KR102166654B1 - System and method for managing safety of blade for wind power generator - Google Patents

System and method for managing safety of blade for wind power generator Download PDF

Info

Publication number
KR102166654B1
KR102166654B1 KR1020180110867A KR20180110867A KR102166654B1 KR 102166654 B1 KR102166654 B1 KR 102166654B1 KR 1020180110867 A KR1020180110867 A KR 1020180110867A KR 20180110867 A KR20180110867 A KR 20180110867A KR 102166654 B1 KR102166654 B1 KR 102166654B1
Authority
KR
South Korea
Prior art keywords
blade
information
damage
drone
image
Prior art date
Application number
KR1020180110867A
Other languages
Korean (ko)
Other versions
KR20200031860A (en
Inventor
부용혁
이성훈
오승호
강지훈
정구민
Original Assignee
윈디텍 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 윈디텍 주식회사 filed Critical 윈디텍 주식회사
Priority to KR1020180110867A priority Critical patent/KR102166654B1/en
Publication of KR20200031860A publication Critical patent/KR20200031860A/en
Application granted granted Critical
Publication of KR102166654B1 publication Critical patent/KR102166654B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
    • F03D80/50—Maintenance or repair
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • B64C2201/12—
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/10—Purpose of the control system
    • F05B2270/20—Purpose of the control system to optimise the performance of a machine
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/63—Specific applications or type of materials turbine blades
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

본 발명은 자율비행 드론으로 촬영한 풍력 발전기의 블레이드를 검사 및 분석하고, 상기 블레이드의 검사정보를 지속적으로 모니터링하여 블레이드의 손상/결함 검출/예측 관리가 가능한 풍력 발전기 블레이드 안전 관리 시스템 및 방법을 제공하는 것을 목적으로 한다. 이를 위해, 본 발명은 검사대상 풍력 발전기의 블레이드 이미지 정보가 수신되면, 상기 수신된 블레이드의 이미지 정보를 미리 저장된 손상, 결함 발생 판단용 딥러닝 학습 정보와 비교하여 상기 블레이드의 손상, 결함 검출 정보를 추출하며, 상기 추출된 손상, 결함 검출 정보를 미리 저장된 안전 검사 정보와 비교하여 상기 블레이드의 예상 유지보수 정보를 제공하는 관리 서버를 포함한다. 따라서, 본 발명은 자율비행 드론으로 촬영한 풍력 발전기의 블레이드를 검사 및 분석하고, 상기 블레이드의 검사정보를 지속적으로 모니터링하여 블레이드의 손상/결함 검출/예측 관리가 가능한 장점이 있다.The present invention provides a wind turbine blade safety management system and method capable of inspecting and analyzing blades of a wind power generator photographed by an autonomous flying drone, and continuously monitoring the inspection information of the blades to detect/predict and manage blade damage/defects. It aims to do. To this end, the present invention, when the blade image information of the wind turbine to be inspected is received, the received blade image information is compared with the previously stored deep learning information for determining damage and defect occurrence, and the damage and defect detection information of the blade is obtained. And a management server that extracts and compares the extracted damage and defect detection information with pre-stored safety inspection information to provide predicted maintenance information of the blade. Accordingly, the present invention has the advantage of inspecting and analyzing blades of a wind power generator photographed by an autonomous flying drone, and continuously monitoring the inspection information of the blades to enable damage/defect detection/prediction management of the blades.

Figure 112018092247568-pat00001
Figure 112018092247568-pat00001

Description

안전점검 기준표와 분류별 결함 데이터를 활용한 풍력 발전기 블레이드 안전 관리 시스템 및 방법{SYSTEM AND METHOD FOR MANAGING SAFETY OF BLADE FOR WIND POWER GENERATOR}Wind power generator blade safety management system and method using safety inspection standard table and defect data by classification {SYSTEM AND METHOD FOR MANAGING SAFETY OF BLADE FOR WIND POWER GENERATOR}

본 발명은 풍력 발전기의 블레이드 관리 시스템 및 방법에 관한 발명으로서, 더욱 상세하게는 자율비행 드론으로 촬영한 풍력 발전기의 블레이드를 검사 및 분석하고, 상기 블레이드의 검사정보를 분류에 따라 지속적으로 모니터링 하며 안전점검 기준표(체크리스트)를 활용하여 블레이드의 손상/결함 검출/예측 관리가 가능한 풍력 발전기 블레이드 안전 관리 시스템 및 방법에 관한 것이다.The present invention relates to a blade management system and method for a wind power generator, and more particularly, inspects and analyzes the blades of a wind power generator photographed by an autonomous flying drone, and continuously monitors the inspection information of the blades according to classification, and safety It relates to a wind turbine blade safety management system and method capable of detecting/predicting and managing damage/defects of a blade by using a checklist (checklist).

풍력 발전기는 바람이 가지는 운동에너지를 전기에너지로 변환하는 장치로서, 일반적으로 타워와, 타워의 상부에 장착된 나셀(Nacelle)과, 나셀에 연결되며, 복수의 블레이드를 형성한 로터를 구비한다.A wind turbine generator is a device that converts kinetic energy of wind into electrical energy, and generally includes a tower, a nacelle mounted on the tower, and a rotor connected to the nacelle and forming a plurality of blades.

블레이드는 낙뢰, 이물질, 자외선 등의 외부 요인과, 노후화에 따라 아이싱(Icing), 표면 마모(Erosion), 천공(Hole), 균열(Crack) 등의 다양한 표면 결함이 발생할 수 있고, 특히 겨울철에는 블레이드 리딩엣지(Leading edge)에 결빙이 발생할 수 있다.Various surface defects such as icing, surface abrasion, hole, crack, etc. may occur depending on external factors such as lightning, foreign matter, and ultraviolet rays, and aging, especially in winter. Freezing may occur at the leading edge.

이러한 블레이드 표면의 이물질이나 얼음은 풍력 발전기의 효율저하를 초래할 수 있고, 블레이드의 손상 및 결함을 방지할 경우 파손될 수 있는 문제점이 있다.Such foreign matter or ice on the blade surface may cause a decrease in the efficiency of the wind power generator, and there is a problem in that it may be damaged if damage and defects of the blade are prevented.

따라서, 블레이드의 청소, 검사, 보수, 디아이싱과 같은 작업을 주기적으로 실시하여 유지관리가 필요하다.Therefore, maintenance is required by periodically performing tasks such as cleaning, inspection, repair, and deicing of the blade.

그러나 풍력 발전기는 타워의 높이가 일반적으로 100미터에 이르고, 블레이드의 길이도 40미터 ~ 70미터 또는 그 이상에 이르는 구조물이기 때문에 유지관리에 어려움이 많다.However, since the wind power generator is a structure with a tower height of generally 100 meters and a blade length of 40 to 70 meters or more, maintenance is difficult.

최근에는 작업자가 안전한 환경에서 블레이드의 유지관리를 수행할 수 있도록 다양한 전용 장비들이 제안되고, 있다.Recently, a variety of dedicated equipment has been proposed so that an operator can perform blade maintenance in a safe environment.

한국 공개특허공보 공개번호 제10-2015-0101861호(발명의 명칭: 쿼드콥터를 활용한 풍력발전기의 블레이드 검사 장치 및 방법)와, 한국 공개특허공보 공개번호 제10-2017-0104762호(발명의 명칭: 드론을 이용한 풍력터빈의 표면 손상 탐지 시스템 및 방법)에는 드론을 이용하여 블레이드의 표면 결함을 촬영하고, 촬영된 표면 결함 정보를 디스플레이하는 기술이 게시되어 있다.Korean Laid-Open Patent Publication No. 10-2015-0101861 (name of the invention: blade inspection apparatus and method of a wind turbine using a quadcopter), and Korean Laid-Open Patent Publication No. 10-2017-0104762 (invention Title: System and Method for Detecting Surface Damage of Wind Turbine Using Drone), a technology for photographing surface defects of blades using a drone and displaying the photographed surface defect information is posted.

그러나, 이러한 종래 기술에 따른 블레이드 검사장치는 표면 결함정보를 이미지로 디스플레이할 뿐, 파손 정도, 결함의 발생 위치, 유지보수를 위한 관리 정보는 제공할 수 없는 문제점이 있다.However, the blade inspection apparatus according to the prior art only displays surface defect information as an image, and has a problem in that it cannot provide the degree of damage, the location of the defect, and management information for maintenance.

또한, 종래 기술에 따른 블레이드 검사장치는 사용자가 디스플레이되는 화면을 보고 블레이드의 파손 정도, 결함 발생 위치, 유지보수를 위한 관리여부를 직접 판단해야하는 문제점이 있다.In addition, the blade inspection apparatus according to the prior art has a problem in that the user has to directly determine the degree of damage of the blade, the location of the defect, and whether or not to be managed for maintenance by looking at the displayed screen.

문헌 1. 한국 공개특허공보 공개번호 제10-2015-0101861호(발명의 명칭: 쿼드콥터를 활용한 풍력발전기의 블레이드 검사 장치 및 방법)Document 1. Korean Patent Application Laid-Open Publication No. 10-2015-0101861 (title of the invention: blade inspection apparatus and method of a wind turbine using a quadcopter) 문헌 2. 한국 공개특허공보 공개번호 제10-2017-0104762(발명의 명칭: 드론을 이용한 풍력터빈의 표면 손상 탐지 시스템 및 방법)Document 2. Korean Patent Application Publication No. 10-2017-0104762 (Title of invention: Surface damage detection system and method of wind turbine using drone)

이러한 문제점을 해결하기 위하여, 본 발명은 자율비행 드론으로 촬영한 풍력 발전기의 블레이드를 검사 및 분석하고, 상기 블레이드의 검사정보를 지속적으로 모니터링하여 블레이드의 손상/결함 검출/예측 관리가 가능한 풍력 발전기 블레이드 안전 관리 시스템 및 방법을 제공하는 것을 목적으로 한다.In order to solve this problem, the present invention inspects and analyzes the blades of a wind power generator photographed by an autonomous flying drone, and continuously monitors the inspection information of the blades to detect damage/defects/predictive management of the blades. It aims to provide a safety management system and method.

