Elektrik hatlarındaki kusur sınıflandırması için durum farkındalıklı özellik modülasyon çerçevesi

Elektrikler yanmaya devam etsin

Modern yaşam, dağlardan, tarlalardan ve şehirlerden sessizce geçen enerji hatlarına dayanıyor. Ancak bu hatları havada tutan donanım rüzgâr, kir ve hava koşulları altında zamanla aşınıyor. Kapanmalara yol açmadan önce tehlikeli kusurları tespit etmek hayati önemde; ancak manuel denetimler yavaş, maliyetli ve bazen riskli oluyor. Bu çalışma, tek bir yapay zekâ modelinin birçok farklı hasar türünü tanımayı öğrendiği, birden fazla türde elektrik hattı parçasını aynı anda kontrol eden daha akıllı, kamera tabanlı bir yöntemi tanıtıyor.

Neden elektrik hattı parçaları daha yakından incelenmeli

Havai iletim hatları, yüksek gerilimli iletkenleri topraklı kulelerden güvenli şekilde ayırmak için izolatörlere ve metal bağlantı elemanlarına dayanır. Bu bileşenler sürekli olarak toz, tuz, nem ve sıcaklık değişimlerine maruz kalır; bu da paslanma, eksik parçalar ve istenmeyen elektrik akımlarını teşvik eden kir tabakalarına yol açabilir. Geleneksel kontroller genellikle teknisyenlerin hatların altından yürüyüp parçaları tıklatmasını veya elektriksel davranışı ölçmesini, bazen drone’lar veya termal kameralarla desteklenmesini içerir. Yararlı olsalar da bu yaklaşımlar ince problemleri kaçırabilir, geniş ağlarla baş etmekte zorlanabilir ve belirli arıza türlerine yönelik çoklu aletler gerektirebilir.

Tek bir sistemi birçok kusuru ele alacak şekilde eğitmek

Araştırmacılar, tek amaçlı modellerin yamalı yapısını tek koordine sistemle değiştirmeyi hedefleyen MS-CADFM-SSL adında yeni bir görüntü tabanlı denetim çerçevesi geliştirdiler. Sistem, cam izolatörler, yıldırım direği askıları, polimer zımbalar, vari-grip konnektörler ve yoke askıları olmak üzere beş yaygın bileşen grubunu içeren halka açık bir enerji hattı varlık veri kümesi üzerinde eğitildi. Her grup, eksik cam kapaklar, metal bağlantılardaki korozyon veya donanımlara dolaşmış kuş yuvaları gibi hem sağlıklı hem de arızalı örnekler içerir. Gerçek denetim verileri dağınıktır; bazı arıza türleri normal koşullara göre çok daha az görülür, bu nedenle yazarlar farklı görüş açıları ve aydınlatmayı taklit etmek için kapsamlı görüntü ön işleme ve artırma yöntemleri kullanıyorlar.

Akıllı denetçi resimlerden nasıl öğreniyor

Çerçevenin merkezinde, etiketlenmemiş görüntülerden kenarlar, dokular ve yüzey pürüzlülüğü gibi genel görsel desenleri önce kendi kendine öğrenen bir görüntü ağı bulunuyor. Bu kendini eğitme adımı, büyük el ile etiketlenmiş veri kümelerine olan ihtiyacı azaltıyor. Ağ daha sonra pas lekeleri gibi ince detaylardan eksik parçalar gibi daha geniş şekillere kadar çok seviyeli bilgi çıkarmayı öğreniyor. Bu paylaşılan omurga üzerine, model durum farkındalıklı özellik modülasyonu uyguluyor: her bileşen türü için hangi görsel sinyallerin en önemli olduğunu nazikçe yeniden ağırlıklandırarak aynı temel ağın cam dizisi ile çelik yoke’u değerlendirirken farklı ipuçlarına odaklanmasını sağlıyor.

Görevleri ayrı tutarken hâlâ bağlantılı kılmak

Sistem aynı anda birkaç denetim görevine hizmet ettiğinden, bir bileşen için faydalı olan desenlerin diğerini karıştırdığı “çapraz konuşturma”dan kaçınması gerekiyor. Bunu ele almak için yazarlar, modelin özelleşmiş parçalarını paylaşılan özelliklerin farklı yönlerine odaklanmaya iten ek bir eğitim kuralı getiriyor; böylece tüm parçalar aynı ipuçlarına yapışmıyor. Ayrıca öğrenme sürecini nadir arıza örneklerine daha fazla ağırlık verecek şekilde ayarlıyorlar; bu, modelin nadir ama kritik arızalara karşı duyarlı kalmasına yardımcı oluyor. Bu tasarım tercihleriyle çerçeve, görevler arasındaki paylaşılan öğrenmenin faydalarını bunlar arasında net sınırlar tutma gereğiyle dengeliyor.

Bu yaklaşım pratikte ne kadar iyi çalışıyor

Beş bileşen vakasının tamamında test edildiğinde, çerçeve kesinlik, duyarlılık ve genel doğruluk açısından çok yüksek puanlar elde ederek birkaç gelişmiş derin öğrenme rakibini geride bırakıyor. Hasarlı örneklerin az olduğu durumlarda bile neredeyse tüm ciddi kusurları doğru şekilde tespit ederken yanlış alarm oranını düşük tutuyor. Adım adım yapılan deneyler, kendinden denetimli öğrenmeden durum farkındalıklı modülasyona ve ayrıştırma kuralına kadar eklenen her bir fikrin performans artışına katkıda bulunduğunu doğruluyor. Görsel açıklamalar, modelin korozyona uğramış yüzeyler veya eksik kapaklar gibi fiziksel açıdan anlamlı bölgelere odaklanma eğiliminde olduğunu gösteriyor; bu da kararları gözden geçiren mühendisleri destekleyebilir.

Gelecekteki enerji şebekesi denetimleri için ne anlama geliyor

Uzman olmayanlar için ana mesaj, tek, iyi tasarlanmış bir yapay zekânın her bir parça için ayrı bir araç gerektirmek yerine çok çeşitli elektrik hattı donanımlarında çok yönlü bir denetçi olmayı öğrenebileceği. Arızaları daha erken yakalayarak ve manuel çabayı azaltarak bu tür sistemler, işletmelere güvenilirliği korumaya yardımcı olurken maliyetleri kontrol altında tutabilir. Yazarlar çok nadir veya çok küçük kusurlar için zorlukların devam ettiğini ve mevcut testlerin hâlâ görüntülerle yapıldığını not ediyor. Yaklaşımı videoya, termal görüntülere ve diğer sensör verilerine genişletmeyi ve nihayetinde bakım ekiplerini daha etkili yönlendirmek için kusur şiddetinin tahminini eklemeyi öneriyorlar.

Atıf: 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

Anahtar kelimeler: elektrik hattı denetimi, izolatör kusurları, derin öğrenme, çoklu görev öğrenimi, altyapı izleme