V loňském roce provedla společnost E.ON test několika dronů v terénu. Cílem bylo ověřit jejich přínos v rámci inspekce stožárů velmi vysokého napětí (VVN). Ty bývají jak logisticky, tak technicky obtížně dostupné. Jejich lezecká inspekce s sebou vždy nese riziko úrazu nebo zemědělské škody, a tak je tu využití dronů více než vítané.
Jak jsme v E.ONu postupovali? Nejdříve jsme se od techniků naučili průběh fyzické kontroly, který jsme následně zopakovali letecky. Stěžejním bodem testování bylo letecké snímání a odhalení škály nasimulovaných závad pomocí fullHD záznamu. Ten bude technik s pomocí odpovídajícího software analyzovat a označí případné nedostatky, na kterých bude dále pracovat. Nejvyšší hodnocení získal systém DJI s1000 se zrcadlovkou Panasonic GH4, se kterým provádíme veškeré činnosti.
Letos reálně využíváme dron ve spolupráci s regionálními správami pro letecké inspekce a namátkové kontroly při přejímkách nově vystavěných linek VVN.
Dále zkoumáme možnosti využití dronu v termografii fotovoltaických (solárních) elektráren. Zde chceme získat know-how k nezávislé expertize vyhodnocení termografického záznamu.
Uvědomujeme si, že obě testované aplikace - inspekce stožárů VVN a termografie FVE - jsou z pohledu konečné podoby využití dronů nízko rostoucí ovoce a v zásadě nic nového nepřinášejí. Proto jsme oslovili odborníky z ČVUT, kteří nám projekt dronů pomáhají dále rozvíjet - snímkování a termografie prováděná dronem je totiž zatím manuální, repetitivní činnost, kterou bychom rádi automatizovali. Autonomním snímáním získáme konstantní obrazový výstup, který následně využijeme pro strojovou detekci závad.
Dodáním 3D modelů stožárů do analytického softwaru umožníme dronu vyhodnocovat odchylky a detekovat technické závady na konstrukci (ohlé nosníky) už za letu. V dalším kroku tento údaj přeneseme jako zjištění do GIS/SAP, čímž vstupuje nález jako datová položka do našeho Business Intelligence, kde zefektivňuje celý proces plánování údržby.
S dronem jsme schopní vytvořit 3D snímek ochranného pásma vedení, do kterého můžeme dodat data o zastoupení vegetace, její růstový potenciál s ohledem na historické údaje o počasí doplněné o predikce a můžeme také modelovat rychlost zarůstání koridoru a efektivně plánovat jeho údržbu.
Všechna tato témata jsou v současnosti plně realizovatelná a na některá z nich již existují i vyřešené úlohy. Neřešíme tak s odborníky otázky možnosti realizace, ale čistě ekonomický charakter automatizace. Finanční přínos a právní prostředí ČR jsou totiž hlavní brzdy pro zcela autonomní lety.
Implementace machine learningu a automatizace jsou v tomto projektu logickým krokem vpřed. Zapojení těchto technologií do běžných procesů nám pomůže dělat věci lépe, rychleji a efektivněji, a umožní nám držet krok s budoucností.