Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

מסגרת מודולציה של מאפיינים המודעת למקרה למיון ליקויים בקווי חשמל

· חזרה לאינדקס

שימור האור

החיים המודרניים תלויים בקווי חשמל החוצים בהירות הרים, שדות ועיריות. עם זאת, החומרה שמחזיקה את הקווים האלה באוויר נשחקת בהדרגה מהרוח, זיהום ומזג האוויר. גילוי ליקויים מסוכנים לפני שהם גורמים להפסקות חשמל חיוני, אך בדיקה ידנית איטית, יקרה ולעיתים מסוכנת. מחקר זה מציג דרך חכמה מבוססת מצלמה לבדוק בו‑זמנית כמה סוגי רכיבי קווי חשמל, באמצעות מודל בינה מלאכותית יחיד שלומד לזהות סוגים שונים של נזק.

מדוע רכיבי קווי חשמל דורשים תשומת לב מיוחדת

קווי טרנסמיסיה מעל הקרקע מסתמכים על מבודדים וחלקי מתכת כדי להפריד בבטחה מוליכים במתח גבוה ממגדלי הארקה. רכיבים אלה חשופים באופן מתמיד לאבק, מלח, לחות ושינויים בטמפרטורה, מה שעלול לגרום לחלודה, להיעדר חלקים ולשכבות לכלוך המעודדות זרמים חשמליים בלתי רצויים. בדיקות מסורתיות לעיתים דורשות טכנאים ההולכים מתחת לקווים, דופקים על חלקים או מודדים התנהגות חשמלית, שלעיתים מלוות על‑ידי רחפנים או מצלמות תרמיות. בעוד ששיטות אלה יעילות, הן עלולות לפספס בעיות עדינות, להטריד ברשתות גדולות ולדרוש כלים מרובים המותאמים לסוגי תקלה מסוימים.

Figure 1. איך מערכת בינה מלאכותית אחת בודקת חלקים רבים של קווי חשמל לגבי נזק באמצעות תמונות רגילות.
Figure 1. איך מערכת בינה מלאכותית אחת בודקת חלקים רבים של קווי חשמל לגבי נזק באמצעות תמונות רגילות.

לימוד מערכת אחת לטיפול בליקויים רבים

החוקרים פיתחו מסגרת בדיקה מבוססת תמונה חדשה בשם MS-CADFM-SSL שמטרתה להחליף פזורה של מודלים חד־מטרתיים במערכת מתואמת אחת. המערכת מאומנת על מאגר נתונים ציבורי של נכסי קווי חשמל הכולל חמישה קבוצות רכיבים נפוצות: מבודדי זכוכית, תחתיות/תלויות למנורת ברק, שריונות פולימריים, מחברים vari‑grip ותלויות יוק. כל קבוצה מכילה דוגמאות בריאות ופגומות, כגון כיסויי זכוכית חסרים, קורוזיה בקישורי מתכת או קיני ציפורים הסבוכים בחומרה. נתוני בדיקה אמיתיים בלתי מסודרים, עם סוגי ליקויים שמופיעים לעיתים נדירות ביחס לתנאים תקינים, ולכן המחברים משתמשים בעיבוד תמונה והגדלת נתונים נרחבת כדי לדמות זוויות ראייה ותאורה שונות.

איך המפקח החכם לומד מתמונות

בבסיס המסגרת ניצב רשת תמונה שלומדת תחילה דפוסים חזותיים כלליים מתמונות ללא תוויות, כגון קצוות, מרקמים וחספוס משטחים. שלב הלמידה העצמית הזה מקטין את הצורך במאגרי נתונים מסומנים ביד גדולים. הרשת לאחר מכן לומדת לחלץ מידע ברמות מרובות, מפרטים עדינים כמו כתמי חלודה ועד צורות רחבות כמו חלקים חסרים. מעל עמוד שדרה משותף זה, המודל מיישם מודולציית מאפיינים המודעת למקרה: עבור כל סוג רכיב, הוא משנה בעדינות את המשקל של אילו אותות חזותיים חשובים ביותר, כך שאותה רשת בסיס יכולה לשים לב לרמזים שונים כשמחליטים, למשל, על מחרוזת זכוכית לעומת יוק פלדה.

Figure 2. איך מאפייני תמונה משותפים מכוילים בצורה שונה כדי לזהות ליקויים בכמה רכיבי קווי חשמל.
Figure 2. איך מאפייני תמונה משותפים מכוילים בצורה שונה כדי לזהות ליקויים בכמה רכיבי קווי חשמל.

שמירה על הפרדה בין משימות אך בקשר

מכיוון שהמערכת משרתת כמה משימות בדיקה במקביל, עליה להימנע מ"שִׁיחַ חוצה" (cross-talk), שבו דפוסים שימושיים עבור רכיב אחד מבלבלים את האחר. כדי לטפל בכך, המחברים מצרפים כלל אימון נוסף המעודד את החלקים המיוחדים של המודל להתמקד בהיבטים שונים של המאפיינים המשותפים, במקום שכולם ידבקו לאותות זהים. הם גם מתאימים את תהליך הלמידה כדי לתת משקל גבוה יותר לדוגמאות ליקוי נדירות, מה שעוזר למודל להישאר רגיש לאירועים חריגים אך קריטיים. באמצעות בחירות עיצוב אלה, המסגרת מאזנת בין יתרונות הלמידה המשותפת למשימות לבין הצורך במגבלות ברורות ביניהן.

כמה טוב השיטה עובדת בפועל

כאשר נבחנה על חמשת מקרי הרכיבים, המסגרת משיגה ציונים גבוהים מאוד בדיוק, בהשגה ובדיוק הכולל, ומתעלה על מספר מתחרים מתקדמים בלמידה עמוקה. היא מזהה נכונה כמעט את כל הליקויים החמורים תוך שמירה על שיעור אזעקות שגויות נמוך, גם במצבים שבהם דוגמאות פגומות נדירות. ניסויים מדורגים מאשרים שכל רעיון שנוסף — מלמידה עצמית ומודולציית מאפיינים מודעת למקרה ועד כלל ההפרדה — תורם לשיפורי ביצועים. הסברים חזותיים מראים שהמודל נוטה להתמקד באזורים בעלי משמעות פיזית, כגון משטחים קורודיים או כיסויים חסרים, מה שיכול לתמוך מהנדסים הבוחנים את ההחלטות.

מה המשמעות עבור בדיקות רשת החשמל בעתיד

לא־מומחים יכולים להפיק את המסקנה המרכזית ששם: מערכת בינה מלאכותית אחת ומתוכננת היטב יכולה ללמוד להיות מבקרת ורסטילית במספר סוגי חומרה של קווי חשמל, במקום להצריך כלי נפרד לכל סוג. על ידי גילוי ליקויים מוקדם יותר והפחתת מאמץ ידני, מערכות כאלה עשויות לסייע לחברות התשתית לשמר אמינות תוך שליטה בעלויות. המחברים מציינים כי נותרו אתגרים לגבי ליקויים נדירים או זעירים וכי הניסויים הנוכחיים השתמשו בתמונות סטילס. הם מציעים להרחיב את הגישה לווידאו, תמונות תרמיות ונתוני חיישנים נוספים, ולבסוף להוסיף חיזוי חומרת הליקוי כדי להנחות את צוותי התחזוקה בצורה יעילה יותר.

ציטוט: 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

מילות מפתח: בקרת קווי חשמל, ליקויי בידוד, למידה עמוקה, למידת משימות מרובות, ניטור תשתיות