상기한 목적을 달성하기 위하여 본 발명은 검사대상 풍력 발전기의 블레이드 이미지 정보가 수신되면, 상기 수신된 블레이드의 이미지 정보를 미리 저장된 손상, 결함 발생 판단용 딥러닝 학습 정보와 비교하여 상기 블레이드의 손상, 결함 검출 정보를 추출하며, 상기 추출된 손상, 결함 검출 정보를 미리 저장된 안전 검사 정보와 비교하여 상기 블레이드의 예상 유지보수 정보를 제공하는 관리 서버를 포함한다.In order to achieve the above object, the present invention compares the received blade image information with pre-stored damage and deep learning information for determining the occurrence of defects, when the blade image information of the wind turbine to be inspected is received, and the damage of the blade, And a management server that extracts defect detection information, compares the extracted damage and defect detection information with pre-stored safety inspection information, and provides predicted maintenance information of the blade.

또한, 본 발명에 따른 상기 풍력 발전기 블레이드 안전 관리 시스템은 상기 블레이드의 이미지 정보를 촬영하여 제공하는 드론을 더 포함하는 것을 특징으로 한다.In addition, the wind turbine blade safety management system according to the present invention is characterized in that it further comprises a drone that photographs and provides image information of the blade.

또한, 본 발명에 따른 상기 드론은 관리 서버와 무선 네트워크를 통해 연결되어 드론의 비행 제어 정보, 블레이드의 이미지 정보를 송수신하는 데이터 통신부; 상기 비행 제어 정보에 따라 드론이 비행하는 제어신호를 출력하고, 카메라가 촬영한 블레이드의 이미지 정보를 상기 관리 서버로 전송하는 드론 제어부; 상기 드론 제어부에서 출력되는 비행 제어신호에 따라 드론이 이동하도록 구동력을 제공하는 구동부; 및 상기 블레이드를 촬영한 이미지 신호를 출력하는 카메라를 포함하는 것을 특징으로 한다.In addition, the drone according to the present invention is connected to the management server through a wireless network, the data communication unit for transmitting and receiving the flight control information of the drone and the image information of the blade; A drone control unit for outputting a control signal for flying a drone according to the flight control information, and transmitting image information of a blade captured by a camera to the management server; A driving unit providing driving force to move the drone according to the flight control signal output from the drone control unit; And a camera that outputs an image signal photographing the blade.

또한, 본 발명에 따른 상기 드론은 미리 설정된 비행 경로를 따라 자율 비행을 하며 상기 블레이드의 표면을 촬영하는 것을 특징으로 한다.In addition, the drone according to the present invention is characterized in that it performs autonomous flight along a preset flight path and photographs the surface of the blade.

또한, 본 발명에 따른 상기 관리 서버는 상기 드론과 무선 네트워크를 통해 연결되어 드론의 비행 제어 정보, 블레이드의 이미지 정보를 송수신하는 데이터 통신부; 검사대상 풍력 발전기와 블레이드의 관리정보를 생성하고, 상기 풍력 발전기 및 블레이드의 위치정보에 기초한 드론의 비행 제어 정보를 생성하여 상기 드론으로 전송되도록 하며, 상기 드론으로부터 블레이드의 이미지 정보가 수신되면, 상기 수신된 블레이드의 이미지 정보를 미리 저장된 손상, 결함 발생 판단용 딥러닝 학습 정보와 비교하여 상기 블레이드의 손상, 결함 검출 정보를 추출하며, 상기 추출된 손상, 결함 검출 정보를 미리 저장된 안전 검사 정보와 비교하여 상기 블레이드의 예상 유지보수 정보를 생성하는 안전 제어부; 및 상기 블레이드의 관리정보, 상기 블레이드의 이미지 정보, 예상 유지보수 정보, 딥러닝 학습 정보를 저정하는 데이터베이스를 포함하는 것을 특징으로 한다.In addition, the management server according to the present invention is connected to the drone through a wireless network, the data communication unit for transmitting and receiving flight control information of the drone, image information of the blade; It generates management information of the wind power generator and blade to be inspected, and generates flight control information of the drone based on the location information of the wind power generator and the blade to be transmitted to the drone, and when image information of the blade is received from the drone, the The received blade image information is compared with the previously stored deep learning learning information for determining damage and defect occurrence, extracting the damage and defect detection information of the blade, and comparing the extracted damage and defect detection information with the pre-stored safety inspection information A safety control unit for generating predicted maintenance information of the blade; And a database storing management information of the blade, image information of the blade, predicted maintenance information, and deep learning learning information.

또한, 본 발명에 따른 상기 안전 제어부는 수신된 블레이드의 이미지 정보를 이미지 프로세싱 프로그램을 통해 인식하는 이미지 인식부; 상기 인식된 블레이드의 이미지 정보를 미리 저장된 손상, 결함 발생 판단용 딥러닝 학습 정보와 비교하여 상기 블레이드의 손상, 결함 검출 정보를 추출하고, 상기 추출된 손상, 결함 검출 정보를 미리 저장된 안전 검사 정보와 비교하여 블레이드에서 추출된 손상 및 결함 부위별 카테고리 정보로 분류하는 안전 관리부; 및 상기 안전 관리부에서 분류된 블레이드의 손상 및 결합 부위별 카테고리 정보에 대응하는 유지보수 정보를 생성하는 관리정보 생성부를 포함하는 것을 특징으로 한다.In addition, the safety control unit according to the present invention includes an image recognition unit for recognizing the received image information of the blade through an image processing program; By comparing the recognized image information of the blade with the deep learning learning information for determining damage and defect occurrence previously stored, the damage and defect detection information of the blade is extracted, and the extracted damage and defect detection information is stored in advance with safety inspection information. A safety management unit that compares and classifies the damage and defects extracted from the blade into category information; And a management information generation unit that generates maintenance information corresponding to category information for each damage and joint portion of the blade classified by the safety management unit.

또한, 본 발명에 따른 상기 안전 관리부는 인식된 블레이드의 이미지 정보를 딥러닝 학습부에 저장된 손상, 결함 발생 판단용 딥러닝 학습 정보를 이용하여 비교 및 분석을 통해 상기 블레이드의 손상, 결함 검출 정보를 추출하고, 상기 추출된 손상, 결함 검출 정보를 미리 저장된 안전 검사 정보와 비교하여 블레이드에서 추출된 손상 및 결함 부위별 카테고리 정보로 분류하는 결함/손상 탐지부; 및 손상/결함이 존재하는 이미지 정보는 손상 및 결함의 종류에 따라 레이블이 부여된 데이터로 활용하고, 손상/결함이 없는 이미지 정보는 손상/결함이 존재하지 않는 데이터로 활용하여 딥러닝 알고리즘을 통해 학습하는 딥러닝 학습부를 더 포함하는 것을 특징으로 한다.In addition, the safety management unit according to the present invention compares and analyzes the detected blade image information using deep learning learning information for determining damage and defect occurrence stored in the deep learning unit, and compares and analyzes the blade damage and defect detection information. A defect/damage detection unit that extracts, compares the extracted damage and defect detection information with pre-stored safety inspection information, and classifies the damage and defects extracted from the blade into category information; And image information with damage/defects is used as data labeled according to the type of damage or defect, and image information without damage/defects is used as data without damage/defects, and is used through deep learning algorithms. It characterized in that it further comprises a deep learning learning unit to learn.

또한, 본 발명에 따른 상기 풍력 발전기 블레이드 안전 관리 시스템은 상기 관리 서버와 네트워크를 통해 접속하여 상기 추출된 블레이드의 손상, 결함 검출 정보와, 상기 블레이드의 예상 유지보수 정보를 수신하여 출력하는 관리자 단말기를 더 포함하는 것을 특징으로 한다.In addition, the wind turbine blade safety management system according to the present invention connects to the management server through a network to receive and output damage and defect detection information of the extracted blade and predicted maintenance information of the blade. It characterized in that it further includes.

또한, 본 발명은 a) 관리 서버가 검사대상 풍력 발전기의 블레이드 이미지 정보를 수신하면, 상기 수신된 블레이드의 이미지 정보를 미리 저장된 이미지 프로세싱 프로그램을 이용하여 인식하는 단계; b) 상기 관리 서버가 상기 a) 단계에서 인식된 블레이드의 이미지 정보를 미리 저장된 손상, 결함 발생 판단용 딥러닝 학습 정보와 비교하여 상기 블레이드의 손상, 결함 검출 정보를 추출하고, 상기 추출된 손상, 결함 검출 정보를 미리 저장된 안전 검사 정보와 비교하여 상기 블레이드에서 추출된 손상 및 결함 부위별 정보로 분류하는 단계; 및 c) 상기 관리 서버가 상기 b) 단계에서 분류된 블레이드의 손상 및 결합 부위별 정보에 대응하는 유지보수 정보를 생성하는 단계를 포함한다.In addition, the present invention comprises the steps of: a) when the management server receives the blade image information of the wind turbine to be inspected, recognizing the received blade image information using a pre-stored image processing program; b) The management server compares the image information of the blade recognized in step a) with the deep learning learning information for determining damage and defect occurrence previously stored to extract the damage and defect detection information of the blade, and the extracted damage, Comparing the defect detection information with pre-stored safety inspection information and classifying the information by damage and defect parts extracted from the blade; And c) generating, by the management server, maintenance information corresponding to information for each damage and joint portion of the blade classified in step b).

