KR102142540B1 - 기계학습 및 드론을 이용한 풍력발전기용복합재 블레이드의 손상 검사 방법 - Google Patents

Abstract

본 발명은 풍력발전기용복합재 블레이드의 손상 검사 방법에 관한 것으로, 이는 블레이드 설계도에 기반하여 블레이드 모델을 구축하는 단계; 손상 종류, 손상 발생 형태, 위치, 및 길이 중 적어도 하나가 서로 상이한 다수의 손상 유형을 정의하고, 상기 손상 유형 각각을 상기 블레이드 모델에 적용시켜 다수의 손상 모델을 생성하는 단계; 상기 손상 모델 각각에 대한 모달 해석을 수행하여, 손상 유형별 고유 주파수 데이터를 획득 및 저장하는 단계; 상기 고유 주파수 데이터와 상기 손상 유형간 상관 관계가 정의된 다수의 학습 데이터를 생성한 후, 상기 학습 데이터 각각을 이용하여 신경망을 기계 학습시키는 단계; 레이저 또는 영상 또는 기타 방법을 이용하는 변위 측정 장치가 탑재된 드론을 통해 운행 중인 블레이드의 진동 데이터를 획득하는 단계; 및 상기 진동 데이터를 주파수 데이터로 변환한 후 상기 신경망에 입력하여, 상기 신경망을 통해 손상 유형에 대한 검사 정보를 획득 및 출력하는 단계를 포함하는 드론 및 신경망에 기반한 블레이드 손상 검사 방법을 제공한다.

Description

기계학습 및 드론을 이용한 풍력발전기용복합재 블레이드의 손상 검사 방법{Inspection method for damage of composite blades for wind turbine using machine learning and drone}

본 발명은 육상, 해상 및 부유식 풍력발전기용복합재 블레이드의 손상을 비파괴적으로 검사할 수 있는 검사 방법 및 장치에 관한 것으로, 특히 실제 구조물 특성과 각종 손상 유형을 반영할 수 있으며, 블레이드 운행 중에도 손상 검사 동작을 수행할 수 있도록 하는 기계학습 및 드론을 이용한 풍력발전기용복합재 블레이드의 손상 검사 방법에 관한 것이다.

최근 환경오염 문제로 인해 신재생 에너지인 풍력발전 분야에 대한 연구 및 개발이 활발히 진행되고 있다. 특히, 한정된 국토에서 더 많은 양의 전력을 생산하기 위하여 풍력발전기의 효율을 향상시키는 연구가 많이 이루어지고 있으며, 이를 위하여 블레이드의 크기와 중량이 증가하고 있는 추세이다.

블레이드 크기의 증가는 더 많은 에너지를 얻을 수 있게 하지만 중량의 증가는 블레이드의 대형화에 제약을 가하게 된다. 이의 해결을 위하여 강도와 강성 등이 우수한 특성을 가지면서 보다 가벼운 복합재료를 사용하여 블레이드를 제작하고 있다.

이러한 대형 복합재 블레이드는 운행 중 풍속의 변화, 요잉(yawing) 등의 요인 때문에 발생하는 각종 하중으로 인해 디본딩(debonding), 디라미네이트(delaminate), 윙클(wrinkle), 모재균열(matrix crack) 등 다양한 손상이 발생되며, 이러한 손상은 운행 중인 블레이드의 파손을 야기할 수 있다.

다만, 종래의 풍력발전기의 손상 검출 기술은 발전기 가동 중에 구조물의 손상이 발견되는 경우 작동을 멈추고 분해 작업을 수행하여 손상검출을 진행하는 방식을 채택하고 있다.

이러한 경우 풍력발전기 정지 시간이나 정비 시간으로 인한 경제적 손실이 발생하게 되며, 블레이드의 경우 풍력발전기를 구성하고 있는 부품 중 블레이드가 두 번째로 높은 가격을 형성하고 있어 블레이드의 파손을 야기하는 손상은 치명적인 경제적 손실을 발생시킨다.

