إطار تعديل ميزات واعٍ بالحالة لتصنيف العيوب في خطوط الكهرباء

الحفاظ على استمرار التيار

تعتمد الحياة الحديثة على خطوط الكهرباء التي تمتد بهدوء عبر الجبال والحقول والمدن. ومع ذلك، فإن المعدات التي تحمل هذه الخطوط تتآكل ببطء تحت تأثير الرياح والتلوث والطقس. إن اكتشاف العيوب الخطرة قبل أن تتسبب في انقطاعات حاسمة أمر بالغ الأهمية، لكن التفتيش اليدوي بطيء ومكلف وأحياناً محفوف بالمخاطر. تقدّم هذه الدراسة طريقة أذكى تعتمد على الكاميرا لفحص عدة أنواع من مكوّنات خطوط الكهرباء دفعة واحدة، باستخدام نموذج ذكاء اصطناعي واحد يتعلّم التعرف على أنواع مختلفة من الأضرار.

لماذا تحتاج مكوّنات خطوط الكهرباء إلى نظرة أقرب

تعتمد خطوط النقل الهوائية على العوازل والتركيبات المعدنية للحفاظ على فصل الموصلات عالية الجهد عن الأبراج المؤرضة بأمان. تتعرض هذه المكوّنات باستمرار للغبار والملح والرطوبة وتقلبات الحرارة، مما قد يؤدي إلى الصدأ وفقدان أجزاء وطبقات من الأوساخ التي تشجع التيارات الكهربائية غير المرغوب فيها. غالباً ما تتضمن الفحوص التقليدية مشي الفنيين تحت الخطوط، طرق الأجزاء أو قياس السلوك الكهربائي، أحياناً بمساعدة طائرات مسيرة أو كاميرات حرارية. ورغم فائدتها، فقد تفوّت هذه الطرق مشكلات طفيفة، وتواجه صعوبات مع الشبكات الكبيرة، وتتطلّب أدوات متعددة مخصّصة لأنواع خلل محددة.

تعليم نظام واحد للتعامل مع العديد من العيوب

بنَى الباحثون إطار تفتيش جديد قائم على الصور سمّوه MS-CADFM-SSL يهدف إلى استبدال مجموعة من النماذج أحادية الغرض بنظام منسق واحد. تم تدريبه على مجموعة بيانات عامة لممتلكات خطوط الكهرباء تضم خمس مجموعات مكوّنات شائعة: عوازل زجاجية، تعليقات صواعق البرق، مشابك بوليمرية، موصلات متغيرة القبضة (vari-grip)، وتعليقات يوغ (yoke). تحتوي كل مجموعة على أمثلة سليمة ومعيبة، مثل أغطية زجاجية مفقودة أو تآكل في روابط معدنية أو أعشاش طيور متشابكة في الأجهزة. بيانات الفحص الحقيقية فوضوية، مع ظهور بعض أنواع العيوب أقل بكثير من الحالات الطبيعية، لذا يستخدم المؤلفون معالجة صور موسّعة وتوليد بيانات لتعزيز تعدّد الزوايا والإضاءة.

كيف يتعلّم المفتش الذكي من الصور

في قلب الإطار شبكة صور تعلّم أولاً أنماطاً بصرية عامة من صور غير معنونة، مثل الحواف والأنسجة وخشونة السطح. تقلّل خطوة التدريب الذاتي هذه الحاجة لمجموعات بيانات معنونة يدوياً كبيرة. ثم تتعلّم الشبكة استخراج معلومات على مستويات متعددة، من تفاصيل دقيقة كبقع الصدأ إلى أشكال أوسع مثل الأجزاء المفقودة. وعلى قمة هذا العمود الفقري المشترك، يطبّق النموذج تعديل ميزات واعٍ بالحالة: لكل نوع مكوّن، يعيد وزن الإشارات البصرية بلطف ليحدّد أيها الأهم، بحيث يمكن للشبكة الأساسية نفسها أن تولي الاهتمام إلى دلائل مختلفة عند تقييم، على سبيل المثال، سلسلة زجاجية مقابل يوغ فولاذي.

الحفاظ على فصل المهام مع إبقائها مترابطة

بما أن النظام يخدم عدّة مهام تفتيشية في آن واحد، فلا بدّ له من تجنّب «التداخل»، حيث تُربك الأنماط المفيدة لمكوّن واحد مكوّناً آخر. لمعالجة ذلك، يقدّم المؤلفون قاعدة تدريب إضافية تدفع الأجزاء المتخصّصة من النموذج للتركيز على جوانب مختلفة من الميزات المشتركة بدلاً من أن تتعلق جميعها بنفس المؤشرات. كما يعدّلون عملية التعلم لإعطاء وزن أكبر لأمثلة العيوب النادرة، مما يساعد النموذج على البقاء حساساً للأعطال غير الشائعة لكنها حرجة. ومن خلال هذه الخيارات التصميمية، يوازن الإطار فوائد التعلّم المشترك عبر المهام مع الحاجة إلى حدود واضحة بينها.

مدى فعالية النهج في التطبيق العملي

عند اختباره على القضايا الخمس لجميع المكوّنات، يحقق الإطار درجات عالية جداً في الدقة والاسترجاع والدقة الإجمالية، متفوقاً على عدة نماذج متقدمة في التعلم العميق. يحدد بشكل صحيح تقريباً جميع العيوب الشديدة مع المحافظة على إنذارات كاذبة منخفضة، حتى في حالات ندرة أمثلة التضرر. تؤكد تجارب خطوة بخطوة أن كل فكرة مضافة، من التعلّم الذاتي إلى تعديل الميزات الواعٍ بالحالة وقاعدة الفصل، تسهم في مكاسب الأداء. وتُظهر التوضيحات البصرية أن النموذج يميل إلى التركيز على مناطق ذات معنى فيزيائي، مثل الأسطح المتآكلة أو الأغطية المفقودة، مما يمكن أن يدعم المهندسين عند مراجعة القرارات.

ما يعنيه هذا لفحوصات شبكة الكهرباء مستقبلًا

بالنسبة لغير المتخصصين، الرسالة الأساسية أن نظام ذكاء اصطناعي واحد مصمّم جيداً يمكن أن يتعلّم أن يكون مفتشاً متعدد الاستخدامات عبر أنواع عديدة من أجهزة خطوط الكهرباء، بدلاً من الحاجة إلى أداة منفصلة لكل حالة. من خلال اكتشاف الأعطال مبكراً وتقليل الجهد اليدوي، يمكن لمثل هذه الأنظمة أن تساعد شركات المرافق على الحفاظ على الموثوقية مع ضبط التكاليف. يلاحظ المؤلفون أن تحديات تبقى أمام العيوب النادرة جداً أو الصغيرة وأن الاختبارات الحالية تستخدم صوراً ثابتة. يقترحون توسيع النهج ليشمل الفيديو والصور الحرارية وأنواع أخرى من بيانات المستشعرات، وفي نهاية المطاف إضافة تقدير شدة العيب لتوجيه فرق الصيانة بشكل أكثر فعالية.

الاستشهاد: Ezzulddin, N.F., Abdulkareem, Z.M., Alsabti, S.M.B. et al. A case-aware feature modulation framework for defect classification in power lines. Sci Rep 16, 16419 (2026). https://doi.org/10.1038/s41598-026-53001-9

الكلمات المفتاحية: تفتيش خطوط الكهرباء, عيوب العوازل, التعلّم العميق, التعلّم متعدد المهام, مراقبة البنى التحتية