해상풍력발전기 블레이드 열화상 데이터를 활용한 오토인코더 기반 고속 결함 탐지
High-Speed Defect Detection in Offshore Wind Turbine Blades Using Autoencoder-Based Thermographic Image Dataset
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
해상풍력발전기의 블레이드는 해양 환경의 특성상 균열, 박리, 침식, 피로손상 등 다양한 결함에 취약하다. 본 연구에서는 기존 검사 방법의 한계를 극복하기 위해 시계열 열화상 데이터를 활용한 합성곱 오토인코더 기반 이상 탐지 기법을 제안하였다. GFRP 시편을 가열하며 획득한 열화상 이미지를 시간 흐름에 따라 정방형으로 배열하는 전처리 기법을 통해 시계열 열 특성을 2차원 이미지로 변환하였다. 정상 데이터만으로 학습된 오토인코더는 재구성 오차 기반으로 결함 여부를 판단하는 준 지도 학습 구조를 가지며, 세 가지 모델 깊이(AE03, AE04, AE05)와 두 종류의 스트라이드(3, 5) 조건에서 성능을 평가하였다. 그 결과, 가장 깊은 구조를 가진 AE05 모델이 전반적으로 가장 우수한 탐지 성능을 보였다. 실험 결과는 모델의 깊이와 스트라이드 크기가 탐지 정확도 향상에 기여함을 확인하였으며, 제안된 기법은 열화상 기반의 블레이드 결함 탐지에서 높은 실용 가능성을 보여주었다.
Abstract
Offshore wind turbine blades are susceptible to various defects such as cracks, delamination, erosion, and fatigue damage due to the harsh marine environment. This study proposes a convolutional autoencoder-based anomaly detection method using time-series thermographic data to overcome the limitations of conventional inspection techniques. Thermographic images were obtained by heating GFRP specimens, and a preprocessing technique was applied to convert temporal thermal patterns into two-dimensional images through square tiling along the time axis. The autoencoder, trained solely on normal data, follows a semi-supervised learning structure that identifies defects based on reconstruction error. The performance was evaluated using three model depths (AE03, AE04, AE05) and two stride settings (3 and 5). As a result, the deepest model, AE05, showed the best overall detection performance. Experimental results confirmed that both model depth and stride size contributed to improved detection accuracy, and the proposed method demonstrated high practical potential for thermography-based blade defect detection.