التنبؤ المبكر بشذوذات توربينات الرياح باستخدام 1D-CNN والهندسة الزمنية للميزات على بيانات SCADA متعددة المصادر

إبقاء توربينات الرياح في حالة دوران

تتحول مزارع الرياح إلى عمود فقري للطاقة النظيفة، لكن كل توربين هو آلة ضخمة ومعقدة تعمل في ظروف قاسية. عندما يحدث خلل داخل التوربين، تكون عمليات الإصلاح مكلفة وكل ساعة توقف تعني كهرباء مفقودة. تستكشف هذه الورقة كيف يمكن للذكاء الاصطناعي الحديث رصد علامات تحذيرية مبكرة في بيانات التوربينات، حتى يتمكن المشغلون من إصلاح مشكلات صغيرة قبل أن تتحول إلى إخفاقات كبيرة ومكلفة.

تحدي مراقبة ملايين القياسات

كل توربين رياح يرسل باستمرار تدفقات من المعلومات عبر نظام التحكم الخاص به، المعروف باسم SCADA. تشمل هذه القراءات درجة حرارة الهواء الخارجي، وسرعة دوران العمود، ومقدار الطاقة المنتجة، ومدى ثبات تردد الشبكة الكهربائية. عبر عشرات التوربينات والعديد من مزارع الرياح تتحول هذه إلى ملايين القياسات ذات الطوابع الزمنية. لا يمكن للمهندسين البشريين معالجة كل هذه البيانات يدوياً بشكل واقعي، وتواجه التنبيهات التقليدية المعتمدة على قواعد صعوبات عندما تختلف الظروف من مزرعة لأخرى أو من موسم لآخر.

بناء صورة موحدة من عدة مزارع رياح

تعامل الباحثون مع هذه المشكلة بدمج بيانات SCADA من ثلاث مزارع رياح في البرتغال وألمانيا، شاملةً 36 توربينًا على مدار سنوات عدة. لأن لدى كل مزرعة مزيجًا خاصًا من الحساسات والمقاييس، اضطر الفريق أولاً إلى محاذاة البيانات وتنظيفها بعناية. اختاروا أربع إشارات أساسية مشتركة بين كل المزارع — درجة الحرارة المحيطة، تردد الشبكة، القدرة الفعالة، وسرعة الدوران — وقاموا بتحويلها ومعياريتها بحيث يمكن مقارنة توربين في بلد ما بشكل عادل مع توربين في بلد آخر. أضافوا أيضًا دلائل زمنية بسيطة مثل ساعة اليوم وشهر السنة، ثم قطعوا البيانات إلى نوافذ متداخلة مدتها 24 ساعة ووسموها إما كسلوك طبيعي أو كإحتواء حدث عطل.

مقارنة مناهج الذكاء الاصطناعي المختلفة

بوجود مجموعة البيانات الموحدة هذه، أجري الفريق مقارنة وجهاً لوجه لعدة أساليب شائعة للتعلم العميق المصممة للبيانات الزمنية. اختبروا الشبكات التتابعية التقليدية التي تقرأ التسلسلات خطوة بخطوة، وتصاميم الذاكرة المتقدمة مثل LSTM وLSTM ثنائي الاتجاه، وشبكة الالتفاف الزمنية التي تنظر إلى الوراء لمسافات أطول باستخدام مرشحات متباعدة، وشبكة الالتفاف أحادية البعد (1D-CNN) التي تمسح للعثور على أنماط محلية على طول الجدول الزمني. تدربت جميع النماذج وضُبِّطت في ظل نفس الشروط وتم تقييمها بناءً على دقتها في التمييز بين التشغيل الطبيعي وعلامات الفشل المبكرة، مع الحد من الإنذارات الكاذبة أيضًا.

لماذا تفوّقت الالتفافات البسيطة

على الرغم من شهرة نماذج التسلسل المعقدة، أدت 1D-CNN المباشرة أفضل أداء في هذه المهمة. وصلت إلى نحو 85 بالمئة دقة ودرجة F1، وأظهرت قدرة قوية على التمييز بين السلوك السليم والعيب عبر كل المزارع الثلاثة. يجادل المؤلفون بأن نجاحها يعود إلى الطريقة التي تلتقط بها مرشحات الالتفاف بكفاءة الأنماط قصيرة المدى والتغيرات المفاجئة عبر عدة إشارات في آن واحد، وهي غالبًا ما تكون ما يهم لاكتشاف أدلة الفشل المبكرة. وأكدت الاختبارات الإحصائية أن تفوق 1D-CNN على النماذج القياسية الأخرى لم يكن مجرد صدفة.

إضافة نموذج هجين أذكى

بعد إقامة خط أساس عادل، تقدم الباحثون خطوة إضافية وصمموا نموذجًا هجينًا يدمج طبقات التلافيف مع طبقات LSTM وآلية انتباه. في هذا التكوين، يستخرج جزء الالتفاف بسرعة ميزات محلية من إشارات الحساسات، ويتتبع جزء LSTM كيف تتطور تلك الميزات على مدى فترات زمنية أطول، ويعطي مكون الانتباه تلقائيًا وزنًا أكبر للحظات الأكثر إفادة في التسلسل. دفعت هذه المقاربة الهجينة الأداء إلى مستوى أعلى قليلًا، نحو 87 بالمئة دقة، وتفوقت على تركيبات أخرى مدمجة من نفس المكونات.

ما يعنيه ذلك للطاقة النظيفة

بالنسبة لغير المتخصصين، الخلاصة أن البيانات المُحضرة بعناية إلى جانب نماذج التعلم العميق المختارة جيدًا يمكن أن توفر لمشغلي مزارع الرياح تنبيهات مبكرة وموثوقة بأن شيئًا ما بدأ يخطئ. من خلال دمج المعلومات من مواقع متعددة وترك الخوارزميات تتعلم الأنماط التي تسبق الأعطال، تُظهر الدراسة مسارًا نحو أدوات أكثر ذكاءً وعمومية لرصد التوربينات. عمليًا، يعني ذلك أعطالًا مفاجئة أقل، وتكاليف صيانة أقل، وطاقة نظيفة أكثر استقرارًا تغذي الشبكة — مما يساعد على إبقاء الشفرات في الدوران والأضواء مضاءة.

الاستشهاد: Ata, M.M., Osama, S., Ibraheem, M.R. et al. Early prediction of wind turbine anomalies using 1D-CNN and temporal feature engineering on multi-source SCADA data. Sci Rep 16, 9667 (2026). https://doi.org/10.1038/s41598-026-41571-7

الكلمات المفتاحية: مراقبة توربينات الرياح, الصيانة التنبؤية, سلاسل زمنية SCADA, نماذج التعلم العميق, كشف الأعطال