فحص سطحي للشفرات غير تدميري عالي الدقة عبر شبكات محولات ذاتية التعلم

الحفاظ على أمان المحركات النفاثة في السماء

كل رحلة تجارية تعتمد على شفرات التوربين الدوارة داخل المحركات النفاثة عند درجات حرارة هائلة وسرعات كبيرة. إذا بدأت الطبقة الواقية على هذه الشفرات في التشقق أو التنقّط أو التقشّر، تنخفض الكفاءة ويزداد خطر الفشل. تستكشف هذه الدراسة كيف يمكن لنظام ذكاء اصطناعي أن يكتشف تلقائياً عيوباً دقيقة على أسطح الشفرات من الصور، مما يبشر بفحوصات أسرع وأكثر موثوقية وسفر جوي أكثر أماناً وأقل تكلفة.

لماذا تهم العيوب السطحية الصغيرة

تتعرض الشفرات داخل المحرك لحرارة شديدة، وتغيرات ضغط سريعة، ومزيج متآكل من الغازات والجسيمات. للبقاء، تُغطى هذه الشفرات بطبقات خاصة تعمل كدرع حراري وطلاء مضاد للصدأ. ومع الوقت، يمكن أن تُطوّر هذه الطبقات تشققات شعرية، وحفر، ومناطق تقشر، وشوائب صغيرة محتبسة داخل السطح. إذا تُركت دون ملاحظة، قد تكبر هذه العيوب وتضعف الشفرة، وتزيد استهلاك الوقود، وفي الحالات القصوى تساهم في فشل المحرك. تعتمد الفحوصات القياسية اليوم بشكل كبير على مفتشين بشريين يستخدمون الكاميرات أو الموجات فوق الصوتية أو التصوير الحراري. تعمل هذه الطرق، لكنها بطيئة وتتطلب عملاً كبيراً وقد تفشل في اكتشاف أصغر العيوب على أسطح الشفرات المنحنية واللامعة.

من الفحوص اليدوية إلى الآلات المتعلمة

في السنوات الأخيرة، بدأت أنظمة رؤية الحاسوب القائمة على التعلّم العميق تساعد في مهام التفتيش الصناعي. الشبكات العميقة التقليدية المسماة بشبكات الالتفاف (CNN) جيدة في التعرف على الأنماط المحلية، مثل تشقّق في منطقة مسطحة صغيرة. لكنها تعاني عندما يكون السطح منحنياً أو الإضاءة غير متساوية أو العيوب موزعة في أجزاء مختلفة من الصورة نفسها. ركّزت الأبحاث السابقة في الغالب على مواد مسطحة مثل لوحات الدوائر أو صفائح الصلب، التي لا تعكس تعقيدات المشهد البصري لشفرات المحركات الحقيقية. النماذج الأحدث المعروفة بمحولات الرؤية (Vision Transformers)، والطوّرت أصلاً للتعرّف على الصور، قادرة على النظر إلى الصورة بأكملها مرة واحدة وتعلّم كيف ترتبط أجزاء بعيدة من الصورة ببعضها. وهذه النظرة الأوسع تجعلها واعدة لمشاكل التفتيش الصعبة التي تهمها كل من التفاصيل الدقيقة والبنية العامة.

طريقة جديدة لرؤية الشفرات داخل المحركات

يقترح المؤلفون نظام تفتيش مبني حول نموذج يسمى Swin Transformer، مُكيّف خصيصاً لشفرات التوربين والكمبريسور. أولاً، تُجمع صور عالية الدقة لشفرات حقيقية من إعدادات مختبرية، ومن منظّارات داخل المحركات، ومن مجموعات بيانات عامة. يُحدّد كل عيب—مثل تشقّق، أو انبعاج، أو حفرة، أو شائبة—بدقة بواسطة خبراء حتى يتعلّم النموذج من أمثلة واضحة. قبل التدريب، تمر الصور بعملية تنظيف مُصمَّمة: تُسوى الإضاءة، ويُقلّل الضجيج دون طمس حواف العيوب، وتُحوّل الألوان إلى صيغة تُبرز التغيرات البسيطة في السطح. ثم تُنوَّع الصور اصطناعياً عبر تدويرها، وقلبها، وتغيير السطوع، وإضافة عيوب صناعية، حتى يتعلّم النظام التعامل مع ظروف العالم الحقيقي المختلفة.