이러한 이유로 인해 최근 산업체에서 작동 중인 풍력발전기의 손상을 탐지하는 기술에 대한 관심이 높아지고 있다.

최근에 들어, 고유주파수를 통한 안전성 평가 및 손상 특성 평가를 위해 풍속, 하중, 외부요인 등으로 인해 발생하는 손상을 추정하기 위해 모달해석을 통해 얻어진 고유주파수 변화 특성 확인을 통한 타워의 안전성 평가 방법과 여러 지점의 손상 특성을 추정하기 위한 주파수 응답 함수(Frequency Response Function ; FRF)를 통한 손상 특성 평가 방법, 풍력 터빈에 발생하는 손상 길이에 따른 고유진동수 특성비에 따른 손상 특성 평가 방법, 손상 탐지를 위한 센서 위치에 대한 연구가 제안된 바 있다.

그러나 이와 같은 연구들은 대부분 실험을 통한 평가를 진행하였기 때문에 유한 요소 해석을 통한 손상 모델 평가가 필요하다. 또한 기계학습을 통한 손상 정도 검출에 대한 연구의 경우, 임의로 샘플링한 데이터가 실제 구조물의 특성과 유사하지 않거나 주관적인 데이터 선정을 통한 평가를 진행하였기 때문에 객관적인 데이터 선정을 통한 손상 검사가 필요하다.

- Jong-Won Lee, Je-Sung Bang, Sang-Ryul Kim and Jeong-Woo Han, 2012, "Damage Estimation Method for Wind Turbine Tower Using Modal Properties.", Korea Institute for Structural Maintenance and Inspection., Vol. 16, No. 2, pp. 87~94. - Jin-Hak "Yi, Won-Sul Kim, Taek-Hee Han and Sung-Yul Yim., 2017, "Dynamic Response Measurements and Analysis on a 10kW Class Vertical Axis Wind Turbine.", Journal of Korea Society for Noise and Vibration Engineering, Vol. 1, pp. 107~113. - Ho-Yon Hwang., 2007, "Damage detection of a structure based on natural frequency ratio measurements.", International journal of aeronautical and space sciences, Vol. 35, No. 8, pp.

이에 상기와 같은 문제점을 해결하기 위한 것으로서, 본 발명은 실제 구조물 특성과 손상 유형을 반영하여 손상 모델을 구축하고, 이를 통해 손상을 비파괴적으로 검사를 수행하도록 하는 기계학습 및 드론을 이용한 풍력발전기용복합재 블레이드의 손상 검사 방법을 제공하고자 한다.

또한 신경망에 기반하여 손상 유형별 고유 주파수를 학습하고 이의 변화량을 산출할 수 있도록 하는 풍력발전기용복합재 블레이드의 손상 검사 방법을 제공하고자 한다.

뿐 만 아니라 드론을 통해 블레이드 현재 상태를 감지하도록 함으로써, 블레이드 운행 중에도 손상 검사 동작을 수행할 수 있는 풍력발전기용복합재 블레이드의 손상 검사 방법을 제공하고자 한다.

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기 과제를 해결하기 위한 수단으로서, 본 발명의 실시 형태에 따르면 블레이드 설계도에 기반하여 블레이드 모델을 구축하는 단계; 손상 종류, 손상 발생 형태, 위치, 및 길이 중 적어도 하나가 서로 상이한 다수의 손상 유형을 정의하고, 상기 손상 유형 각각을 상기 블레이드 모델에 적용시켜 다수의 손상 모델을 생성하는 단계; 상기 손상 모델 각각에 대한 모달 해석을 수행하여, 손상 유형별 고유 주파수 데이터를 획득 및 저장하는 단계; 상기 고유 주파수 데이터와 상기 손상 유형간 상관 관계가 정의된 다수의 학습 데이터를 생성한 후, 상기 학습 데이터 각각을 이용하여 신경망을 기계 학습시키는 단계; 펄스 변위 측정 장치 또는 고속 카메라를 탑재한 드론을 통해 운행 중인 블레이드의 진동 데이터 및 영상 데이터를 획득하는 단계; 및 상기 진동 데이터 및 영상 데이터를 주파수 데이터로 변환한 후 상기 신경망에 입력하여, 상기 신경망을 통해 손상 유형에 대한 검사 정보를 획득 및 출력하는 단계를 포함하는 드론 및 신경망에 기반한 블레이드 손상 검사 방법을 제공한다.