또한, 본 발명에 따른 상기 a) 단계는 상기 관리 서버가 검사대상 풍력 발전기와 블레이드의 관리정보를 생성하고, 상기 풍력 발전기 및 블레이드의 위치정보에 기초한 비행 제어 정보를 생성하여 카메라를 구비한 드론으로 전송하는 단계를 더 포함하는 것을 특징으로 한다.In addition, in the step a) according to the present invention, the management server generates management information of the wind power generator and blade to be inspected, and generates flight control information based on the location information of the wind power generator and the blade to a drone equipped with a camera. It characterized in that it further comprises the step of transmitting.

본 발명은 자율비행 드론으로 촬영한 풍력 발전기의 블레이드를 검사 및 분석하고, 상기 블레이드의 검사정보를 지속적으로 모니터링하여 블레이드의 손상/결함 검출/예측 관리가 가능한 장점이 있다.The present invention has the advantage of inspecting and analyzing blades of a wind power generator photographed by an autonomous flying drone, and continuously monitoring the inspection information of the blades to enable damage/defect detection/prediction management of the blades.

또한, 본 발명은 블레이드의 손상 부위에 대해서 딥러닝 기반 손상/결함판단 기술을 통해 분석하여 손상으로 추측되는 부위를 자동으로 추출할 수 있으므로 숙련자의 업무강도를 감소시킬 수 있는 장점이 있다.In addition, the present invention has the advantage of reducing the work intensity of the skilled person because the damaged part of the blade can be automatically extracted by analyzing the damaged part of the blade through a deep learning-based damage/defect determination technology.

또한, 본 발명은 블레이드의 손상에 대한 객관적인 판단 결과를 제공하여 표준화된 블레이드 유지보수 업무를 수행할 수 있는 장점이 있다.In addition, the present invention has the advantage of performing a standardized blade maintenance task by providing an objective determination result for damage to the blade.

또한, 본 발명은 촬영된 손상의 크기 및 위치 정보를 DB화시킴으로써 점검자 및 관리자가 해당 부위에 대하여 정확한 교체 또는 수리시기를 결정하여 효율적인 풍력발전기의 운영이 가능한 장점이 있다.In addition, the present invention has the advantage of enabling efficient operation of the wind turbine by making the size and location information of the photographed damage into a DB, so that the inspector and the manager determine the exact replacement or repair timing for the corresponding part.

도 1은 본 발명에 따른 풍력 발전기 블레이드 관리 시스템의 구성을 개략적으로 나타낸 예시도.
도 2는 본 발명에 따른 풍력 발전기 블레이드 관리 시스템의 드론 구성을 나타낸 블록도.
도 3은 본 발명에 따른 풍력 발전기 블레이드 관리 시스템의 관리 서버 구성을 나타낸 블록도.
도 4는 도 3에 따른 관리 서버의 안전 제어부 구성을 나타낸 블록도.
도 5는 도 4에 다른 안전 제어부의 안전 관리부 구성을 나타낸 블록도.
도 6은 본 발명에 따른 풍력 발전기 블레이드 관리 시스템의 드론을 이용하여 촬영한 이미지를 나타낸 예시도.
도 7은 본 발명에 따른 풍력 발전기 블레이드 관리 시스템의 검사 결과 및 관리 정보를 나타낸 예시도.
도 8은 본 발명에 따른 풍력 발전기 블레이드 관리 시스템을 이용한 관리과정을 나타낸 흐름도.1 is an exemplary view schematically showing the configuration of a wind turbine blade management system according to the present invention.
Figure 2 is a block diagram showing a drone configuration of the wind turbine blade management system according to the present invention.
Figure 3 is a block diagram showing the configuration of the management server of the wind turbine blade management system according to the present invention.
4 is a block diagram showing the configuration of a safety control unit of the management server according to FIG. 3.
5 is a block diagram showing the configuration of a safety management unit of another safety control unit in FIG. 4.
6 is an exemplary view showing an image taken using a drone of the wind turbine blade management system according to the present invention.
7 is an exemplary view showing the inspection result and management information of the wind turbine blade management system according to the present invention.
8 is a flow chart showing a management process using the wind turbine blade management system according to the present invention.

이하, 첨부된 도면을 참조하여 본 발명에 따른 풍력 발전기의 블레이드 관리 시스템 및 방법의 바람직한 실시예를 상세하게 설명한다.Hereinafter, a preferred embodiment of a blade management system and method for a wind turbine according to the present invention will be described in detail with reference to the accompanying drawings.

본 명세서에서 어떤 부분이 어떤 구성요소를 "포함"한다는 표현은 다른 구성요소를 배제하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.In this specification, the expression that a certain part "includes" a certain component does not exclude other components, but means that other components may be further included.

또한, "‥부", "‥기", "‥모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어, 또는 그 둘의 결합으로 구분될 수 있다.In addition, terms such as "... unit", "... group", and "... module" mean units that process at least one function or operation, which can be classified into hardware, software, or a combination of the two.

도 1은 본 발명에 따른 풍력 발전기 블레이드 관리 시스템의 구성을 개략적으로 나타낸 예시도이고, 도 2는 본 발명에 따른 풍력 발전기 블레이드 관리 시스템의 드론 구성을 나타낸 블록도이며, 도 3은 본 발명에 따른 풍력 발전기 블레이드 관리 시스템의 관리 서버 구성을 나타낸 블록도이고, 도 4는 도 3에 따른 관리 서버의 안전 제어부 구성을 나타낸 블록도이며, 도 5는 도 4에 다른 안전 제어부의 안전 관리부 구성을 나타낸 블록도이다.1 is an exemplary view schematically showing the configuration of a wind turbine blade management system according to the present invention, Figure 2 is a block diagram showing the configuration of a drone of the wind turbine blade management system according to the present invention, Figure 3 is according to the present invention It is a block diagram showing the configuration of the management server of the wind turbine blade management system, Figure 4 is a block diagram showing the configuration of the safety control unit of the management server according to Figure 3, Figure 5 is a block showing the configuration of the safety management unit of another safety control unit in Figure 4 Is also.

도 1 내지 도 5에 나타낸 바와 같이, 본 발명에 따른 풍력 발전기 블레이드 관리 시스템은 드론(200)과, 관리 서버(300)와, 관리자 단말기(400)를 포함하여 구성된다.1 to 5, the wind turbine blade management system according to the present invention includes a drone 200, a management server 300, and a manager terminal 400.

본 발명에 따른 풍력 발전기 블레이드 관리 시스템은 기 설정된 체크리스트 즉, 안전점검 기준표를 사용한다. 이와 같이 안전점검 기준표를 사용하는 경우 블레이드 전 부분을 정확하게 체크할 수 있으며 쉽게 간과할 수 있는 형태의 결함 및 손상을 검사 후 파악하여 신속하고 정확한 유지보수를 가능케 한다. The wind turbine blade management system according to the present invention uses a preset checklist, that is, a safety check standard table. In this way, when using the safety inspection standard table, all parts of the blade can be accurately checked, and defects and damages in forms that can be easily overlooked are identified after inspection, enabling quick and accurate maintenance.

이와 같은 안전점검 기준표 즉, 체크리스트는 다양한 항목이 설정될 수 있으며, 예컨대, 표면에 관해서는 마모상태, 크랙상태, 박리상태 등을 조사하고, 리셉터에 관해서는 외관상태, 팁의 상태 및 절연 측정 등을 진행할 수 있으며, 루트부에 관해서는 열화 및 연결부 상태 확인, 볼팅 부분의 크랙 등을 조사하는 것으로 설정할 수 있다. Various items can be set in the safety inspection standard table, i.e., checklist, for example, for the surface, the wear condition, crack condition, peeling condition, etc. are investigated, and for the receptor, the appearance condition, tip condition and insulation are measured. It can proceed, and the root part can be set by checking the state of deterioration and connection part, and irradiating cracks in the bolting part.

또한, 점검의 기간은 3개월, 6개월, 12개월 등으로 나눠 진행할 수 있으며, 상기 체크리스트에는 점검의 내용, 점검의 기간, 점검의 결과, 손상(결함)의 카테고리 및 가동여부 판단에 대한 항목을 포함시킬 수 있다. In addition, the inspection period can be divided into 3 months, 6 months, 12 months, etc., and the above checklist includes items related to the contents of the inspection, the period of the inspection, the result of the inspection, the category of damage (defect) and whether or not to operate. Can be included.

이러한 안전점검 기준표에 따른 조사 및 검토에 따라 카테고리 별 손상, 결함의 분류가 가능하며 이러한 데이터를 수치화, 정량화 및 데이터베이스화 하여 활용할 수 있는 것이다. It is possible to classify damage and defects by category according to the investigation and review in accordance with the safety check standard table, and use these data after quantifying, quantifying, and database.

상기 드론(200)은 풍력 발전기(100)의 블레이드(110)의 이미지 정보를 촬영하여 제공하는 구성으로서, 데이터 통신부(210)와, 드론 제어부(220)와, 구동부(230)와, 카메라(240)를 포함하여 구성된다.The drone 200 is a configuration that photographs and provides image information of the blade 110 of the wind power generator 100, and includes a data communication unit 210, a drone control unit 220, a driving unit 230, and a camera 240 ).

또한, 상기 드론(200)은 드론 제어부(220)의 제어를 통해 자율 비행하면서, 검사대상인 풍력 발전기(100)와 블레이드(110)를 촬영하고, 드론(200)의 현재 위치정보를 제공하는 GPS 센서, 검사대상체까지의 거리를 감지하는 거리 센서와, 기울기 정보를 감지하는 자이로 센서 등이 설치된다.In addition, the drone 200 is a GPS sensor that takes pictures of the wind power generator 100 and the blade 110 to be inspected while autonomously flying through the control of the drone controller 220, and provides current location information of the drone 200 , A distance sensor for detecting the distance to the object to be inspected, and a gyro sensor for detecting tilt information are installed.

