교량, 댐, 송전선과 같은 기반 시설물의 안전을 유지하기 위해서는 기반 시설 검사가 필수적입니다. 그러나 기존 검사 방식은 안전 위험, 느린 처리 속도, 인적 오류 등 여러 가지 문제점을 안고 있습니다. 기술이 발전함에 따라, 자동화된 도킹 드론 워크플로우 보다 효율적이고 확장 가능하며 안전한 솔루션을 제공합니다.
최근 gNext의 사장인 Russ Ellis와 함께 진행한 Platform Connect 웨비나에서 우리는 드론 인 어 박스(DiaB) 기술이 인프라 모니터링 및 유지보수를 어떻게 혁신할지 살펴보았습니다. 이 기술을 통해 기업은 위험을 줄이면서 빈번하고 정확한 검사를 수행할 수 있습니다. 이번 블로그 게시물에서는 웨비나의 주요 내용을 정리하고, 자동화가 수동 검사의 어려움을 어떻게 해결하고 있는지, 그리고 DiaB 기술이 이러한 변화의 최전선에 있는 이유를 논의합니다.
수동 자산 검사의 어려움
수동 검사는 비용이 많이 들고 비효율적이며 종종 위험합니다. 상당한 자원과 시간이 소요되기 때문입니다. 예를 들어, 드론 검사 비용은 모든 자원을 포함하여 약 250달러인 반면, 수동 검사는 추가 인력과 긴 시간으로 인해 최대 4,600달러까지 비용이 발생할 수 있습니다(위 이미지 참조). 검사관은 교량 위나 냉각탑과 같은 밀폐된 공간 등 접근하기 어렵고 위험한 환경을 자주 이동해야 하므로 작업이 더욱 복잡해지고 안전 위험이 증가합니다.
러셀은 "아시다시피 수동 자산 검사에는 잘 알려진 어려움이 따르며, 안전은 항상 최우선 사항입니다."라고 말했습니다.
중앙 집중식 정보 부족과 수동 데이터 수집에 대한 의존은 일관된 데이터 품질을 유지하기 어렵게 만들고, 이는 결국 의사 결정 및 효율성에 영향을 미칩니다. 결과적으로 자산 상태에 대한 완전하고 정확한 정보를 얻기가 어려워지며, 중요한 문제가 발견되지 않을 경우 향후 막대한 비용이 드는 수리로 이어질 수 있습니다.
수동 드론 조작의 단점
드론은 기반 시설 검사를 크게 향상시켰지만, 수동 작업에는 나름의 어려움이 있습니다. 특히 외딴 검사 현장으로 자주 이동해야 하므로 전체 검사 비용이 상당히 증가합니다. 검사가 필요한 시설 중 상당수는 접근하기 어려운 지역에 위치해 있어 조종사가 장거리 이동을 해야 하므로 교통비와 숙박비가 추가됩니다.
이러한 물류 부담으로 인해 데이터 수집 비용이 증가하고 잦은 현장 점검에 시간이 많이 소요되어 궁극적으로 점검 작업의 효율성이 저하됩니다. 더욱이, 여러 현장에 걸쳐 수동 작업을 확장하는 것은 대규모 조종사 팀이 필요하고 운영 비용이 많이 발생하기 때문에 어려운 과제입니다.
드론과 AI를 활용하여 자산 검사의 어려움을 극복하기
완전 자율 도킹 드론 시스템을 사용하면 드론이 이륙, 검사 수행, 재충전을 위한 복귀, 수집된 데이터 업로드 및 처리까지 모든 과정을 사람의 개입 없이 수행할 수 있습니다. 드론은 현장의 도킹 스테이션에 보관되어 정기적인 검사 또는 긴급 상황 발생 시 즉시 투입될 수 있도록 준비되어 있습니다.
드론과 인공지능을 활용한 기반 시설 검사는 다음과 같은 방식으로 구현할 수 있습니다.
- 사용 사례 결정
- 적합한 하드웨어 및 페이로드 선택
- 드론 자율 플랫폼을 활용한 데이터 수집
- 데이터 처리 플랫폼 선택
관련 사용 사례를 파악하십시오.
드론 배치 프로젝트의 첫 번째 단계는 사용 사례를 명확하게 정의하는 것입니다. 이는 드론이 해결할 구체적인 작업이나 과제를 파악하는 것을 의미합니다. 예를 들어, 인프라 분야에서 드론은 다음과 같은 용도로 사용될 수 있습니다.
- 전력선을 점검하세요잠재적 위험 요소를 파악하고, 피해 규모를 평가하며, 유지보수 계획을 수립합니다.
- 건설 현장을 감시하세요진행 상황을 추적하고, 문제를 파악하며, 안전 규정 준수를 보장합니다.