상기 손상 유형별 고유 주파수 데이터를 획득 및 저장하는 단계는 모달 해석 결과값으로부터 n차(n은 자연수)의 주파수 피크를 검출하고, 피크 각각의 주파수를 측정 및 저장함으로써, 상기 고유 주파수 데이터를 획득하는 것을 특징으로 한다.

상기 학습 데이터는 상기 고유 주파수 데이터가 입력 조건이고, 상기 손상 유형이 출력 조건인 것을 특징으로 한다.

상기 검사 정보를 획득 및 출력하는 단계는 FFT(Fast Fourier transform)를 통해 시간 영역의 신호인 상기 진동 데이터를 주파수 영역의 신호인 상기 주파수 데이터로 변환하는 것을 특징으로 한다. 또한 드론이 촬영한 영상데이터를 이용하는 경우 영상데이터에 대한 디지털 영상 처리방법을 이용하여 블레이드 임의 부위의 변위 데이터를 획득하고 FFT(Fast Fourier transform)를 통해 시간 영역의 신호인 상기 변위 데이터를 주파수 영역의 신호인 상기 주파수 데이터로 변환하는 것을 특징으로 한다.

상기 다수의 손상 모델을 생성하는 단계는 빅데이터 기반으로 손상 유형에 대한 자료를 수집 및 통계 분석함으로써, 상기 다수의 손상 유형을 자동 설정하는 것을 특징으로 한다.

본 발명은 실제 구조물 특성과 손상 유형을 반영한 손상 모델을 구축 및 활용하여 손상 검사 동작을 수행하도록 함으로써, 손상 검사 동작의 객관성과 신뢰성이 획기적으로 향상될 수 있도록 한다.

또한 신경망에 기반하여 손상 유형별 고유 주파수를 학습하고 검사할 수 있도록 함으로써, 보다 신속 정확한 손상 검사 동작이 수행될 수 있도록 한다.

뿐 만 아니라, 드론을 통해 블레이드 현재 상태를 감지하도록 함으로써, 블레이드 운행 중에도 손상 검사 동작을 수행할 수 있는 풍력발전기용복합재 블레이드의 손상 검사 방법을 제공하고자 한다.

도 1은 본 발명의 일 실시예에 따른 드론 및 신경망에 기반한 블레이드 손상 검사 방법을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 손상 발생 형태의 다양한 예들을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 손상 위치의 다양한 예들을 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 손상 길이의 다양한 예들을 도시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 고유 주파수 데이터를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 신경망을 도시한 도면이다.
도 7은 본 명세서에 개진된 하나 이상의 실시예가 구현될 수 있는 예시적인 컴퓨팅 환경을 도시하는 도면이다.

본 발명의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 본 발명을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.

그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.

그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

도 1은 본 발명의 일 실시예에 따른 드론 및 신경망에 기반한 블레이드 손상 검사 방법을 설명하기 위한 도면이다.

도 1에 도시된 바와 같이, 본 발명의 방법은 손상 유형별 손상 모델 생성 단계(S2), 손상 유형별 고유 주파수 데이터 획득 단계(S3), 학습 데이터 생성 단계(S4), 신경망 기계 학습 단계(S5), 드론을 이용한 주파수 데이터 획득 단계(S6), 및 손상 유형 검사 단계(S7) 등을 포함한다.

블레이드 모델 구축 단계(S1)에서는, 블레이드 설계도에 기재되어 있는 에어포일(airfoil), 복합 재료(material) 및 적층(layup) 정보 등을 기반으로 블레이드의 유한 요소 모델을 생성한다. 예를 들어, 상부 스킨(upper skin), 하부 스킨(lower skin), 및 쉐어 웹(shear web)의 구조를 가지는 유한 요소 모델이 생성 가능하다.

