تقنية اكتشاف العيوب متعددة المقاييس لأسطح شفرات توربينات الرياح بناءً على خوارزمية SASED-YOLO

لماذا تُهم العيوب الدقيقة على الشفرات العملاقة

تعتمد التوربينات الحديثة على شفرات أطول من طائرة ركاب، تدور بلا انقطاع في ظروف جوية قاسية في البحر. الشُروخ الصغيرة أو الرقائق أو بقع التآكل على هذه الشفرات لا تقتصر أضرارها على المظهر فحسب—بل يمكن أن تقلل إنتاج الطاقة بهدوء، وتقصّر عمر المعدات، وتزيد تكاليف الصيانة. تعرض هذه الدراسة تقنية رؤية حاسوبية جديدة، SASED-YOLO، مصممة لاكتشاف أنواع عديدة من التلف السطحي الدقيق على شفرات التوربينات بسرعة وبدقة، حتى عندما تكون العلامات باهتة أو صغيرة جداً أو مخفية جزئياً بسبب الوهج أو الأوساخ أو الطلاء.

من الفحوص اليدوية إلى الكاميرات الذكية

تقليدياً، كانت عمليات تفتيش الشفرات تعتمد على خبراء بشريون يتأرجحون على حبال أو يستخدمون أدوات مثل الموجات فوق الصوتية وكاميرات الأشعة تحت الحمراء. وعلى الرغم من فاعلية هذه الأساليب أحياناً، إلا أنها تواجه صعوبات عندما تكون أسطح الشفرات غير مستوية أو مغطاة أو متسخة، كما أنها قد تكون بطيئة ومكلفة ومحفوفة بالمخاطر بالنسبة للعمال. في السنوات الأخيرة، بدأت أنظمة التعلّم العميق بتحليل الصور أو الفيديو الملتقط بطائرات من دون طيار وكاميرات، ورسم مربعات تلقائياً حول العيوب. واحدة من أنجح عائلات هذه الأنظمة تُدعى YOLO، التي تستطيع تحديد الأشياء في تمريرة واحدة سريعة عبر الصورة. مع ذلك، لا تزال نسخ YOLO القياسية تجد صعوبة في اكتشاف العيوب الصغيرة جداً، أو التعامل مع فروق كبيرة في أحجام العيوب، أو تجاهل الخلفيات المربكة مثل الغيوم والانعكاسات والبقع.

طريقة أكثر ذكاءً لرصد أضرار الشفرات

طور الباحثون نموذج YOLOv8s الخفيف وأعادوا تشكيله ليصبح SASED-YOLO، مضيفين عدة مكونات جديدة تستهدف تحديات تفتيش الشفرات المحددة. أولاً، تساهم وحدة الانتباه التعاوني في جعل الشبكة «تركز» على مناطق العيب المحتملة مع تقليل أهمية السماء والبرج أو مناطق الشفرة النظيفة. وتفعل ذلك من خلال فحص الصورة عبر البُعد المكاني (أين على الشفرة) وعبر القنوات (نوع الملمس أو اللون) ودمج الإشارات المحلية والعالمية. ثانياً، تسمح وحدة التجميع متعدد المقاييس للنظام برؤية العيوب من «نوافذ» مختلفة، من بقع دقيقة إلى مساحات أوسع من الشفرة، ثم دمج هذه المعلومات بحيث تُعرض الشقوق الطويلة والحفر المبعثرة والبقع الصغيرة بوضوح. ثالثاً، أُدخلت وحدة تقليل قياس تكيفية بحيث لا يؤدي تصغير الصور لتوفير الحساب إلى فقدان الحواف الدقيقة والخطوط الرقيقة التي غالباً ما تدل على تلف مبكر.

بناء واختبار مكتبة عيوب واقعية

لاختبار نهجهم بشكل صارم، جمع الفريق مجموعة بيانات لشفرات التوربينات، WTBD818-DET، لأن المجموعات العامة المتاحة كانت محدودة للغاية. تحتوي على 7,374 صورة فيها ثمانية أنواع من مشاكل السطح، بما في ذلك الشقوق، إصابات الصدمات، التآكل، ضربات البرق، بقع الزيت، التشقق الشبكي، الأجسام الملتصقة، والعيون السطحية (عيوب محلية صغيرة). وُصفت الصور بعناية للإشارة ليس فقط إلى نوع العيب، بل إلى موقعه الدقيق على الشفرة. تتباين العيوب اختلافاً كبيراً في الحجم والمظهر، وبعض الفئات لديها أمثلة قليلة جداً، مما يجعل المهمة أقرب إلى ظروف صناعية حقيقية. درب الباحثون SASED-YOLO ومجموعة من نماذج الكشف الرائدة الأخرى تحت نفس الإعدادات، ثم قارنوا عدد العيوب التي اكتشفها كل نظام ومدى دقته وسرعته في الأداء.

عيون أوضح من الكاشفات السابقة

على مجموعة بيانات الشفرات، حقق SASED-YOLO دقة متوسطة قياسية (mean average precision) بلغت 87.7 في المئة، أي أعلى بنحو 10.5 نقطة مئوية من نموذج YOLOv8s الأساسي وبفارق واضح أمام أنظمة متقدمة أخرى مثل RT-DETR وMamba وأحدث متغيرات YOLO. تميّز بشكل خاص في تمييز العيوب الدقيقة مثل الشقوق الشعرية، بقع التآكل الصغيرة، وأفلام الزيت الرقيقة التي كانت النماذج الأخرى تميل إلى تفويتها أو الخلط بينها وبين ضوضاء الخلفية. تُظهر المقارنات البصرية أن SASED-YOLO يخرج مربعات تحديد أنظف حول التلف وإنذارات كاذبة أقل على الخطوط أو الانعكاسات غير الضارة. لاختبار قابلية التعميم خارج قطاع طاقة الرياح، طبق المؤلفون الطريقة أيضاً على مجموعة بيانات عيوب اللحام العامة ووجدوا مرة أخرى أنها تفوقت على عدة كاشفات متقدمة حالية.

ماذا يعني هذا لمزارع الرياح المستقبلية

لغير المتخصصين، الرسالة الأساسية هي أن هذا العمل يحسّن بشكل ملحوظ «عيون» أنظمة التفتيش الآلية لتوربينات الرياح. بدمج الانتباه، والرؤية متعددة المقاييس، والمعالجة الحذرة للتفاصيل، يمكن لـ SASED-YOLO الإشارة بشكل أكثر موثوقية إلى المشاكل السطحية الصغيرة أو المعقدة قبل أن تتطور إلى أعطال مكلفة. ورغم أن النموذج يعمل أبطأ قليلاً من أسرع الكاشفات الزمنية الحقيقية، فإن مكاسب الدقة تجعله مناسباً جيداً لمسوح دورية بطائرات الدرون أو للتحليل غير الحي. مع مزيد من التحسين، قد تساعد نهج مثل هذا في إبقاء مزارع الرياح البحرية تعمل بأمان وكفاءة، محققة تحسيناً هادئاً في موثوقية وتكلفة الطاقة النظيفة.

الاستشهاد: Lv, F., Wang, R., Wang, Y. et al. Multi-scale defect detection technology for wind turbine blade surfaces based on the SASED-YOLO algorithm. Sci Rep 16, 7334 (2026). https://doi.org/10.1038/s41598-026-37780-9

الكلمات المفتاحية: تفتيش توربينات الرياح, كشف عيوب السطح, التعلّم العميق, رؤية الحاسوب, الطاقة البحرية من الرياح