Sheets
|
|
Molten mark
|
1000 Sheets
|
그림 15 제안된 알고리즘을 이용한 예측 결과
Fig. 15 prediction result using the proposed algorithm
그림 15는 원데이터 2,000개의 5배로 증강된 10,000개의 데이터 중 70%로 학습된 결과의 학습정확도(Training accuracy) 및 학습손실율(Training
loss)은 첫 번째와 두 번째 그림에서 각각 붉은색 선으로 얻어진 결과이다. 또한 30%의 데이터를 활용하여 검증된 결과로 얻어진 검증정확도(Validation
accuracy) 및 검증손실율(Validation loss)은 각각 푸른색 선으로 얻어진 결과이다. 학습을 위한 시뮬레이션 회수를 100회 시행한
결과, 단락흔 및 열흔의 여부를 판별결과의 정확도는 93.6%로 확인되었다.
3) 1차, 2차 단락흔 및 열흔 판별 결과
표 5와 수집한 학습 데이터를 각각 3000장을 기본데이터로 확보하였고 증강기법을 통하여 각각 5배 이상의 데이터를 생성하여 활용하였다. 또한 학습데이터와
검증 데이터의 비율을 7:3 비율로 분리하여 알고리즘에 적용하였다.
표 5 알고리즘에 적용하기 위한 데이터 확보
Table 5 Obtaining data to apply to algorithms
|
Method
|
Type and thickness of wire
|
Hiv wire/
1.5SQ,4SQ
|
|
Scaling
|
10x
|
|
Form
|
Primary Arc bead
|
1000 Sheets
|
|
Secondary Arc bead
|
1000 Sheets
|
|
Molten mark
|
1000 Sheets
|
그림 16 제안된 알고리즘을 이용한 예측 결과
Fig. 16 prediction result using the proposed algorithm
그림 16는 원데이터 3,000개의 5배로 증강된 15,000개의 데이터 중 70%로 학습된 결과의 학습정확도(Training accuracy) 및 학습손실율(Training
loss)은 첫 번째와 두 번째 그림에서 각각 붉은색 선으로 얻어진 결과이다. 또한 30%의 데이터를 활용하여 검증된 결과로 얻어진 검증정확도(Validation
accuracy) 및 검증손실율(Validation loss)은 각각 푸른색 선으로 얻어진 결과이다. 학습을 위한 시뮬레이션 회수를 100회 시행한
결과, 1차 단락흔인지 2차 단락흔인지, 열흔인지의 여부, 즉 3개중 한 개를 가리는 판별정확도는 92.4%로 확인되었다.
표 6 제안된 알고리즘을 이용한 예측 결과 비교
Table 6 Comparison of the prediction results of the proposed algorithm
|
Data
set
|
A
|
Primary Arc bead
|
Arc bead
|
Primary Arc bead
|
|
B
|
Secondary Arc bead
|
Secondary Arc bead
|
|
C
|
|
Molten mark
|
Molten mark
|
|
Accuracy
|
86.2%
|
93.6%
|
92.4%
|
|
Loss
|
38.2%
|
12.5%
|
15.6%
|
학습결과를 정리비교한 표 6로부터 결과를 요약하면, 먼저 1차 단락흔과 2차 단락흔의 판별정확도는 86.2%로 확인되었다. 1차 단락흔과 2차 단락흔의 모양은 매우 흡사하기
때문에 화재현장에서 이 두 종류의 판별이 가장 난해한 경우이다. 그러나 본 연구에서 CNN알고리즘을 적용하여 그 판별의 정확도를 86.2%까지 얻어낸
것은 매우 의미있는 결과이다. 다음으로 단락흔 및 열흔의 여부를 판별결과의 정확도는 가장높은 93.6%로 확인되었는데, 이는 다른 생성유형시료에 대한
판별정확도가 상대적으로 가장 높게 얻어졌음을 확인한 결과이다. 마지막으로 1차 단락흔, 2차 단락흔 그리고 열흔의 여부, 즉 3개중 한 개를 가리는
판별정확도는 92.4%로 확인되었다. 이 결과는 단순이 1차 단락흔과 2차 단락흔의 판별 정확도 보다 오히려 높게 얻어졌는데, 열흔의 데이터까지 포함되며
데이터 수의 증가에 따른 영향과 열흔과 단락흔의 판별 정확도가 복합되어 학습률에 영향을 준 결과로 해석된다.