그리고 4절점 쉘 요소(S4R)를 적용하여 절점(node)과 요소(element)를 생성하고, MPC기법을 이용한 블레이드 모델의 결합조건과 구조 커플링 결합조건에 기반하여 쉐어 웹(shear web)과 스킨(skin), 에지(edge)를 결합한다. 마지막으로, 절점 각각의 경계 조건을 설정 및 적용함으로써, 블레이드 모델을 획득한다.

손상 유형별 손상 모델 생성 단계(S2)에서는 블레이드에 주로 발생하는 손상 유형을 손상 종류, 손상 발생 형태, 위치, 길이를 기준으로 정의한다. 이때, 손상 유형은 빅데이터 기반으로 블레이드에 주로 발생하는 손상 유형에 대한 자료를 수집 및 통계 분석함으로써 자동 설정될 수 있으나, 필요한 경우에는 사용자에 의해 수동 설정될 수도 있다.

손상 종류는 디본딩(debonding), 층간분리(delamination), 링클(wirnkle) 및 모재균열(matrix crack) 등이 있으며, 손상 발생 형태는 디본딩 손상의 경우, 도 2에서와 같이, 단일 웹에서 한 개의 손상이 발생한 경우, 단일 웹에서 두 개의 손상이 발생한 경우, 두 개의 웹에서 각각 한 개의 손상이 발생한 경우 등일 수 있다. 손상 위치는 도 3에서와 같이, 손상이 블레이드의 안전성에 미치는 영향을 고려하여, 블레이드의 루트(root)부분으로부터 18% 지점을 포함한 10m, 22m, 34m 지점 중 적어도 하나로 선정될 수 있다. 손상 길이도 도 4에서와 같이, 2m부터 2m간격으로 8m 까지 선정될 수 있다. 물론, 이러한 손상 유형, 손상 발생 형태, 손상 위치, 손상 길이 등에 대한 구체적 값은 시스템 구조 및 동작 환경 등에 따라 차후 다양하게 조정될 수 있다.

손상 유형 정의가 완료되면, 손상 유형에 따른 손상 종류, 손상 발생 형태, 위치, 길이 정보를 블레이드 모델에 각각 적용시킴으로써, 다수의 손상 유형 각각에 대응되는 다수의 손상 모델을 생성한다. 즉, 유한요소해석 프로그램인 ABAQUS를 통해 손상이 발생한 부분의 결합 조건을 제거하여, 손상 모델을 모델링한다.

손상 유형별 고유 주파수 데이터 획득 단계(S3)에서는 다수의 손상 모델이 생성 완료되면, 손상 모델 각각에 대한 모달 해석(modal analysis)을 진행하여 손상 유형 각각에 대응되는 고유 주파수 데이터를 획득한다.

참고로, 모달 해석은 구조적 테스트 또는 유한 요소 해석 기반 시뮬레이션을 바탕으로 한 선형 구조의 동적 특성에 대한 연구이다. 이러한 동적 특성에는 공진 주파수("고유 주파수"라고도 함), 구조 모델(또는 "고유 모드") 등이 포함된다. 동적 특성은 구조상의 질량, 강성 및 댐핑 분포에 따라 다르며 운용 하중에 노출되었을 때의 구조 진동 동작을 결정한다. 선형 구조 시스템의 모든 변형은 구조 모드를 선형 조합하여 표현할 수 있으며, 정규 벡터 기준을 형성합니다. 모달 테스트는 추가적인 해석과 데이터 수집이 결합되어 있다. 모달 테스트와 해석의 결과는 진동 응답 계산, 진동 문제와 손상 감지에 대한 근본 원인 해석을 포함한 다양한 시뮬레이션 및 테스트 애플리케이션에서 사용되지만, 멀티바디 해석에 유연성 추가 및 내구성과 구조음향 시뮬레이션 시간 단축 등에도 사용된다. 모달 기반 계산은 매우 효과적이며, 어떤 종류의 응답에 대해서도 구조 변경의 효율적인 평가가 가능한 특징을 가진다.