상기 데이터 통신부(210)는 관리 서버(300)와 무선 네트워크를 통해 연결되어 드론의 비행 제어 정보, 촬영한 블레이드(110)의 이미지 정보가 송수신되도록 하는 구성으로서, RF 통신, LTE 통신 등을 이용한다.The data communication unit 210 is connected to the management server 300 through a wireless network to transmit and receive flight control information of the drone and image information of the captured blade 110, and uses RF communication, LTE communication, and the like.

상기 드론 제어부(220)는 관리 서버(300)로부터 전송되는 비행 제어 정보에 따라 드론(200)이 자율 비행하도록 구동부(230)로 제어신호를 출력한다.The drone controller 220 outputs a control signal to the driving unit 230 so that the drone 200 can autonomously fly according to flight control information transmitted from the management server 300.

또한, 상기 드론 제어부(220)는 카메라(240)가 촬영한 블레이드(110)의 이미지 정보를 상기 관리 서버(300)로 전송하도록 제어신호를 출력한다.In addition, the drone control unit 220 outputs a control signal to transmit image information of the blade 110 captured by the camera 240 to the management server 300.

이때, 상기 드론 제어부(220)는 상기 카메라(240)가 촬영한 블레이드(110)의 이미지 정보를 GPS 센서를 통해 검출한 드론의 위치정보와 함께 관리 서버(300)로 전송하고, 상기 이미지 정보와 위치정보는 드론(200)에 구비된 별도 저장수단(예를 들면, USB 메모리카드, SD 카드 또는 마이크로 SD 카드 등)에 저장되도록 한다.At this time, the drone controller 220 transmits the image information of the blade 110 photographed by the camera 240 to the management server 300 together with the location information of the drone detected through a GPS sensor, and the image information and The location information is stored in a separate storage means (for example, a USB memory card, an SD card, or a micro SD card) provided in the drone 200.

상기 구동부(230)는 드론 제어부(220)에서 출력되는 비행 제어신호에 따라 드론(200)이 이동하도록 구동력을 제공하는 구성으로서, 모터와 블레이드로 이루어지며, 트리콥터(3개), 쿼드콥터(4개), 헥사콥터(6개), 옥타콥터(8개) 등 다양하게 설치될 수 있다.The driving unit 230 is a configuration that provides a driving force to move the drone 200 according to a flight control signal output from the drone control unit 220, and consists of a motor and a blade, tricopter (3), quadcopter ( 4), hexacopter (6), octacopter (8), etc. can be installed in various ways.

상기 카메라(240)는 풍력 발전기(100) 및 블레이드(110)를 촬영한 이미지 신호를 출력하는 구성으로서, CCD 센서, CMOS 센서 등을 이용하여 구성될 수 있고, 광신호를 전기신호로 변환하여 출력하는 센서를 이용한 카메라면 상관없이 설치될 수 있고, The camera 240 is a configuration for outputting an image signal photographed by the wind power generator 100 and the blade 110, and may be configured using a CCD sensor, a CMOS sensor, etc., and output by converting an optical signal into an electrical signal. It can be installed regardless of the camera using the sensor

또한, 상기 카메라(240)는 상기 드론(200)이 미리 설정된 비행 경로를 따라 자율 비행을 하며 이동하는 동안 상기 풍력 발전기(100) 및 블레이드(110)의 표면을 촬영한다.In addition, the camera 240 photographs the surfaces of the wind power generator 100 and the blade 110 while the drone 200 is autonomously flying and moving along a preset flight path.

상기 관리 서버(300)는 드론(200)의 관리와, 블레이드(110)의 손상, 결함 검출 및 유지보수를 관리하는 구성으로서, 검사대상 풍력 발전기(100)의 블레이드(110) 이미지 정보가 수신되면, 상기 수신된 블레이드(110)의 이미지 정보를 미리 저장된 손상, 결함 발생 판단용 딥러닝 학습 정보와 비교하여 상기 블레이드(110)의 손상, 결함 검출 정보를 추출하며, 상기 추출된 손상, 결함 검출 정보를 미리 저장된 안전 검사 정보와 비교하여 상기 블레이드(110)의 예상 유지보수 정보를 제공하고, 데이터 통신부(310)와, 안전 제어부(320)와, 데이터베이스(330)를 포함하여 구성된다.The management server 300 is a configuration that manages the management of the drone 200, damage, defect detection and maintenance of the blade 110, and when the blade 110 image information of the wind power generator 100 to be inspected is received , Comparing the received image information of the blade 110 with deep learning learning information for determining damage and defect occurrence previously stored to extract the damage and defect detection information of the blade 110, and the extracted damage and defect detection information Compared with the pre-stored safety inspection information to provide predicted maintenance information of the blade 110, and includes a data communication unit 310, a safety control unit 320, and a database 330.

또한, 상기 관리 서버(300)는 검사대상 풍력 발전기(100)와 블레이드(110)의 관리정보(예를 들면, 풍력 발전기 위치, 풍력 발전기 번호, 블레이드 타입, 블레이드 번호 등)를 생성하고, 상기 풍력 발전기(100) 및 블레이드(110)의 위치정보에 기초하여 드론(200)이 자율 비행할 수 있도록 비행 제어 정보를 생성하며, 상기 생성된 비행 제어 정보를 상기 드론(200)으로 제공한다.In addition, the management server 300 generates management information (eg, wind power generator location, wind power generator number, blade type, blade number, etc.) of the wind generator 100 and the blade 110 to be inspected, and the wind power Flight control information is generated so that the drone 200 can autonomously fly based on the location information of the generator 100 and the blade 110, and the generated flight control information is provided to the drone 200.

상기 데이터 통신부(310)는 드론(200)과 무선 네트워크를 통해 연결되어 드론의 비행 제어 정보, 블레이드(110)의 이미지 정보가 송수신되도록 한다.The data communication unit 310 is connected to the drone 200 through a wireless network so that flight control information of the drone and image information of the blade 110 are transmitted and received.

상기 안전 제어부(320)는 검사대상 풍력 발전기(100)와 블레이드(110)의 관리정보를 생성하고, 상기 풍력 발전기(100) 및 블레이드(110)의 위치정보에 기초한 드론(200)의 비행 제어 정보를 생성하여 상기 드론(200)으로 전송되도록 하며, 상기 드론(200)으로부터 블레이드(110)의 이미지 정보가 수신되면, 상기 수신된 블레이드(110)의 이미지 정보를 미리 저장된 손상, 결함 발생 판단용 딥러닝 학습 정보와 비교하여 상기 블레이드(110)의 손상, 결함 검출 정보를 추출하며, 상기 추출된 손상, 결함 검출 정보를 미리 저장된 안전 검사 정보와 비교하여 상기 블레이드(110)의 예상 유지보수 정보를 생성하는 구성으로서, 이미지 인식부(321)와, 안전 관리부(320)와, 관리정보 생성부(323)를 포함하여 구성된다.The safety control unit 320 generates management information of the wind power generator 100 and the blade 110 to be inspected, and flight control information of the drone 200 based on the location information of the wind power generator 100 and the blade 110 Is generated to be transmitted to the drone 200, and when the image information of the blade 110 is received from the drone 200, the image information of the received blade 110 is stored in advance, a dip for determining the occurrence of damage or defect. Extracts damage and defect detection information of the blade 110 by comparing it with running learning information, and generates predicted maintenance information of the blade 110 by comparing the extracted damage and defect detection information with pre-stored safety inspection information. The configuration includes an image recognition unit 321, a safety management unit 320, and a management information generation unit 323.

상기 이미지 인식부(321)는 수신된 블레이드(110)의 이미지 정보를 이미지 프로세싱 프로그램을 통해 인식하여 블레이드(110)의 손상, 결함 등을 분석할 수 있는 이미지로 제공한다.The image recognition unit 321 recognizes the received image information of the blade 110 through an image processing program and provides an image capable of analyzing damage or defects of the blade 110.

본 실시예에서는 자율 비행을 통해 실시간 전송으로 획득한 드론(200)의 촬영 이미지를 실시예로 설명하지만, 이에 한정되는 것은 아니고, 드론의 저장수단에 저장된 촬영 이미지 정보나, 사용자가 직접 촬영하거나 촬영 로봇을 통해 촬영한 이미지 정보를 사용할 수도 있다.In this embodiment, the photographed image of the drone 200 acquired through real-time transmission through autonomous flight is described as an example, but the present invention is not limited thereto, and the photographed image information stored in the storage means of the drone or the user directly photographed or photographed You can also use image information captured by the robot.

상기 안전 관리부(322)는 이미지 인식부(321)에서 인식된 블레이드(110)의 이미지 정보를 미리 저장된 손상, 결함 발생 판단용 딥러닝 학습 정보와 비교하여 상기 블레이드(110)의 손상, 결함 검출 정보를 추출하고, 상기 추출된 손상, 결함 검출 정보를 미리 저장된 안전 검사 정보와 비교하여 블레이드(110)에서 추출된 손상 및 결함 부위별 카테고리 정보로 분류하는 구성으로서, 결함/손상 탐지부(322a)와, 딥러닝 학습부(322b)를 포함하여 구성된다.The safety management unit 322 compares the image information of the blade 110 recognized by the image recognition unit 321 with the deep learning learning information for determining damage and defect occurrence previously stored, and the damage and defect detection information of the blade 110 As a configuration for extracting and classifying the extracted damage and defect detection information with pre-stored safety inspection information into category information for each damage and defect area extracted from the blade 110, the defect/damage detection unit 322a and , And a deep learning learning unit 322b.

