고장선박 식별 필요성

’18년 해양사고 현황(해양수산부, 2018)에 따르면, 최근 5년간 해양사고는 평 균 2,198건 발생했다. 발생척수를 기준으로 하면 평균 2,465건 발생했다. Table 29는 선박등록척수 대비 해양사고 발생척수 및 발생건수를 나타내는 표이다.

해양사고 발생건수는 2014년 대비 2015년 58.0%로 큰 폭으로 증가했으며, 지 속 증가 중이다. 발생척수도 2014년 대비 2015년 59.0%로 큰 폭으로 증가했으

며, 지속 증가 중이다.

척수/건수

연도 2014 2015 2016 2017 2018 평균

선박등록척수(A) 77,730 76,500 76,152 75,815 - -해양사고발생척수(B) 1,565 2,362 2,549 2,882 2,968 2,465

발생척수 증감율 - 50.9% 7.9% 13.1% 3.0% 18.7%

해양사고발생건수 1,330 2,101 2,307 2,582 2,671 2,198

발생건수 증감율 - 58.0% 9.8% 11.9% 3.4% 20.8%

해양사고발생률(B/A) 2.01% 3.09% 3.35% 3.80% -

-자료 : 해양수산부, 2018년 해양사고 현황

Table 29 Marine accidents for 5 years

해양사고를 사고 종류별로 구분하면, 기관손상이 5년 평균 698건(31.7%)으로 가장 많았으며, 부유물감김, 충돌 순으로 발생했다. Table 30은 해양사고 종류 별 사고 현황이다. 기관손상은 2014년 대비 2015년 사고 건수가 약 2배이상 증 가했으며, 매년 증가하고 있다.

연도

사고종류 충돌 접촉 좌초 전복 화재

폭발 침몰 기관

손상 안전 사고

부유물 감김

운항 저해

해양

오염 기타 계

2014 180 19 96 35 97 19 339 113 205 - - 227 1,330

2015 235 28 84 32 100 31 703 144 331 - - 413 2,101

2016 209 23 137 49 113 27 755 131 390 - - 473 2,309

2017 258 25 149 65 96 29 838 160 311 131 - 520 2,582 2018 250 20 142 46 119 38 856 162 278 155 80 525 2,671 평균 226 23 121 45 105 28 698 142 303 143 80 431 2,198 주 : 기타는 침수, 추진축계손상, 조타장치손상, 속구손상, 시설물손상, 행방불명 등

자료 : 해양수산부, 2018년 해양사고 현황

Table 30 Marine accident types

한편, 손상별 해양사고를 살펴보면, 경손이 6,558건으로 가장 많았으며, 기관

미한 손상인 것으로 나타났다. 다시 말해서 기관손상은 해양사고 중에서 가장 빈번하게 발생하지만 경미한 사고인 것을 알 수 있다.

그러나 기관사고가 선박의 입출항으로 혼잡한 항만 입구를 포함한 관제구역 에서 발생한다면, 선박교통의 원활한 흐름을 방해하며 이로 인한 2차사고로 이 어질 가능성이 높다.

Yang Z et al.(2013)은 지도/비지도 학습법을 기반으로 선박 행동을 클러스터 링하고 특징적인 클러스터를 식별했다. 그리고 선박 특성(Length, Beam)에 따 라 선박을 식별된 행동 클러스터로 분류하여 선박의 움직임을 예측할 수 있는 모형을 개발 했다. 이를 위해 k-mean 이론을 기반으로 Naive Bayesian 분류 원 칙에 따라 선박 통항 패턴을 분류했다. 개발한 모델은 로테르담 항만을 출입항 하는 선박에 적용하여, 통항패턴을 검증했다.

오재용 등(2018)은 비지도 학습법을 기반으로 항적 데이터를 자동으로 분류하 여 통항 패턴을 학습하고, 항적의 군집화와 분류 과정을 통해 이상 거동 선박 을 실시간으로 식별하는 방안을 제안했다. Figure 51은 연구에서 제안된 모델의 컨셉이며, 학습된 항적 모델과 다른 패턴의 항적은 이상 거동 상태일 확률이 높다고 가정했다.

자료 : 오재용 등(2018)

Figure 51 Concept diagram of ship movement anomaly detection model

모델의 첫 단계에서는 AIS 데이터베이스로부터 학습 데이터를 추출하고, 이를 이용해서 기계학습 모델을 학습한다. 그리고 비지도 학습 방법을 이용해서 데 이터의 자체 특성을 압축한 저차원의 벡터공간을 생성한다. 입력된 항적 데이 터는 벡터공간에 다시 투영되어 유사한 특징을 가지는 데이터별로 군집화된다.

마지막 단계에서는 새롭게 입력되는 항적 데이터를 벡터공간에 투영 후 학습된 상태 그룹으로 분류해 이상치를 계산한다. 구현된 모델은 시뮬레이션을 통한 가상 항적데이터와 실제 항적데이터를 이용해서 이상식별이 가능했다.

Giuliana Pallotta et al.(2019)은 비지도 학습법을 기반으로 선박 통항 패턴을 추출하여 자동으로 이상선박을 탐지하고, 현재 항적을 기반으로 움직임을 예측 한 TREAD(Traffic Route Extraction and Anomaly Detection)를 개발한 바 있다.

이상의 선행연구의 경우 선박의 항적 패턴의 학습을 통해 이상 선박의 탐지 및 향후 움직임을 예측했다. 그러나 본 연구에서는 선박 항적이 아닌 VTS에서 실시간으로 이용 가능한 AIS 데이터를 기반한 선박의 SPD 변화율 및 Course 변화율 등을 이용해서 선박이 고장 상태인지를 식별하는 방안을 설계하고자 한 다.