이때, 고유 주파수 데이터는 도 5에서와 같이 모달 해석 결과값으로부터 n차(n은 자연수) 피크를 검출하고, 피크 각각의 주파수를 측정 및 저장함으로써 획득될 수 있다.

학습 데이터 생성 단계(S4)에서는 손상 유형별 고유 주파수 데이터 획득 단계(S3)를 통해 획득된 고유 주파수 데이터를 입력 조건으로 가지고, 손상 유형을 출력 조건으로 가지는 다수의 학습 데이터를 생성한다.

즉, 고유 주파수 데이터와 손상 유형간의 상관 관계가 정의된 다수의 학습 데이터를 생성한다.

신경망 기계 학습 단계(S5)에서는 학습 데이터 각각을 신경망 모델을 반복적으로 기계 학습시킨다. 신경망은 예를 들어, 도 6에 도시된 바와 같이, 2개의 은닉층과 1개의 출력층을 가지는 구조로 구현될 수 있으며, 은닉층의 뉴런 개수는 100개, 출력층의 뉴런 개수는 6개일 수 있다. 그리고 시그모이드 함수를 이용하여 뉴런 사이의 연결 강도를 조정하도록 한다.

또한, 학습 데이터 각각의 중요도를 달리 설정하고, 중요도에 따라 학습 데이터의 학습 횟수를 달리 해줌으로써, 학습 데이터에 따른 영향력이 중요도별로 달라질 수 있도록 한다.

이와 같이, 손상 유형별 고유 주파수를 블레이드 모델 기반으로 획득하고, 신경망을 통해 이를 기계 학습 완료하면, 측정 주파수에 따른 손상 유형을 인공 지능 방식으로 분석할 수 있게 된다.

이에 드론을 이용한 주파수 데이터 획득 단계(S6)에서는, 1초에 수천회 이상의 변위를 측정할 수 있는 변위 측정 장치 또는 고속카메라가 탑재된 드론을 운행 중인 블레이드 주변에 띄워, 블레이드 현재 상태에 대응되는 변위 데이터를 획득하여 진동데이터로 환산하도록 한다. 특히, 본 발명에서는 드론을 이용하여 블레이드 상태를 감지하는 데, 이는 블레이드를 동작 중지하거나 분해 조립하지 않고, 블레이드 운행 상태 그대로 블레이드 현재 상태를 감지할 수 있도록 하기 위함이다.

이때, 변위 측정은 펄스 변위 측정 장치(PRT, Pulse Ranging Technology) 센서 또는 초고속 카메라에 기반한 영상 처리 장치로 구현될 수 있다. 펄스 변위 측정 장치는 목표 지점과의 거리를 레이저를 기반으로 측정하는 PRT(Pulse Ranging Technology) 센서 등으로 구현될 수 있으며, 본 발명에서는 손상 유형에 따라 블레이드 진동 패턴이 달라지며, 이에 따라 드론에 탑재된 PRT 센서와 블레이드 일 지점과의 거리 또한 동일 패턴으로 가변된다는 가정하에, PRT 센서를 통해 블레이드 변위를 측정하여 진동패턴으로 환산하여 출력하도록 한다. 또한 1초에 수천장 이상의 영상을 촬영할 수 있는 초고속 카메라를 통해 블레이드 임의 위치의 변위를 획득하고, 진동 패턴으로 환산하여 출력하도록 한다.

그리고 진동 또는 변위 데이터에 대한 FFT(Fast Fourier transform)를 수행하여, 시간 영역의 신호인 진동 데이터를 주파수 영역의 신호, 즉 주파수 데이터로 변환한다. 그러고 나서, 주파수 데이터로부터 n차의 주파수 피크를 검출한 후, 피크 각각의 주파수를 측정 및 저장한다.

손상 유형 검사 단계(S7)에서는 단계 S6에서 획득한 주파수 데이터를 신경망 모델에 입력하여, 신경망 모델을 통해 손상 유형(즉, 손상 종류, 손상 발생 형태, 위치, 길이)에 대한 검사 정보를 획득한 후, 이를 시청각적을 안내하도록 한다.