상기 결함/손상 탐지부(322a)는 이미지 인식부(321)에서 인식된 블레이드(110)의 이미지 정보를 딥러닝 학습부(322b)에 저장된 손상, 결함 발생 판단용 딥러닝 학습 정보를 이용하여 비교 및 분석을 통해 상기 블레이드(110)의 손상, 결함 검출 정보를 추출한다.The defect/damage detection unit 322a compares the image information of the blade 110 recognized by the image recognition unit 321 using deep learning learning information for determining the occurrence of damage and defects stored in the deep learning learning unit 322b. And extracts damage and defect detection information of the blade 110 through analysis.

상기 딥러닝 학습 정보는 블레이드의 전체 표면에 대하여 많이 발생하는 전연부 마모, 오염, 표면 미세균열(Hair crack), 보텍스 제너레이터(Vortex Generator) 실링상태, 낙뢰 보호 시스템 파손 여부, 트릴링 에지(Trailing edge) 균열 여부, 선단부(Tip) 파손 등에 대하여 검사를 통해 획득한 데이터로서, 블레이드의 부위별로 카테고리화하여 구성되어, 파손 범위에 대한 비교, 분석, 판별이 쉽게 이루어질 수 있도록 한다.The deep learning learning information includes abrasion of leading edges, contamination, hair cracks, Vortex Generator sealing status, damage to the lightning protection system, and trailing edge that occur frequently on the entire surface of the blade. ) Data obtained through inspection on cracks, tip breakage, etc., and are organized by categorizing the blade parts so that comparison, analysis, and discrimination of the damage range can be made easily.

즉 블레이드(110)의 이미지 정보를 딥러닝 학습 정보와 비교 및 분석을 통해 도 6(a)와 같이 블레이드(110) 표면에서 페인트 크랙 영역(120)을 추출하거나, 도 6(b)와 같이 블레이드(110)의 리딩 에지에서 페인트 박리 영역(130)을 추출하거나, 도 6(c)와 같이, 블레이드(110)의 리딩 에지에서 페인트 박리 영역(130')을 추출하거나, 도 6(d)와 같이, 블레이드(110)의 선단부에서 래미네이션(Lamination) 손상으로 인한 부식/마모 영역(140)을 추출한다.That is, through comparison and analysis of the image information of the blade 110 with the deep learning learning information, the paint crack area 120 is extracted from the surface of the blade 110 as shown in FIG. 6(a), or the blade as shown in FIG. 6(b). Extracting the paint peeling region 130 from the leading edge of 110, or extracting the paint peeling region 130' from the leading edge of the blade 110, as shown in FIG. 6(c), or Likewise, the corrosion/wear area 140 due to lamination damage is extracted from the tip of the blade 110.

또한, 상기 결함/손상 탐지부(322a)는 상기 딥러닝 학습 정보를 이용하여 추출한 블레이드의 손상, 결함 검출 정보를 미리 저장된 안전 검사 정보와 비교하여 블레이드(110)에서 추출된 손상 및 결함 부위별 카테고리 정보로 분류한다.In addition, the defect/damage detection unit 322a compares the damage and defect detection information of the blade extracted using the deep learning learning information with pre-stored safety inspection information, and the category of damage and defects extracted from the blade 110 Classify by information.

상기 안전 검사 정보는 블레이드(110)의 손상된 범위(또는 크기)에 따라 카테고리화하여 분류된 검사정보로서, 다음의 표 1과 같이 구성될 수 있다.The safety inspection information is classified and classified according to the damaged range (or size) of the blade 110, and may be configured as shown in Table 1 below.

구분division 파손상태Damaged state 비고Remark 카테고리 1Category 1 작은 흠집Small scratches 수리없이 가동이 가능Operation is possible without repair 카테고리 2Category 2 흠집 및 작은 결함Scratches and small defects 수리없이 가동 가능, 블레이드에 다른 손상이
발생할 경우 추후 같이 수리 진행Operation without repair, no other damage to the blade
If it occurs, repair it at a later date 카테고리 3Category 3 결함 및 작은 파손Defects and small breaks 3개월 간격으로 블레이드 검사 및 모니터링실시,
6개월 이내에 수리를 진행Blade inspection and monitoring conducted every 3 months,
Repair within 6 months 카테고리 4Category 4 심각하지 않은 파손Minor breakage 1개월 간격으로 블레이드 검사 및 모니터링 실시,
3개월 이내에 수리를 진행Blade inspection and monitoring conducted every month,
Repair within 3 months 카테고리 5Category 5 심각한 파손Serious breakage 즉각적인 풍력 발전기 가동을 중지,
정밀검사를 통해 수리진행Immediate shutdown of wind generators,
Repair progress through detailed inspection

즉 블레이드(110)의 유지보수 및 모니터링의 필요 여부에 따라 파손 상태를 카테고리별로 분류함으로써, 관리자가 블레이드(110)의 파손 상태를 쉽게 구분하고 인식할 수 있도록 한다.That is, by classifying the damaged state by category according to the need for maintenance and monitoring of the blade 110, the administrator can easily distinguish and recognize the damaged state of the blade 110.

또한, 상기 걸함/손상 탐지부(322a)는 상기 분류된 블레이드(110)의 검사결과를 도 7과 같이, 일정 포맷으로 변환하여 출력할 수 있다.In addition, the jam/damage detection unit 322a may convert the classified inspection result of the blade 110 into a predetermined format and output it as shown in FIG. 7.

도 7에 나타낸 바와 같이, 블레이드의 부위별 명칭과, 번호(P2)가 표시된 블레이드 이미지(P1)가 표시되고, 상기 표시된 블레이드 이미지(P1)에서 손상이 발생된 부위별로 파손 상태(또는 정도)에 따라 서로 다른 색상(P3)이 표시되도록 하여 관리자가 블레이드의 파손 부위와 파손 상태를 쉽게 인식할 수 있도록 한다.As shown in FIG. 7, the blade image P1 in which the name and number of the blades are indicated and the number P2 is displayed, and the damage state (or degree) for each part where the damage occurred in the displayed blade image P1 According to this, different colors (P3) are displayed so that the administrator can easily recognize the damaged part and the damaged state of the blade.

또한, 검사대상 풍력 발전기와 블레이드의 관리 정보(P4)와, 파손이 발생된 정도 및 범위(P5)를 상기 P2 및 P3에서 표시되는 정보와 연동하여 표시되도록 하고, 손상 정도 및 범위에 따라 카테고리 별로 분류된 예상되는 유지보수 및 관리 정보(P6)를 파손 상태(또는 정도)에 따라 서로 다른 색상으로 표시(P7)하여 출력함으로써, 관리자가 쉽게 확인할 수 있도록 한다.In addition, the management information (P4) of the wind power generator and the blade to be inspected, and the extent and extent of the damage (P5) are displayed in conjunction with the information displayed in P2 and P3. Classified predicted maintenance and management information (P6) is displayed in different colors according to the state (or degree) of damage (P7) and output, so that the administrator can easily check it.

상기 딥러닝 학습부(322b)는 손상/결함이 존재하는 이미지 정보를 손상 및 결함의 종류에 따라 레이블이 부여된 데이터로 활용하고, 손상/결함이 없는 이미지 정보는 손상/결함이 존재하지 않는 데이터로 활용하여 딥러닝 알고리즘을 통해 학습을 수행한다.The deep learning learning unit 322b uses image information with damage/defects as data labeled according to the type of damage and defect, and image information without damage/defects is data without damage/defects. Is used to perform learning through a deep learning algorithm.

또한, 상기 딥러닝 학습부(322b)는 이미 개발 및 공개된 SegNet 및 VGG-16 구조를 이용하여 블레이드의 손상/결함을 검출한다.In addition, the deep learning learning unit 322b detects damage/defects of the blade using SegNet and VGG-16 structures that have been developed and disclosed.

상기 SegNet은 의미론적 분할을 위한 심층 합성곱신경망(Deep CNN) 구조로서, 한 장의 영상 평면상의 모든 픽셀마다 레이블링을 수행, 클래스 분류를 수행하기 때문에 복잡한 영상에 적합하고 픽셀 수가 매우 적은 객체도 구분할 수 있다.The SegNet is a deep CNN structure for semantic segmentation, and because it performs labeling and class classification for every pixel on a single image plane, it is suitable for complex images and can distinguish objects with very few pixels. have.

또한, 상기 SegNet 딥 러닝 모델의 학습 데이터는 컬러 이미지의 영상평면 상에서 목표 대상에 해당하는 부분을 수작업으로 표시하여 그레이 스케일로 변환한 클래스 표기 이미지들로 구성되고, 컬러 이미지가 SegNet의 입력으로 들어가면 컨볼루션 레이어, 풀링 레이어, 업 샘플링 레이어, 소프트맥스 레이어들을 통해 영상평면 상의 각 픽셀에 대하여 사전에 지정한 클래스에 대한 확률을 산출하며, 이 결과를 다시 클래스 표기로 변환한 후 기준 영상과 비교하여 역전파를 통해 각 레이어의 파라미터들을 학습시킬 수 있다.In addition, the training data of the SegNet deep learning model is composed of class-denoted images converted to gray scale by manually marking the part corresponding to the target object on the image plane of the color image, and when the color image enters the input of SegNet, it is convoluted. Probability for a predetermined class is calculated for each pixel on the image plane through the lution layer, pooling layer, up-sampling layer, and softmax layer, and the result is converted back to class notation and compared with the reference image for backpropagation. Through this, parameters of each layer can be learned.