4. 결 론
본 논문에서는 전기화재의 직접원인의 여부를 판별하기 위하여 CNN알고리즘을 제안하고, 화재현장에서 발생할 수 있는 3가지 유형의 데이터를 실험실에서
제작하여 학습 및 검증하였다. 실험 및 분석 결과, 1차 단락흔과 2차 단락흔의 판별정확도는 86.2%, 단락흔과 열흔이 판별정확도는 93.6%,
1차, 2차 단락흔과 열흔의 판별정확도는 92.4%로써 얻을 수 있음을 확인하였다. 이러한 연구결과는 화재감식자가 시각적인 분류 및 물리화학적인 재료분석
방법을 통하여 판별하는 기존의 방법에 비하여 인공지능 알고리즘을 통하여 빠른 시간에 정확한 판별 결과를 제공할 수 있음에 의의가 있다. 특히 1차
단락흔과 2차 단락흔의 판별은 매우 어려운 난제로 알려져 있는데 이번 연구를 통하여 그 정확도를 86%이상으로 제공한 것은 매우 의미있는 결과이다.
본 연구는 실험실에서 생성한 데이터들을 바탕으로 알고리즘에 적용한 결과이며 향후, 실제 화재현장의 시료를 활용하여 다양한 현장의 노이즈의 영향을 고려한
판별알고리즘의 개발과 단일전선이 아닌 복잡한 형태의 전기재료에 대해서도 적용이 확대되도록 연구를 계속하고자 한다.
Acknowledgements
This work was supported by the National Research Foundation of Korea(NRF) grant funded
by the Korea government(MSIT)
References
National Fire Agency, Fire Statistical Yearbook (2020), Korea
Youn-hoi Kim, 2016, visual inspection methods of Short-circuit traces of the electical
wiring, A study on the Improvement Plans of Police Fire Investigation, pp. 212-222
D. A Gray, D. D. Drysdale, Lewis, 1983, Identification of Electrical Sources of Ignition
in Fires, Fire Safety J
T. Seki, H. Hasegawa, S. Imada, Y. Isao, 2000, Determination between Primary and Secondary
Molten Marks on Electric Wires by DAS, NITE
E-P Lee, 1989, Discrimination between Primary and Secondary Molten Marks on Electric
Wires by DAS, Applied Fire Science 9
Richard J. Roby, Jamile McAllister, 2012, Forensic Investigation Techniques for Inspecting
Electrical Conductors Involved in Fire, Combustion Science & Engineering
A-Hyun Kim, Sun-Bae Bang, Jin-Yeong Park, 2016, Analysis of Dendritic Structure on
Bead by Over current in Electrical Wire, The Korean Institude of Electrical Engineers
National Fire Service Academy, 2010, Fire Investigation Specialized Training Course
Materials, Electric fire detection (Soo-Young Kim)
Kwang-Muk Park, The Comparison of Grain Orientation Characteristics of Primary and
Secondary Beads using EBSD and statistical analysis by T test and F test, Domestic
Master’s Thesis Chonbuk National University Graduate School of Industrial Technology,
2018. Jeollabuk do
T. Bluche, H. Ney, C. Kermorvant, 2013, Feature exrraction with convolutional neuralnetworks
for handwritten word recognition, In2013 12th International Conference on Document
Analysis and Recognition. IEEE, pp. 285-289
Kang-Hyun Park, 2021 Seoul, Displacement Prediction of structures using Signal Image
data Based CNN, Domestic Master’s Thesis Yonsei University
Kwang-Muk Park, Sun-Bae Bang, Sung-Chae Yang, November 2017, The Orientation Comparison
of the Primary and Secondary Beads Grain by EBSD, J. Korean Inst. Electr. Electron.
Mater. Eng., Vol. 30, No. 11, pp. 728-733
저자소개
He is currently enrolled in a Master degree program in the dept. of IT Applied
System Engineering at Jeonbuk National University.
His main research interests are electrical fire analysis and Convolution neural network
He received B.S., M.S. and Ph.D. degrees in Department of Electrical Engineering from
Jeon-buk National University, in 1989, 1991 and 1996 respectively.
He was a research engineer with LG Semiconductor from 1997 to 1998.
He is currently working as a professor in Division of Convergence Technology Engineering
and Department of Energy/ Conversion Engineering of Graduate School, Jeonbuk National
Univer- sity, Jeonju, Rebublic of Korea.
His main research interests include IT convergency system design.
He is currently enrolled in a Master degree program in the dept. of IT Applied
System Engineering at Jeonbuk National University.
Design of short circuit and insulation detection circuit with low voltage DC load
He is currently enrolled in a Master degree program in the dept. Department of
Energy Storage/Conversion Engineering of Graduate School.
Design of LSTM model for wind power generation data collection and power generation
prediction.
Born February 21, 1985.
Graduated from the Department of Physics at Kangwon National University in 2010.
Graduated from the Department of Energy Conversion Engineering, University of Science
and Technology, Graduate School of Science and Technology in 2015 (Master).
2016~Present Researcher at Electrical Safety Research Institute.
Born May 18, 1969.
1994 Graduated from Myongji University, Department of Electrical Engineering.
Graduated from the Department of Electrical Engineering at Kangwon National University
in 2002 (Master), and Graduated from the Department of Electrical Engineering at the
same graduate school in 2009 (Ph.D.).
2003~present Senior Researcher, Electrical Safety Research Institute.