كيف يعمل المفتش الذكي

بعد التحضير، تُقسّم كل صورة لشفرات إلى رقع مربعة صغيرة تُغذّى إلى Swin Transformer. داخل النموذج، تُفحص مجموعات من الرقع المجاورة عبر "نوافذ" انزلاقية تتحرك بين الطبقات، مما يسمح للنظام بالتقاط التفاصيل الصغيرة وسياقها الأوسع في الوقت نفسه. تتيح هذه البنية الطبقية للانتباه للنموذج ربط خط خافت عبر الشفرة بأنماط أوسع من تلف الطلاء. وفوق هذا العمود الفقري، يدمج مُكوّن إضافي معلومات من مقاييس مختلفة بحيث يمكن اكتشاف الحفر الدقيقة جداً والمناطق المتقشرة الأكبر في تمريرة واحدة. يمكن للنظام المُدرَّب بعد ذلك، في جزء من الثانية، تحديد مواقع كل عيب على الشفرة وتحديد الفئة التي ينتمي إليها.

ما كشفته الاختبارات

لتقييم الأداء، قارن الباحثون منهجهم مقابل شبكات عميقة معروفة واسعة الاستخدام في تحليل الصور. حقق Swin Transformer لديهم دقة تقارب 98% في التفريق بين المناطق المتضررة وغير المتضررة وفي تصنيف أربعة أنواع عيوب رئيسية: انبعاج، تشقّق، مسامية، وشائبة. التقط النموذج تقريباً جميع العيوب الحقيقية مع إبقاء الإنذارات الكاذبة منخفضة، وحدد مواقع العيوب بدقة، حتى عندما كانت العيوب بضعة أعشار المليمتر فقط. أظهرت التجارب أيضاً أن كل جزء من خط المعالجة كان مهماً: أدى تحسين المعالجة المسبقة للصور وتوسيع البيانات إلى نتائج أفضل، لكن القفزة الأكبر جاءت من الانتقال إلى بنية Swin Transformer نفسها. قدم النظام هذا الأداء بأزمنة معالجة سريعة مناسبة للاستخدام أثناء الصيانة الروتينية.

ما يعنيه هذا لرحلات المستقبل

بعبارات بسيطة، تُظهر هذه العمل أن "مفتشاً" ذكياً بالذكاء الاصطناعي يمكنه مراقبة شفرات المحركات بدقة واتساق يتجاوزان العديد من الطرق الحالية، خصوصاً للكشف عن أصعب العيوب رؤية. من خلال الإبلاغ التلقائي عن تشققات وحفر صغيرة قبل أن تصبح خطيرة، يمكن لمثل هذه الأنظمة تقصير أوقات الفحص، وتقليل الاعتماد على الخبراء النادرين، والمساعدة في منع أعطال مكلفة أو خطيرة. يتصور المؤلفون بناء نموذجهم ضمن خطوط صيانة آلية، يعمل جنباً إلى جنب مع كاميرات روبوتية، وفي النهاية مع التوائم الرقمية التي تتتبع صحة المحرك طوال عمره. للمسافرين، النتيجة ليست خوارزميات أذكى فحسب—بل رحلات أكثر هدوءاً وأنظف وأمناً.

الاستشهاد: Kannusamy, P., Gayathri, D., Mirdula, S. et al. High-precision non-destructive blade surface inspection via self learning transformer networks. Sci Rep 16, 10288 (2026). https://doi.org/10.1038/s41598-026-41373-x

الكلمات المفتاحية: فحص شفرات محرك نفاث, كشف عيوب السطح, رؤية بالتعلّم العميق, نماذج معتمدة على المحولات, صيانة الطيران