이 때, 신경망의 결과를 클래스로 변환한 후 다시 컬러 이미지로 나타낸 것이 결과영상이고 이것은 간단한 영상처리 과정을 통해 관심 있는 클래스에 대하여 사각형 표시로 나타낼 수 있으며, 이렇게 학습된 모델에 대한 성능 시험 시에는 단일이미지뿐만 아니라 연속된 프레임 형태의 영상 또한 입력 데이터로 사용할 수 있고, 이 때, 영상처리는 학습과 동일한 과정을 통해 수행되지만 결과 영상과 기준 영상의 비교 과정이 생략될 수 있어서, 파라미터가 역전파 되지 않고 수치들이 고정된 상태에서 입력 영상에 대한 결과만을 산출하게 되며 이때에는 역전파 과정이 생략되기 때문에 비교적 적은 연산량으로도 딥러닝 알고리즘을 실행할 수 있다.At this time, the result image is the result of converting the result of the neural network into a class and then displayed as a color image. This can be represented by a square mark for the class of interest through a simple image processing process. Not only a single image but also an image in the form of a continuous frame can be used as input data. In this case, the image processing is performed through the same process as the learning, but the comparison process between the result image and the reference image may be omitted, so the parameter is backpropagated. In this case, only the result of the input image is calculated while the numbers are fixed, and since the backpropagation process is omitted, the deep learning algorithm can be executed with a relatively small amount of computation.

상기 안전 관리부(322)에서 분류된 블레이드(110)의 손상 및 결합 부위별 카테고리 정보에 대응하는 유지보수 정보를 생성하는 관리정보 생성부(323)를 포함하는 것을 특징으로 한다.It characterized in that it comprises a management information generation unit 323 for generating maintenance information corresponding to the category information for each damage and coupling portion of the blade 110 classified by the safety management unit 322.

한편, 학습과정 중에 필요한 파라미터는 관리자에 의해 입력데이터의 positive/negative 비율 조정, 광원/광량 등에 의한 영향을 경감시키기 위한 데이터 보강 등이 이루어질 수도 있다.On the other hand, parameters required during the learning process may be adjusted by the administrator to adjust the positive/negative ratio of the input data, and reinforced data to reduce the influence of the light source and the amount of light.

상기 데이터베이스(330)는 블레이드(110)의 관리정보, 상기 블레이드(110)의 이미지 정보, 예상 유지보수 정보, 딥러닝 학습 정보를 저정한다.The database 330 stores management information of the blade 110, image information of the blade 110, predicted maintenance information, and deep learning learning information.

상기 관리자 단말기(400)는 관리 서버(300)와 네트워크를 통해 접속하여 상기 관리 서버(300)에서 추출한 블레이드(110)의 손상, 결함 검출 정보와, 상기 블레이드(110)의 예상 유지보수 정보를 수신하여 디스플레이하는 구성으로서, 데스크탑 PC, 노트북 PC, 태블릿 PC 또는 스마트폰과 같이 애플리케이션 프로그램의 설치가 가능한 이동 단말기로 구성될 수 있다.The manager terminal 400 accesses the management server 300 through a network and receives damage and defect detection information of the blade 110 extracted from the management server 300 and predicted maintenance information of the blade 110 As a display configuration, it may be configured as a mobile terminal capable of installing an application program such as a desktop PC, a notebook PC, a tablet PC, or a smart phone.

다음은 본 발명에 따른 풍력 발전기 블레이드 관리 시스템을 이용한 관리방법을 도 1 내지 도 5와 도 8을 참조하여 설명한다.Next, a management method using a wind turbine blade management system according to the present invention will be described with reference to FIGS. 1 to 5 and 8.

관리 서버(300)는 검사대상 풍력 발전기(100)와 블레이드(110)의 관리정보(예를 들면, 풍력 발전기 위치, 풍력 발전기 번호, 블레이드 타입, 블레이드 번호 등)를 생성하고, 상기 풍력 발전기(100) 및 블레이드(110)의 위치정보에 기초하여 드론(200)이 자율 비행할 수 있도록 비행 제어 정보를 생성하며, 상기 생성된 비행 제어 정보를 상기 드론(200)으로 제공하여 드론(200)을 통해 블레이드(110)의 촬영이 이루어지도록 한다(S100).The management server 300 generates management information (eg, wind power generator location, wind power generator number, blade type, blade number, etc.) of the inspection target wind generator 100 and the blade 110, and the wind generator 100 ) And the position information of the blade 110 to generate flight control information so that the drone 200 can fly autonomously, and provide the generated flight control information to the drone 200 through the drone 200 The blade 110 is to be photographed (S100).

상기 S100 단계를 수행한 다음, 상기 관리 서버(300)가 검사대상 풍력 발전기(100)의 블레이드(110) 이미지 정보를 수신(S200)하면, 상기 수신된 블레이드(110)의 이미지 정보를 미리 저장된 이미지 프로세싱 프로그램을 이용하여 인식(S300)한다.After performing the step S100, when the management server 300 receives (S200) the image information of the blade 110 of the wind generator 100 to be inspected, the image information of the received blade 110 is stored in advance. It is recognized using a processing program (S300).

상기 관리 서버(300)는 상기 S300 단계에서 인식된 블레이드(110)의 이미지 정보를 미리 저장된 손상, 결함 발생 판단용 딥러닝 학습 정보와 비교하여 상기 블레이드(110)의 손상, 결함 검출 정보를 추출하고, 상기 추출된 손상, 결함 검출 정보를 미리 저장된 안전 검사 정보와 비교하여 상기 블레이드(110)에서 추출된 손상 및 결함 부위별 정보로 분류(S400)한다.The management server 300 extracts damage and defect detection information of the blade 110 by comparing the image information of the blade 110 recognized in step S300 with deep learning learning information for determining damage and defect occurrence previously stored. , The extracted damage and defect detection information is compared with pre-stored safety inspection information and classified into information for each damage and defect area extracted from the blade 110 (S400).

상기 관리 서버(300)는 상기 S400 단계에서 분류된 블레이드(110)의 손상 및 결합 부위별 정보에 대응하는 예상 유지보수 정보를 미리 설정된 포맷의 리포트 정보로 변환하여 생성하고, 상기 생성된 리포트 정보를 관리자 단말기(400)로 전송한 다음 데이터베이스(330)에 저장한다.The management server 300 converts and generates predicted maintenance information corresponding to information for each damage and joint portion of the blade 110 classified in step S400 into report information in a preset format, and generates the generated report information. It is transmitted to the manager terminal 400 and then stored in the database 330.

따라서 자율비행 드론으로 촬영한 풍력 발전기의 블레이드를 검사 및 분석하고, 상기 블레이드의 검사정보를 지속적으로 모니터링하여 블레이드의 손상/결함 검출/예측 관리가 가능하고, 블레이드의 손상 부위에 대해서 딥러닝 기반 손상/결함판단 기술을 통해 분석하여 손상으로 추측되는 부위를 자동으로 추출할 수 있으므로 숙련자의 업무강도를 감소시킬 수 있으며, 촬영된 손상의 크기 및 위치 정보를 DB화시킴으로써 점검자 및 관리자가 해당 부위에 대하여 정확한 교체 또는 수리시기를 결정하여 효율적인 풍력발전기의 운영이 가능하게 된다.Therefore, it is possible to inspect and analyze the blades of a wind power generator photographed by an autonomous flying drone, and continuously monitor the inspection information of the blades to detect and manage the damage/defects of the blades, and deep learning-based damage to the damaged parts of the blades. /As the part that is suspected to be damaged can be automatically extracted by analyzing through defect determination technology, it is possible to reduce the work intensity of the skilled person, and the size and location information of the photographed damage can be converted into a DB so that the inspector and the manager can Efficient operation of wind turbines is possible by determining the exact replacement or repair timing.

상기와 같이, 본 발명의 바람직한 실시 예를 참조하여 설명하였지만 해당 기술 분야의 숙련된 당업자라면 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.As described above, the present invention has been described with reference to preferred embodiments of the present invention, but those skilled in the art can variously modify and change the present invention within the scope not departing from the spirit and scope of the present invention described in the following claims. You will understand that you can do it.

또한, 본 발명의 특허청구범위에 기재된 도면번호는 설명의 명료성과 편의를 위해 기재한 것일 뿐 이에 한정되는 것은 아니며, 실시예를 설명하는 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있으며, 상술된 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있으므로, 이러한 용어들에 대한 해석은 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In addition, reference numerals in the claims of the present invention are provided for clarity and convenience of description, and are not limited thereto. May be exaggerated for clarity and convenience of description, and the above-described terms are terms defined in consideration of functions in the present invention and may vary according to the intention or custom of users and operators Is to be made based on the contents throughout this specification.