도 7은 본 명세서에 개진된 하나 이상의 실시예가 구현될 수 있는 예시적인 컴퓨팅 환경을 도시하는 도면으로, 상술한 하나 이상의 실시예를 구현하도록 구성된 컴퓨팅 디바이스(1100)를 포함하는 시스템(1000)의 예시를 도시한다. 예를 들어, 컴퓨팅 디바이스(1100)는 개인 컴퓨터, 서버 컴퓨터, 핸드헬드 또는 랩탑 디바이스, 모바일 디바이스(모바일폰, PDA, 미디어 플레이어 등), 멀티프로세서 시스템, 소비자 전자기기, 미니 컴퓨터, 메인프레임 컴퓨터, 임의의 전술된 시스템 또는 디바이스를 포함하는 분산 컴퓨팅 환경 등을 포함하지만, 이것으로 한정되는 것은 아니다.

컴퓨팅 디바이스(1100)는 적어도 하나의 프로세싱 유닛(1110) 및 메모리(1120)를 포함할 수 있다. 여기서, 프로세싱 유닛(1110)은 예를 들어 중앙처리장치(CPU), 그래픽처리장치(GPU), 마이크로프로세서, 주문형 반도체(Application Specific Integrated Circuit, ASIC), Field Programmable Gate Arrays(FPGA) 등을 포함할 수 있으며, 복수의 코어를 가질 수 있다. 메모리(1120)는 휘발성 메모리(예를 들어, RAM 등), 비휘발성 메모리(예를 들어, ROM, 플래시 메모리 등) 또는 이들의 조합일 수 있다.

또한, 컴퓨팅 디바이스(1100)는 추가적인 스토리지(1130)를 포함할 수 있다. 스토리지(1130)는 자기 스토리지, 광학 스토리지 등을 포함하지만 이것으로 한정되지 않는다. 스토리지(1130)에는 본 명세서에 개진된 하나 이상의 실시예를 구현하기 위한 컴퓨터 판독 가능한 명령이 저장될 수 있고, 운영 시스템, 애플리케이션 프로그램 등을 구현하기 위한 다른 컴퓨터 판독 가능한 명령도 저장될 수 있다. 스토리지(1130)에 저장된 컴퓨터 판독 가능한 명령은 프로세싱 유닛(1110)에 의해 실행되기 위해 메모리(1120)에 로딩될 수 있다.

또한, 컴퓨팅 디바이스(1100)는 입력 디바이스(들)(1140) 및 출력 디바이스(들)(1150)을 포함할 수 있다. 여기서, 입력 디바이스(들)(1140)은 예를 들어 키보드, 마우스, 펜, 음성 입력 디바이스, 터치 입력 디바이스, 고속카메라, 적외선 카메라, 비디오 입력 디바이스 또는 임의의 다른 입력 디바이스 등을 포함할 수 있다. 또한, 출력 디바이스(들)(1150)은 예를 들어 하나 이상의 디스플레이, 스피커, 프린터 또는 임의의 다른 출력 디바이스 등을 포함할 수 있다. 또한, 컴퓨팅 디바이스(1100)는 다른 컴퓨팅 디바이스에 구비된 입력 디바이스 또는 출력 디바이스를 입력 디바이스(들)(1140) 또는 출력 디바이스(들)(1150)로서 사용할 수도 있다.

또한, 컴퓨팅 디바이스(1100)는 컴퓨팅 디바이스(1100)가 다른 디바이스(예를 들어, 컴퓨팅 디바이스(1300))와 통신할 수 있게 하는 통신접속(들)(1160)을 포함할 수 있다. 여기서, 통신 접속(들)(1160)은 모뎀, 네트워크 인터페이스 카드(NIC), 통합 네트워크 인터페이스, 무선 주파수 송신기/수신기, 적외선 포트, USB 접속 또는 컴퓨팅 디바이스(1100)를 다른 컴퓨팅 디바이스에 접속시키기 위한 다른 인터페이스를 포함할 수 있다. 또한, 통신 접속(들)(1160)은 유선 접속 또는 무선 접속을 포함할 수 있다.