- 교량과 댐을 점검하십시오: 구조적 손상, 부식 및 침식을 감지합니다.
- 재해 발생 지역을 조사하십시오: 피해 상황을 평가하고, 생존자를 찾고, 구호 활동을 계획합니다.
적합한 하드웨어 및 페이로드 선정
다양한 옵션이 제공되는 만큼 호환 가능한 하드웨어를 선택하는 것이 중요합니다. 예를 들어, M300 또는 M30 드론을 사용하는 경우 Heisha 도킹 스테이션과 같은 제품은 해당 모델에 안정적인 충전 기능을 제공합니다. 미국에서 Anzu Raptor를 사용하는 사용자를 위해 Hextronics는 Anzu 드론을 지원하도록 설계된 Hextronics Universal과 같은 파트너 도킹 스테이션을 제공합니다. M300 및 M350 드론과 호환되는 Hextronics Atlas는 배터리 교체 기능을 통해 운영 중단 시간을 줄여줍니다. 다양한 용도로 기업에서 널리 사용되는 DJI 도킹 스테이션 또한 M30 시리즈를 지원하여 드론 운영의 활용도를 높여줍니다.
FlytBase 이용하면 데이터 수집이 간편해집니다.
드론인어박스(DiaB) 시스템을 활용하는 인프라 관리자는 임무 계획 및 일정 관리 도구를 통해 효율적으로 검사 작업을 자동화할 수 있습니다. 드론은 자율적으로 이륙하고 데이터를 수집하여 분석을 위해 업로드할 수 있습니다. 또한 FlytBase 실시간 임무 기록 기능을 제공하여 사용자가 드론을 수동으로 조종하고 향후 검사를 위한 웨이포인트를 등록할 수 있도록 지원합니다.
FlytBase 사업 개발 책임자인 아진키야는 "드론은 매일 오전 9시에 자율적으로 이륙하여 필요한 모든 데이터와 미디어를 수집하고 FlytBase 통해 추가 분석을 위해 처리 플랫폼에 직접 업로드합니다."라고 말했습니다.
이 검사 워크플로 자동화는 사전 프로그래밍된 비행 경로를 따라 일관되고 고품질의 데이터 수집을 보장하며, 매번 동일한 이미지를 캡처하여 정확한 비교를 가능하게 합니다. 결과적으로 수동 검사에서 간과될 수 있는 미묘한 변화를 시간이 지남에 따라 쉽게 감지할 수 있습니다. 비행 후에는 플랫폼이 데이터 관리 및 내보내기를 간소화하여 FlytBase Flinks를 사용하는 gNext 등의 데이터 처리 플랫폼에서 검사 결과를 쉽게 분석할 수 있도록 지원합니다.
러스는 "현재 우리는 다양한 교량, 댐, 변전소, 원자력 발전소, 냉각탑 등 42가지 자산 유형을 모니터링하고 있습니다. 건물과 옥상부터 이동통신 기지국까지, 건축 환경과 관련된 모든 것을 이미 모니터링하고 있거나 곧 모니터링할 예정입니다."라고 밝혔습니다.
효율적인 데이터 처리는 자산 검사에 매우 중요하며, 인공지능(AI)은 이러한 프로세스를 간소화하고 향상시키는 데 핵심적인 역할을 합니다. gNext와 같은 소프트웨어는 작업자가 42가지 이상의 사전 정의된 자산 유형 중에서 선택하고 AI 기반 InspectAssist™를 활용하여 콘크리트 구조물의 결함을 감지하고 정량화할 수 있도록 지원합니다.
이러한 간소화된 접근 방식을 통해 단일 인터페이스 내에서 정보에 기반한 의사 결정을 내릴 수 있으므로 검사 프로세스 속도가 크게 향상되고 정확도가 높아지며 인적 오류 위험이 줄어듭니다. 평면도, 입면도, 2D/3D, 등고선, 포인트 클라우드 및 DTM 모델과 같은 기능을 갖춘 gNext는 모든 프로젝트의 요구 사항에 맞춰 확장 가능한 포괄적인 검사 솔루션을 제공합니다.
결론
FlytBase 플랫폼에 드론인어박스(DiaB) 기술과 gNext 같은 데이터 처리 소프트웨어를 통합함으로써 인프라 검사에 새로운 기준을 제시하고 있습니다. 수동 방식의 비효율성을 제거하고 자동화의 강력한 기능을 활용함으로써 기업은 이전보다 더 빠르고 안전하며 정확하게 검사를 수행할 수 있습니다.
더 자세한 내용을 알아보려면 gNext와 함께 진행한 최신 웨비나 "드론 도크 및 AI 기반 결함 탐지를 통한 인프라 검사 간소화"를 시청하세요. 여기.