100 : 풍력 발전기
110 : 블레이드
120 : 페인트 크랙 영역
130, 130' : 페인트 박리 영역
140 : 부식/마모 영역
200 : 드론
210 : 데이터 통신부
220 : 드론 제어부
230 : 구동부
240 : 카메라
300 : 관리 서버
310 : 데이터 통신부
320 : 안전 제어부
321 : 이미지 인식부
322 : 안전 관리부
322a : 결함/손상 탐지부
322b : 딥러닝 학습부
323 : 관리정보 생성부
330 : 데이터베이스
400 : 관리자 단말기100: wind generator
110: blade
120: paint crack area
130, 130': paint peeling area
140: corrosion/wear area
200: drone
210: data communication unit
220: drone control unit
230: drive unit
240: camera
300: management server
310: data communication unit
320: safety control unit
321: image recognition unit
322: Safety Management Department
322a: defect/damage detection unit
322b: Deep Learning Department
323: management information generation unit
330: database
400: administrator terminal

Claims (10)

안전점검 기준표 및 결함의 카테고리 별 분류를 이용하여 풍력 발전기 블레이드를 관리하는 시스템에 있어서,
드론(200)과 무선 네트워크를 통해 연결되어 상기 드론(200)으로부터 촬영된 검사대상 풍력 발전기(100)의 블레이드(110) 이미지 정보와, 드론의 비행 제어 정보, 블레이드(110)의 이미지 정보를 송수신하는 데이터 통신부(310);
상기 검사대상 풍력 발전기(100)와 블레이드(110)의 관리정보를 생성하고, 상기 풍력 발전기(100) 및 블레이드(110)의 위치정보에 기초한 드론(200)의 비행 제어 정보를 생성하여 상기 드론(200)으로 전송되도록 하며, 상기 드론(200)으로부터 수신된 블레이드(110)의 이미지 정보를 이미지 프로세싱 프로그램을 통해 인식하고, 상기 인식된 블레이드(110)의 이미지 정보를 미리 저장된 손상, 결함 발생 판단용 딥러닝 학습 정보를 이용한 비교 및 분석을 통해 상기 블레이드(110)의 손상, 결함 검출 정보를 추출하며, 상기 추출된 손상, 결함 검출 정보를 블레이드의 손상된 범위 또는 크기에 따라 카테고리화하여 분류된 안전 검사 정보와 비교하여 상기 블레이드(110)의 손상 및 결함에 대한 유지 보수 및 모니터링 필요 여부에 따라 파손 상태를 구분한 예상 유지보수 정보를 생성하되, 블레이드의 부위별 명칭과, 번호(P2)가 표시된 블레이드 이미지(P1)에서 손상이 발생된 부위별로 파손 상태에 따라 서로 다른 색상(P3)이 표시되도록 하고, 검사대상 풍력 발전기와 블레이드의 관리 정보(P4)와, 파손이 발생된 정도 및 범위(P5)를 상기 P2 및 P3에서 표시되는 정보와 연동하여 표시되도록 하되, 손상 정도 및 범위에 따라 카테고리 별로 분류된 예상되는 유지보수 및 관리 정보(P6)를 파손 상태에 따라 서로 다른 색상으로 표시(P7)하여 출력하며, 손상 및 결함이 존재하는 블레이드(110)의 이미지 정보는 손상 및 결함의 종류에 따라 레이블이 부여된 데이터로 활용하며, 손상/결함이 없는 블레이드(110)의 이미지 정보는 손상/결함이 존재하지 않는 데이터로 활용하여 딥러닝 알고리즘을 통해 학습하는 안전 제어부(320); 및
상기 블레이드(110)의 관리정보, 상기 블레이드(110)의 이미지 정보, 예상 유지보수 정보, 딥러닝 학습 정보를 저정하는 데이터베이스(330);를 구비한 관리 서버(300);를 포함하는 풍력 발전기 블레이드 안전 관리 시스템.In the system for managing wind turbine blades using the safety check standard table and classification of defects by category,
It is connected to the drone 200 through a wireless network to transmit and receive image information of the blade 110 of the wind power generator 100 to be inspected taken from the drone 200, flight control information of the drone, and image information of the blade 110 A data communication unit 310;
It generates management information of the wind power generator 100 and the blade 110 to be inspected, and generates flight control information of the drone 200 based on the location information of the wind power generator 100 and the blade 110 to generate the drone ( 200), the image information of the blade 110 received from the drone 200 is recognized through an image processing program, and the image information of the recognized blade 110 is stored in advance for determining the occurrence of damage or defect. The damage and defect detection information of the blade 110 is extracted through comparison and analysis using deep learning learning information, and the extracted damage and defect detection information is categorized according to the damage range or size of the blade, and classified safety inspection Compared with the information, it generates predicted maintenance information that differentiates the damage status according to whether maintenance and monitoring for the damage and defects of the blade 110 is necessary, but the name and number (P2) of each blade are indicated. In the image (P1), different colors (P3) are displayed according to the damage condition for each damaged part, and management information of the wind turbine and blade to be inspected (P4), and the extent and extent of the damage (P5). Is displayed in conjunction with the information displayed in P2 and P3 above, but the expected maintenance and management information (P6) classified by category according to the degree and extent of damage is displayed in different colors according to the damage status (P7). Output, and the image information of the blade 110 with damage and defects is used as data labeled according to the type of damage and defect, and the image information of the blade 110 without damage or defect is A safety control unit 320 for learning through a deep learning algorithm by utilizing data that does not exist; And
A wind turbine generator blade including; a database 330 storing management information of the blade 110, image information of the blade 110, predicted maintenance information, and deep learning learning information. Safety management system. 삭제delete 제 1 항에 있어서,
상기 드론(200)은 관리 서버(300)와 무선 네트워크를 통해 연결되어 드론의 비행 제어 정보,블레이드(110)의 이미지 정보를 송수신하는 데이터 통신부(210);
상기 비행 제어 정보에 따라 드론(200)이 비행하는 제어신호를 출력하고, 카메라(240)가 촬영한 블레이드(110)의 이미지 정보를 상기 관리 서버(300)로 전송하는 드론 제어부(220);
상기 드론 제어부(220)에서 출력되는 비행 제어신호에 따라 드론(200)이 이동하도록 구동력을 제공하는 구동부(230); 및
상기 블레이드(110)를 촬영한 이미지 신호를 출력하는 카메라(240)를 포함하는 것을 특징으로 하는 풍력 발전기 블레이드 안전 관리 시스템.The method of claim 1,
The drone 200 is connected to the management server 300 through a wireless network, the data communication unit 210 for transmitting and receiving flight control information of the drone, image information of the blade 110;
A drone controller 220 for outputting a control signal for flying the drone 200 according to the flight control information, and transmitting image information of the blade 110 photographed by the camera 240 to the management server 300;
A driving unit 230 for providing driving force to move the drone 200 according to a flight control signal output from the drone control unit 220; And
Wind turbine blade safety management system, characterized in that it comprises a camera (240) for outputting an image signal photographing the blade (110). 제 3 항에 있어서,
상기 드론(200)은 미리 설정된 비행 경로를 따라 자율 비행을 하며 상기 블레이드(110)의 표면을 촬영하는 것을 특징으로 하는 풍력 발전기 블레이드 안전 관리 시스템.The method of claim 3,
The drone 200 is a wind turbine blade safety management system, characterized in that the autonomous flight along a preset flight path and photographing the surface of the blade (110). 삭제delete 제 1 항에 있어서,
상기 안전 제어부(320)는 수신된 블레이드(110)의 이미지 정보를 이미지 프로세싱 프로그램을 통해 인식하는 이미지 인식부(321);
상기 인식된 블레이드(110)의 이미지 정보를 미리 저장된 손상, 결함 발생 판단용 딥러닝 학습 정보와 비교하여 상기 블레이드(110)의 손상, 결함 검출 정보를 추출하고, 상기 추출된 손상, 결함 검출 정보를 미리 저장된 안전 검사 정보와 비교하여 블레이드(110)에서 추출된 손상 및 결함 부위별 카테고리 정보로 분류하며, 손상 및 결함이 존재하는 블레이드(110)의 이미지 정보는 손상 및 결함의 종류에 따라 레이블이 부여된 데이터로 활용하며, 손상/결함이 없는 블레이드(110)의 이미지 정보는 손상/결함이 존재하지 않는 데이터로 활용하여 딥러닝 알고리즘을 통해 학습하는 안전 관리부(322); 및
상기 안전 관리부(322)에서 분류된 블레이드(110)의 손상 및 결합 부위별 카테고리 정보에 대응하는 유지보수 정보를 생성하는 관리정보 생성부(323)를 포함하는 것을 특징으로 하는 풍력 발전기 블레이드 안전 관리 시스템.The method of claim 1,
The safety control unit 320 includes an image recognition unit 321 for recognizing the received image information of the blade 110 through an image processing program;
By comparing the recognized image information of the blade 110 with deep learning learning information for determining damage and defect occurrence previously stored, the damage and defect detection information of the blade 110 is extracted, and the extracted damage and defect detection information Compared with pre-stored safety inspection information, it is classified into category information for each damaged and defective part extracted from the blade 110, and the image information of the blade 110 in which the damage or defect exists is labeled according to the type of damage and defect. A safety management unit 322 for learning through deep learning algorithms using the image information of the blade 110 without damage/defects as data that has been damaged/defects as data without damage/defects; And
Wind turbine blade safety management system, characterized in that it comprises a management information generation unit 323 for generating maintenance information corresponding to the category information for each damage and coupling portion of the blade 110 classified by the safety management unit 322 . 삭제delete 제 1 항에 있어서,
상기 풍력 발전기 블레이드 안전 관리 시스템은 상기 관리 서버(300)와 네트워크를 통해 접속하여 상기 추출된 블레이드(110)의 손상, 결함 검출 정보와, 상기 블레이드(110)의 예상 유지보수 정보를 수신하여 출력하는 관리자 단말기(400)를 더 포함하는 것을 특징으로 하는 풍력 발전기 블레이드 안전 관리 시스템.The method of claim 1,
The wind turbine blade safety management system is connected to the management server 300 through a network to receive and output damage and defect detection information of the extracted blade 110 and predicted maintenance information of the blade 110. Wind turbine blade safety management system, characterized in that it further comprises a manager terminal (400). a) 관리 서버(300)가 검사대상 풍력 발전기(100)와 블레이드(110)의 관리정보를 생성하고, 상기 풍력 발전기(100) 및 블레이드(110)의 위치정보에 기초한 드론(200)의 비행 제어 정보를 생성하여 카메라(240)를 구비한 드론(200)으로 전송하며, 상기 드론(200)으로부터 촬영된 검사대상 풍력 발전기(100)의 블레이드(110) 이미지 정보를 수신하여 미리 저장된 이미지 프로세싱 프로그램을 이용하여 인식하는 단계;
b) 상기 관리 서버(300)가 상기 a) 단계에서 인식된 블레이드(110)의 이미지 정보를 미리 저장된 손상, 결함 발생 판단용 딥러닝 학습 정보를 이용한 비교 및 분석을 통해 상기 블레이드(110)의 손상, 결함 검출 정보를 추출하며, 상기 추출된 손상, 결함 검출 정보를 블레이드의 손상된 범위 또는 크기에 따라 카테고리화하여 분류된 안전 검사 정보와 비교하는 단계; 및
c) 상기 관리 서버(300)가 상기 b) 단계의 비교 결과에 따라 상기 블레이드(110)의 손상 및 결함에 대한 유지 보수 및 모니터링 필요 여부에 따라 파손 상태를 구분한 예상 유지보수 정보를 생성하되, 블레이드의 부위별 명칭과, 번호(P2)가 표시된 블레이드 이미지(P1)에서 손상이 발생된 부위별로 파손 상태에 따라 서로 다른 색상(P3)이 표시되도록 하고, 검사대상 풍력 발전기와 블레이드의 관리 정보(P4)와, 파손이 발생된 정도 및 범위(P5)를 상기 P2 및 P3에서 표시되는 정보와 연동하여 표시되도록 하되, 손상 정도 및 범위에 따라 카테고리 별로 분류된 예상되는 유지보수 및 관리 정보(P6)를 파손 상태에 따라 서로 다른 색상으로 표시(P7)하여 출력하는 단계;를 포함하되,
상기 관리 서버(300)는 상기 b) 단계에서 손상 및 결함이 존재하는 블레이드(101)의 이미지 정보는 손상 및 결함의 종류에 따라 레이블이 부여된 데이터로 활용하며, 손상/결함이 없는 블레이드(101)의 이미지 정보는 손상/결함이 존재하지 않는 데이터로 활용하여 딥러닝 알고리즘을 통해 학습하는 단계;를 더 포함하는 것을 특징으로 하는 풍력 발전기 블레이드 안전 관리방법.a) The management server 300 generates management information of the wind power generator 100 and the blade 110 to be inspected, and flight control of the drone 200 based on the location information of the wind power generator 100 and the blade 110 It generates information and transmits it to the drone 200 equipped with a camera 240, and receives the image information of the blade 110 of the wind power generator 100 to be inspected photographed from the drone 200, and stores an image processing program in advance. Recognizing by using;
b) The management server 300 compares and analyzes the image information of the blade 110 recognized in step a) using the deep learning learning information for determining damage and defect occurrence previously stored. , Extracting defect detection information, categorizing the extracted damage and defect detection information according to the damage range or size of the blade and comparing the classified safety inspection information; And
c) The management server 300 generates predicted maintenance information by dividing the damage state according to the need for maintenance and monitoring for damage and defects of the blade 110 according to the comparison result of step b), In the blade image (P1) in which the name and number (P2) of the blades are displayed, different colors (P3) are displayed according to the damage state for each damaged part, and the wind turbine to be inspected and the management information of the blade ( P4) and the extent and extent of damage (P5) are displayed in conjunction with the information displayed in P2 and P3 above, but the expected maintenance and management information classified by category according to the extent and extent of damage (P6) Including; displaying (P7) different colors according to the damaged state and outputting;
The management server 300 uses the image information of the blade 101 with damage and defects in step b) as data labeled according to the type of damage and defect, and uses the blade 101 without damage or defect. ) Using the image information as damage/defect-free data and learning through a deep learning algorithm; wind turbine blade safety management method further comprising a. 삭제delete
KR1020180110867A 2018-09-17 2018-09-17 System and method for managing safety of blade for wind power generator KR102166654B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180110867A KR102166654B1 (en) 2018-09-17 2018-09-17 System and method for managing safety of blade for wind power generator