상술한 컴퓨팅 디바이스(1100)의 각 구성요소는 버스 등의 다양한 상호접속(예를 들어, 주변 구성요소 상호접속(PCI), USB, 펌웨어(IEEE 1394), 광학적 버스 구조 등)에 의해 접속될 수도 있고, 네트워크(1200)에 의해 상호접속될 수도 있다.

본 명세서에서 사용되는 "구성요소", "모듈", "시스템", "인터페이스" 등과 같은 용어들은 일반적으로 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어, 또는 실행중인 소프트웨어인 컴퓨터 관련 엔티티를 지칭하는 것이다. 예를 들어, 구성요소는 프로세서 상에서 실행중인 프로세스, 프로세서, 객체, 실행 가능물(executable), 실행 스레드, 프로그램 및/또는 컴퓨터일 수 있지만, 이것으로 한정되는 것은 아니다. 예를 들어, 컨트롤러 상에서 구동중인 애플리케이션 및 컨트롤러 모두가 구성요소일 수 있다. 하나 이상의 구성요소는 프로세스 및/또는 실행의 스레드 내에 존재할 수 있으며, 구성요소는 하나의 컴퓨터 상에서 로컬화될 수 있고, 둘 이상의 컴퓨터 사이에서 분산될 수도 있다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (5)

1. 블레이드 설계도에 기반하여 블레이드 모델을 구축하는 단계;
   손상 종류, 손상 발생 형태, 위치, 및 길이 중 적어도 하나가 서로 상이한 다수의 손상 유형을 정의하고, 상기 손상 유형 각각을 상기 블레이드 모델에 적용시켜 다수의 손상 모델을 생성하는 단계;
   상기 손상 모델 각각에 대한 모달 해석을 수행하여, 손상 유형별 고유 주파수 데이터를 획득 및 저장하는 단계;
   상기 고유 주파수 데이터와 상기 손상 유형간 상관 관계가 정의된 다수의 학습 데이터를 생성한 후, 상기 학습 데이터 각각을 이용하여 신경망을 기계 학습시키는 단계;
   펄스 변위 측정 장치 또는 고속 카메라를 탑재한 드론을 통해 운행 중인 블레이드의 진동 데이터를 획득하는 단계; 및
   상기 진동 데이터를 주파수 데이터로 변환한 후 상기 신경망에 입력하여, 상기 신경망을 통해 손상 유형에 대한 검사 정보를 획득 및 출력하는 단계를 포함하는 드론 및 신경망에 기반한 블레이드 손상 검사 방법.
2. 제1항에 있어서, 상기 손상 유형별 고유 주파수 데이터를 획득 및 저장하는 단계는
   모달 해석 결과값으로부터 n차(n은 자연수)의 주파수 피크를 검출하고, 피크 각각의 주파수를 측정 및 저장함으로써, 상기 고유 주파수 데이터를 획득하는 것을 특징으로 하는 드론 및 신경망에 기반한 블레이드 손상 검사 방법.
3. 제1항에 있어서, 상기 학습 데이터는
   상기 고유 주파수 데이터가 입력 조건이고, 상기 손상 유형이 출력 조건인 것을 특징으로 하는 드론 및 신경망에 기반한 블레이드 손상 검사 방법.
4. 제1항에 있어서, 상기 검사 정보를 획득 및 출력하는 단계는
   FFT(Fast Fourier transform)를 통해 시간 영역의 신호인 상기 진동 데이터를 주파수 영역의 신호인 상기 주파수 데이터로 변환하는 것을 특징으로 하는 드론 및 신경망에 기반한 블레이드 손상 검사 방법.
5. 제1항에 있어서, 상기 다수의 손상 모델을 생성하는 단계는
   빅데이터 기반으로 손상 유형에 대한 자료를 수집 및 통계 분석함으로써, 상기 다수의 손상 유형을 자동 설정하는 것을 특징으로 하는 드론 및 신경망에 기반한 블레이드 손상 검사 방법.

Images