בדיקה לא־פוגענית של משטחי להבים ברמת דיוק גבוהה באמצעות רשתות טרנספורמר לומדות־עצמיות

שמירה על בטיחות מנועי הסילון באוויר

כל טיסה מסחרית תלויה בלהבי הטורבינה הסובבים עמוק בתוך מנועי הסילון בטמפרטורות גבוהות ומהירויות עצומות. אם הציפוי המגן על הלהבים מתחיל לסדוק, להיחרב או להתקלף, היעילות יורדת והסיכון לכשל עולה. מחקר זה בוחן כיצד מערכת בינה מלאכותית יכולה לאתר באופן אוטומטי פגמים זעירים במשטחי להבים מתוך תמונות, מבטיחה בדיקות מהירות ומהימנות יותר וטיסות בטוחות וזולות יותר.

למה פגמים זעירים במשטח חשובים

הלהבים בתוך מנוע הסילון נחשפים לחום לוהט, לשינויים מהירים בלחץ ולתערובת מאכלת של גזים וחלקיקים. כדי לשרוד, הם מצופים בציפויים מיוחדים שמשמשים כשריון תרמי וצבע נגד חלודה. עם הזמן, הציפויים האלה עלולים לפתח סדקים שיעריים, חורים, אזורים מתקלפים ושלוליות כלואות קטנות בתוך המשטח. אם לא יבחינו בהם, הפגמים הללו עלולים לגדול, להחליש את הלהב, להעלות את צריכת הדלק ובמקרים קיצוניים לתרום לכשל מנוע. הבדיקות המקובלות כיום מסתמכות במידה רבה על בודקים אנושיים שמשתמשים במצלמות, באולטרסאונד או בדימות חום. שיטות אלה עובדות, אך הן איטיות, תובעניות במאמץ ועלולות לפספס את הפגמים הקטנים ביותר על משטחים מעוקלים ומבריקים.

מבדיקות ידניות למכונות לומדות

בשנים האחרונות מערכות ראייה ממוחשבת המבוססות על למידה עמוקה התחילו לסייע במשימות בדיקה תעשייתיות. רשתות עמוקות מסורתיות הנקראות רשתות קונבולוציה טובות בזיהוי דפוסים מקומיים, כמו סדק באזור שטוח קטן. אך הן מתקשות כאשר המשטח מעוקל, התאורה לא אחידה או שהפגמים מפוזרים בחלקים שונים של אותה תמונה. מחקרים קודמים התמקדו בעיקר בחומרים שטוחים כגון לוחות מעגלים או גיליונות פלדה, שאינם מייצגים את המורכבות הוויזואלית של להבי מנוע אמיתיים. מודלים חדשים הידועים כטרנספורמרים לראייה, שפיתחו במקור לזיהוי תמונות, יכולים להסתכל על כל תמונה בבת אחת וללמוד כיצד חלקים מרוחקים בתמונה קשורים זה לזה. מבט רחב זה הופך אותם למבטיחים בבעיות בדיקה קשות שבהן גם הפרטים הדקים וגם המבנה הכללי חשובים.

דרך חדשה לראות להבים בתוך מנועים

המחברים מציעים מערכת בדיקה המבוססת על מודל הנקרא Swin Transformer, המותאם במיוחד ללהבי טורבינות ודחיסה. ראשית אוספים תמונות בעלות רזולוציה גבוהה של להבים אמיתיים ממערכי ניסוי במעבדה, מבורסקופים בתוך מנועים וממאגרי נתונים ציבוריים. כל פגם — כגון סדק, שקע, חור או כלוא — מסומן בקפידה על ידי מומחים כדי שהמודל יוכל ללמוד מדוגמאות ברורות. לפני האימון התמונות עוברות תהליך ניקוי מותאם: התאורה מיושרת, הרעשים מצומצמים מבלי לטשטש את קצוות הפגמים והצבעים מומרצים לצורה המדגישה שינויים מזעריים במשטח. לאחר מכן התמונות משתנות באופן מלאכותי על ידי סיבוב, היפוך, שינוי בהירות והדבקת פגמים סינתטיים, כך שהמערכת לומדת להתמודד עם תנאים רבים מהשדה.

איך המפקח החכם עובד

לאחר ההכנה, כל תמונת להב נחתכת לטלאים ריבועיים קטנים שמוזנים ל־Swin Transformer. בתוך המודל, קבוצות של טלאים שכנים נבדקות דרך "חלונות" הזזים המשתנים בין השכבות, מה שמאפשר למערכת לקלוט גם פרטים זעירים וגם את הסביבה הרחבה שלהם. מבנה תשומת הלב הרב־שכבתי הזה מאפשר למודל לקשר קו חלש על פני הלהב עם דפוסים רחבים יותר של נזק בציפוי. מעל השלד הזה מודול נוסף משלב מידע מקני מדרג שונים כך שניתן לזהות יחד גם חורים זעירים וגם אזורים מתקלפים גדולים. המערכת המאומנת יכולה אז, בשבריר שנייה, לסמן היכן נמצא כל פגם על הלהב ולהחליט לאיזו קטגוריה הוא שייך.

מה הראיות הביאו

כדי לשפוט ביצועים השוו החוקרים את הגישה שלהם מול רשתות עמוקות ידועות שמיושמות רבות בניתוח תמונה. ה־Swin Transformer שלהם הגיע לכ־98% דיוק בהבחנה בין אזורים פגומים ללא פגם ובתיוג ארבעת סוגי הפגמים העיקריים: שקע, סדק, פורוזיות וכלוא. הוא זיהה כמעט את כל הפגמים האמיתיים תוך שמירה על שיעור התרעות שווא נמוך, ומיקם את מיקום הפגמים בדיוק רב, אפילו כאשר הפגמים היו ברוחב עשיריות המילימטר. הניסויים הראו גם שכל חלק בצנרת היה משמעותי: שיפור בעיבוד התמונות ובהרחבת הנתונים העלה את התוצאות, אך הקפיצה הגדולה ביותר הגיעה מהמעבר לארכיטקטורת ה־Swin Transformer עצמה. המערכת סיפקה ביצועים אלה עם זמני עיבוד מהירים המתאימים לשימוש במהלך תחזוקה שוטפת.

מה המשמעות לטיסות בעתיד

באופן פשוט, עבודה זו מראה שמפקח בינה מלאכותית יכול לפקח על להבי מנועי סילון ברמת דיוק ועקביות שעולה על שיטות רבות כיום, במיוחד לגבי הפגמים הקשים ביותר לזיהוי. על ידי סימון אוטומטי של סדקים וחורים זעירים לפני שיהפכו לרציניים, מערכות כאלה יכולות לקצר זמני בדיקה, להפחית את התלות במומחים מעטים ולעזור למנוע כשלונות יקרים או מסוכנים. המחברים מדמיינים את שילוב המודל בקווי תחזוקה אוטומטיים, בעבודה לצד מצלמות רובוטיות ולבסוף תאומים דיגיטליים שעוקבים אחרי בריאות המנוע לאורך כל חייו. לנוסעים, התוצאה הסופית היא לא רק אלגוריתמים חכמים יותר — אלא טיסות שקטות, נקיות ובטוחות יותר.

ציטוט: 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

מילות מפתח: בדיקת להבי מנוע סילון, גילוי פגמים במשטח, ראייה עמוקה, מודלים מבוססי טרנספורמר, תחזוקה תעופתית