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180110867A KR102166654B1 (en) 2018-09-17 2018-09-17 System and method for managing safety of blade for wind power generator

Publications (2)

Publication Number Publication Date
KR20200031860A KR20200031860A (en) 2020-03-25
KR102166654B1 true KR102166654B1 (en) 2020-10-19

Family

ID=70001692

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180110867A KR102166654B1 (en) 2018-09-17 2018-09-17 System and method for managing safety of blade for wind power generator

Country Status (1)

Country Link
KR (1) KR102166654B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102422918B1 (en) 2021-11-22 2022-07-21 한국기계연구원 Monitoring device and method for blades of wind generator
WO2023101059A1 (en) * 2021-12-02 2023-06-08 (주)니어스랩 Inspection system for wind power generator and inspection method therefor

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784632A (en) * 2020-05-25 2020-10-16 内蒙古工业大学 Wind driven generator blade surface defect detection system and method based on deep learning
CN111784863A (en) * 2020-06-24 2020-10-16 安徽继远软件有限公司 Underground cable removes system of patrolling and examining based on state net core
KR102254773B1 (en) * 2020-09-14 2021-05-24 한국건설기술연구원 Automatic decision and classification system for each defects of building components using image information, and method for the same
NO347715B1 (en) * 2021-07-05 2024-03-04 Altokinetics As System and method for repair and maintenance of wind turbine blade
KR102383628B1 (en) * 2021-08-11 2022-04-11 한국남동발전 주식회사 Systems and methods for inspection and management of wind power generation facilities based on drone
KR102541382B1 (en) * 2021-10-14 2023-06-12 한국전력공사 Apparatus for controlling wind power generator and method for inspecting the blades of wind power generator
CN115824957B (en) * 2021-11-16 2023-12-01 戈昱科技(上海)有限公司 Method for realizing automatic detection of defects of wind power blades based on images
KR102387375B1 (en) * 2021-11-19 2022-04-18 주식회사 에이투엠 A proactive maintenance system for wind power generator
KR102437275B1 (en) * 2021-12-02 2022-08-30 (주)니어스랩 Inspection system for wind power generator and insection method thereof
CN114152624A (en) * 2021-12-03 2022-03-08 广州发展电力科技有限公司 Chimney checking method and device based on unmanned aerial vehicle cruising
CN114215704A (en) * 2021-12-14 2022-03-22 复亚智能科技(太仓)有限公司 Power generation fan blade image acquisition device and method and storage medium
KR102586641B1 (en) * 2022-01-07 2023-10-06 금오공과대학교 산학협력단 Offshore wind farm management system using autonomously operated unmanned moving vehicle
CN116308180A (en) * 2023-03-22 2023-06-23 兰州理工大学 Wind power structure health monitoring system and method based on unmanned aerial vehicle and machine vision
CN116758075B (en) * 2023-08-18 2023-11-24 深圳市智祥源科技有限公司 Artificial intelligence-based blower motor operation fault detection method

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101863196B1 (en) * 2017-07-24 2018-06-01 한국생산기술연구원 An Apparatus and A Method For Detecting A Defect On Surfaces Based On Deep Learning

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150101861A (en) 2014-02-27 2015-09-04 목포대학교산학협력단 Apparatus for Monitoring the Blade of Wind Power Generator using Quadcopter
KR101732085B1 (en) * 2014-10-07 2017-05-04 (주)아와소프트 Movable type facilities detecting device and facilities maintenance method
KR20170104762A (en) 2016-03-08 2017-09-18 한국해양과학기술원 Apparatus and method for detecting surface flaw of wind turbine using drone

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101863196B1 (en) * 2017-07-24 2018-06-01 한국생산기술연구원 An Apparatus and A Method For Detecting A Defect On Surfaces Based On Deep Learning

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102422918B1 (en) 2021-11-22 2022-07-21 한국기계연구원 Monitoring device and method for blades of wind generator
WO2023101059A1 (en) * 2021-12-02 2023-06-08 (주)니어스랩 Inspection system for wind power generator and inspection method therefor

Also Published As

Publication number Publication date
KR20200031860A (en) 2020-03-25

Similar Documents

Publication Publication Date Title
KR102166654B1 (en) System and method for managing safety of blade for wind power generator
CN108416294B (en) Fan blade fault intelligent identification method based on deep learning
KR20200013148A (en) Method, system and computer program for providing defect analysis service of concrete structure
TW202200978A (en) Systems and methods for artificial intelligence powered inspections and predictive analyses
CN109060826B (en) Wind-powered electricity generation blade detection device that does not shut down
EP3786450A1 (en) Method and system for monitoring blades of a wind turbine
KR20200033822A (en) Apparatus and Method for Detecting/Analyzing Defect of Windturbine Blade
Bouarfa et al. Towards Automated Aircraft Maintenance Inspection. A use case of detecting aircraft dents using Mask R-CNN
EP3453874A1 (en) Method for analysis of sensor data related to a wind turbine
KR20190108832A (en) Apparatus and Method for Detecting/Analyzing Defect of Windturbine Blade
CN113592828A (en) Nondestructive testing method and system based on industrial endoscope
CN111401437A (en) Deep learning-based power transmission channel hidden danger early warning grade analysis method
CN112455676A (en) Intelligent monitoring and analyzing system and method for health state of photovoltaic panel
CN114120086A (en) Pavement disease recognition method, image processing model training method, device and electronic equipment
CN112508911A (en) Rail joint touch net suspension support component crack detection system based on inspection robot and detection method thereof
Mitra et al. A UAV Payload for Real-time Inspection of Highway Ancillary Structures
CN115953405A (en) Bridge crack identification method and device for augmented reality equipment
KR102281100B1 (en) System and method for providing heat transporting pipe status information
Kim et al. Automatic detection of malfunctioning photovoltaic modules using unmanned aerial vehicle thermal infrared images
Terzoglou et al. Employing deep learning framework for improving solar panel defects using drone imagery
Prasetio et al. Design of Defect Classification on Clay Tiles using Support Vector Machine (SVM)
CN111208165A (en) Device and method for detecting fan blade damage based on infrared imaging technology
CN114764867A (en) Fan fault diagnosis system and method based on image main feature extraction and application
CN113406107B (en) Fan blade defect detection system
Zhu et al. Study on Image Recognition Algorithm for Residual Snow and Ice on Photovoltaic Modules.

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant