Leakage-Safe Cross-Domain Partial-Discharge Void Diagnosis: A Benchmark on the PURE Dataset

تُعد كابلات الطاقة ذات الجهد العالي بمثابة الشرايين التي تغذي الحضارة الحديثة، حيث تنقل الكهرباء عبر المدن والمناظر الطبيعية. وللحفاظ على تشغيلها بأمان، يجب على المهندسين اكتشاف علامة تحذيرية دقيقة تُسمى "التفريغ الجزئي" (partial discharge). هذا ليس انقطاعاً كهربائياً كاملاً يسبب انقطاع التيار، بل هو شرارة صغيرة موضعية تقفز عبر فجوة صغيرة داخل العازل. ومع مرور الوقت، تعمل هذه الشرارات على تآكل المادة، مما يؤدي في النهاية إلى حدوث عطل. لعقود من الزمن، حاول الخبراء بناء برامج حاسوبية يمكنها "الاستماع" إلى هذه الشرارات وتحديد نوع العيب المسبب لها بدقة. وكان الأمل يكمن في أن يتمكن خوارزمية ذكية من النظر إلى شكل النبضة الكهربائية والتمييز بين وجود فقاعة هواء واحدة محبوسة داخل البلاستيك، أو فقاعتين متجاورتين، أو فقاعتين فوق بعضهما البعض. وإذا استطاع الحاسوب القيام بذلك بشكل موثوق، فسيتمكن من التنبؤ بأعطال الكابلات قبل وقوعها.

ومع ذلك، كشفت دراسة جديدة عن عقبة كبيرة في هذا المسعى. فبينما يمكن للنماذج الحاسوبية أن تصبح دقيقة للغاية عند اختبارها على بيانات من نفس الظروف التي تدربت عليها، إلا أنها غالباً ما تفشل تماماً عندما تواجه موقفاً مختلفاً قليلاً في العالم الحقيقي. وقد وضع باحثون من جامعة آنهوي للعلوم والتكنولوجيا نصب أعينهم اختبار هذه المشكلة باستخدام مجموعة عامة من القياسات الكهربائية. أرادوا معرفة ما إذا كان النموذج المدرب على التعرف على العيوب في نوع واحد من البلاستيك وتحت نوع واحد من الجهد الكهربائي، لا يزال قادراً على التعرف على تلك العيوب نفسها عند تغير نوع البلاستيك أو تغير الجهد. وتشير نتائجهم إلى أن الجيل الحالي من أدوات التشخيص هذه أقل متانة بكثير مما كان يُعتقد سابقاً، وأن الطريقة التي كان يختبر بها الباحثون هذه الأدوات في الماضي ربما كانت تخفي هذا الضعف.

ركز الباحثون على مجموعة بيانات محددة تحتوي على الآلاف من النبضات الكهربائية المسجلة من رقائق بلاستيكية رقيقة. كانت هذه الرقائق تحتوي على ثقوب اصطناعية تم حفرها لمحاكاة ثلاثة أنواع مختلفة من العيوب: ثقب واحد، وثقبان جنباً إلى جنب، وثقبان على خط واحد. جُمعت البيانات تحت أربعة ظروف مختلفة: نوعان من البلاستيك (البولي إيثيلين منخفض الكثافة والبولي بروبيلين) ونوعان من الضغط الكهربائي (التيار المتردد والتيار المستمر). في المجمل، حللت الدراسة 5,800 نبضة فردية مقسمة إلى 58 ملف تسجيل منفصلاً. وكانت الخطوة الحاسمة التي اتخذها الفريق هي التعامل مع كل ملف تسجيل كامل كوحدة واحدة. ففي الدراسات السابقة، غالباً ما كان الباحثون يخلطون النبضات الفردية من الملف نفسه بين مجموعتي التدريب والاختبار؛ وهذا يشبه إعطاء طالب اختباراً تجريبياً ثم اختباره في نفس الأسئلة تماماً، مما يؤدي إلى تضخيم النتيجة. ومن خلال إبقاء جميع النبضات من ملف واحد معاً، ضمن الباحثون عندما اختبروا النموذج أنه يواجه بالفعل جلسة قياس جديدة وغير مرئية، وليس مجرد نبضة أخرى من جلسة سبق له حفظها.

وعندما اختبر الباحثون نماذجهم باستخدام هذه الطريقة الصارمة والخالية من تسرب البيانات، كانت النتائج صارخة. فالنموذج الحاسوبي القياسي الذي حقق أداءً مثالياً تقريباً عند اختباره على بيانات من نفس نوع المادة والجهد، شهد انهياراً في دقته عندما تغيرت الظروف. فعندما طُلب من النموذج تحديد العيوب في نوع مختلف من البلاستيك، انخفضت قدرته على تصنيف العيوب بشكل صحيح إلى مستوى يكاد لا يتجاوز التخمين العشوائي. وبالمثل، عندما تغير نوع الجهد من متردد إلى مستمر، تدهور أداء النموذج بشكل حاد. وكانت النتيجة الأكثر إثارة للقلق هي أن النموذج فشل تماماً في التعرف على عيب "الثقب الواحد" في هذه الظروف الجديدة، حيث كان غالباً ما يشخصه بشكل خاطئ كنوع آخر من العيوب أو يتجاهله تماماً. وقد حدث هذا الفشل بغض النظر عما إذا كان الباحثون قد استخدموا أدوات إحصائية بسيطة أو شبكات تعلم عميق حديثة ومعقدة. وحتى عندما حاول الباحثون تعليم النماذج أن تكون "مستقلة عن النطاق" (domain-invariant) — أي أنهم حاولوا إجبار النماذج على تجاهل الاختلافات بين أنواع البلاستيك وظروف الجهد — لم تتمكن النماذج من التعرف على العيوب في البيئات الجديدة.

كما بحثت الدراسة في أسباب وقوع هذه الإخفاقات. ووجدوا أن المشكلة لم تكن في كون النماذج بسيطة جداً أو تفتقر إلى قوة حوسبة كافية، بل إن النماذج تعلمت الاعتماد على إشارات دقيقة خاصة بالظروف الدقيقة لبيانات التدريب، مثل الطريقة المحددة التي يتفاعل بها البلاستيك مع الجهد أو البصمة الفريدة لمعدات التسجيل. وعندما تغيرت تلك الظروف، اختفت الإشارات التي اعتمدت عليها النماذج، فأصبحت النماب كأنها عمياء. واكتشف الباحثون أن العامل الأكثر حرجاً للفشل هو كيفية تغير أنواع العيوب المختلفة بالنسبة لبعضها البعض في البيانات. فإذا لم يستطع النموذج الحفاظ على تميز هوية "عيب الثقب الواحد" عن غيره من العيوهات عند تغير البيئة، فإن النظام بأكمله يفشل. كما اختبروا تقنية تسمى "تعزيز البيانات" (data augmentation)، حيث يتم تعديل بيانات التدريب اصطناعياً بإجراء تغييرات طفيفة مثل إضافة الضجيج أو إزاحة الإشارة في الزمن. ساعدت هذه التقنية النموذج على الأداء بشكل أفضل عندما تم تدريبه على مزيج من جميع الظروف الأربعة ثم اختباره على ظرف جديد، لكنها لم تساعد عندما تم تدريب النموذج على ظرف واحد فقط واختباره على ظرف آخر.

ولعل الجزء الأكثر إحباطاً في البحث جاء من مجموعة صغيرة من البيانات المتعلقة بكابلات طاقة فعلية، بدلاً من الرقائق البلاستيكية الرقيقة المستخدمة في الاختبارات الرئيسية. فقد كانت النماذج، التي تم تدريبها على الرقائق البلاستيكية، عاجزة تماماً عن التعرف على العيوب في الكابلات الحقيقية؛ حيث صنفت كل سجل للكابل بشكل خاطئ، وكانت تخمن باستمرار النوع الخاطئ من العيوب. وهذا يشير إلى أن النماذج قد تعلمت تمثيلاً للعيوب خاصاً بالرقائق البلاستيكية الرقيقة ولم ينتقل إلى الهندسة المعقدة لكابل حقيقي. وخلص الباحثون إلى أنه بينما تعد هذه النماذج ممتازة في وصف ما رأته بالفعل، إلا أنها ليست جاهزة بعد ليتم الوثوق بها في مهمة تشخيص خطوط طاقة جديدة وغير مرئية.

لا تدعي الدراسة أن الذكاء الاصطناعي لا يمكنه حل هذه المشكلة، لكنها تجادل بأن الطريق للمضي قدماً يتطلب تغييراً جذرياً في كيفية تقييم هذه الأدوات. إن الممارسة الحالية المتمثلة في تقديم درجات دقة عالية بناءً على بيانات ليست مستقلة حقاً هي ممارسة مضللة. لبناء أداة تشخيص موثوقة، يجب على المهندسين اختبار نماذجهم على بيانات تأتي من مواد مختلفة، وجهود مختلفة، وإعدادات تسجيل مختلفة، تماماً كما سيواجهها النظام في العالم الحقيقي. ويقترح الباحثون معياراً جديداً للاختبار يفصل بيانات التدريب عن بيانات الاختبار على مستوى ملف التسجيل الكامل، مما يضمن عدم تسرب أي معلومات بينهما. كما يؤكدون على ضرية إبلاغ النتائج بشكل منفصل لكل نوع من أنواع العيوب ولكل نوع من أنواع التحولات، لأن النموذج قد يعمل جيداً لنوع واحد من العيوب ولكنه يفشل تماماً في نوع آخر. وإلى أن تجتاز هذه النماذج هذه الاختبارات الصارمة، وإلى أن يثبت عملها عبر الظروف الفيزيائية المختلفة، فإن الوعد بتشخيص آلي للكابلات يظل بعيد المنال. ويعد هذا العمل بمثابة "وقفة واقع" ضرورية، تذكر المجتمع العلمي بأن الدقة العالية في مختبر محكوم لا تضمن السلامة في الميدان.