كشف التفريغ الجزئي عبر الكابل على الخط وتقييم الحالة بالاستناد إلى شبكة الاعتقاد العميق وخوارزمية تحسين مستوحاة من سلوك القطعان

مراقبة الحالة الخفية لكابلات الطاقة

تعتمد المدن الحديثة على شبكات واسعة من كابلات الطاقة المدفونة للحفاظ على تشغيل الأنوار والقطارات ومراكز البيانات. لكن في عمق عازل هذه الكابلات تحدث شرارات كهربائية صغيرة — تُسمى التفريغات الجزئية — يمكن أن تتآكل المادة بهدوء لشهور أو سنوات قبل أن يتسبب فشل مفاجئ في إيقاف جزء من الشبكة. تعرض هذه الورقة طريقة مراقبة ذكية جديدة تلتقط هذه العلامات التحذيرية المبكرة في الوقت الحقيقي، حتى في بيئات حضرية صاخبة، وتحولها إلى تقييمات واضحة لصحة الكابل.

لماذا تشكل الشرارات الصغيرة مشكلة كبيرة

تُعد الكابلات تحت الأرض خيارًا شائعًا لأنها موثوقة وموفرة للمساحة وغير مرئية بصريًا. لكن عوازلها قد تطور عيوبًا صغيرة ناتجة عن عيوب تصنيع أو رطوبة أو إجهاد ميكانيكي. عندما يُطبَّق جهد عالي، قد تولد هذه النقاط الضعيفة نبضات صغيرة من التيار بدلًا من تدفق مستمر ونظيف. كل نبضة تُلحق ضررًا طفيفًا بالعازل المحيط، ومع مرور الوقت قد يتصاعد هذا الضرر إلى انهيار مفاجئ وانقطاع واسع في الطاقة. تستخدم طرق المراقبة التقليدية أجهزة استشعار صوتية أو حرارية أو بصرية أو راديوية، لكن كل منها له تنازلات: بعضها مكلف للنشر على مسافات طويلة، وبعضها يتأثر بسهولة بضوضاء البيئة، والعديد منها يتطلب خبراء لصياغة ميزات يدوية أو ضبط الإعدادات لكل نوع كابل جديد.

تعليم الآلات قراءة الإشارات الصاخبة

يتعامل الباحثون مع هذا التحدي بنهج قائم على البيانات يعتمد على شبكة اعتقاد عميق، وهي نوع من الشبكات العصبية متعددة الطبقات القادرة على تعلم الأنماط تلقائيًا من القياسات الخام. بدلًا من أن يصمم المهندسون ميزات الإشارة يدويًا، تكتشف الشبكة تمثيلات مفيدة لإشارات التفريغ الجزئي بنفسها. لمعالجة الطبيعة المستمرة للقياسات الواقعية بشكل أفضل، استبدل الفريق اللبنات الثنائية التقليدية بنسخة أكثر ملاءمة للبيانات التناظرية. ثم أضافوا تقنيتين مقتبستين من تعلم الآلة الحديث: DropConnect الذي يخفف الاتصالات داخل الشبكة عشوائيًا أثناء التدريب لمنع الإفراط في التكيّف، ونظام أوزان «مرن» يساعد النموذج على تذكر ما تعلّمه عند وصول أنواع بيانات جديدة مع مرور الزمن.

مواءمة الدماغ مستوحاة من السرب

حتى الشبكة العصبية الذكية قد تؤدي أداءً دون المستوى إذا اختُيرت بنيتها الداخلية — عدد الطبقات، عدد الخلايا العصبية، معدلات التعلم، وغيرها — عن طريق التخمين. لتجنب ذلك، قدم المؤلفون إجراء تحسين مستوحى من السلوك الجماعي في الطبيعة. جمعوا نموذج قطيع الكريل ونمط البحث المستوحى من الخفافيش ومسارات الطيران الحلزونية في خوارزمية واحدة ترسل سربًا افتراضيًا لاستكشاف العديد من تصميمات الشبكة الممكنة. يُقيَّم كل نموذج مرشح ليس فقط حسب مدى دقته في تصنيف حالات الكابل، بل أيضًأ حسب سرعته وحجمه. عبر تكرارات عديدة، يتقارب السرب نحو تكوينات تحقق أفضل توازن بين الدقة والسرعة واستخدام الموارد، منتجًا نموذجًا مدمجًا مناسبًا للنشر في المحطات والأجهزة الطرفية.

من بيانات المعمل إلى ضوضاء العالم الحقيقي

لاختبار إطار العمل، درّب الباحثون النموذج وقيموه على مجموعات بيانات بطاريات متاحة علنًا وبيانات كابل إضافية، وقارنوها بنماذج شائعة للتعلم العميق والهجينة. يؤدّي نموذجهم المحسّن بمفرده أفضل من الشبكات الالتفافية وطرق التعزيز التدرجي في مقاييس جودة معيارية مثل الدقة والاستدعاء ومساحة تحت منحنى المستقبل-المميّز. عند إضافة محسن السرب، يرتفع الأداء أكثر بينما ينخفض عدد المعاملات والعمليات الحسابية المطلوبة والبصمة الذاكرية ووقت التدريب بشكل ملحوظ. كما صمد النظام جيدًا عند إضافة ضوضاء قوية إلى القياسات الميدانية الحقيقية من خطوط الكابلات الحضرية، محافظًا على دقة أعلى من الطرق المنافسة حتى عند نسب إشارة إلى ضوضاء منخفضة جدًا.

ماذا يعني هذا للحفاظ على استمرار التيار

بعبارات بسيطة، توضح هذه الدراسة كيف يمكن لذكاء اصطناعي مدمج وقادر على الضبط الذاتي أن يستمع باستمرار إلى «نبض» الكابلات المدفونة الكهربائية الخافت ويكشف موثوقًا العلامات المبكرة للمشاكل. عبر اكتشاف التفريغات الجزئية مبكرًا وتمييز العيوب الطفيفة عن الشديدة، يمكن لمشغلي الشبكات تخطيط الصيانة بدلًا من الرد على الانقطاعات. يجمع الإطار المقترح بين فهم إشارة قوي، ومقاومة للضوضاء، وكفاءة حسابية، مما يجعله واعدًا للمراقبة المستمرة واسعة النطاق لشبكات الطاقة الحضرية، ومساعدة المدن على جعل إيصال الطاقة أكثر أمانًا وتكلفة-فعالية.

الاستشهاد: Hou, Y., Li, Y., Song, B. et al. Cable online partial discharge detection and state evaluation based on deep belief network and swarm intelligence optimization algorithm. Sci Rep 16, 13797 (2026). https://doi.org/10.1038/s41598-026-42730-6

الكلمات المفتاحية: مراقبة كابلات الطاقة, التفريغ الجزئي, التعلم العميق, موثوقية الشبكة الذكية, الصيانة التنبؤية