Enhanced aero-engine blade defect detection network: MESFR-DETR with multi-scale edge selection and feature reconstruction
تقترح هذه الورقة شبكة MESFR-DETR، وهي شبكة محولات كشف في الوقت الفعلي محسنة تتميز بوحدات اختيار الحواف متعددة المقاييس وإعادة بناء الميزات لمعالجة تحديات اكتشاف العيوب الصغيرة وضعيفة الميزات في شفرات المحركات التوربينية بفعالية، مما يحقق دقة وكفاءة فائقتين في كل من مجموعات البيانات الاصطناعية والواقعية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
إن قلب الطائرة الحديثة هو محركها، وهو أعجوبة هندسية حيث يتم تسخير الحرارة الشديدة والضغط الهائل لتوليد قوة الدفع. وداخل هذا النظام، تُعد شفرات التوربينات هي المكونات الأكثر حيوية، حيث تدور بسرعات مذهلة لضغط الهواء ودفع المحرك للأمام. ولأن هذه الشفرات تعمل في مثل هذه البيئة القاسية، فإنها تتعرض باستمرار للضربات بفعل الحرارة، والاهتزاز، والأجسام الغريبة، مما يؤدي إلى عيوب دقيقة مثل الخدوش أو الانبعاجات أو التآكل. وحتى العيب المجهري يمكن أن يتطور إلى فشل كارثي، مما يهدد سلامة الرحلة بأكملها. ولعقود من الزمن، اعتمد ضمان سلامة هذه الشفرات على المفتشين البشريين، الذين يستخدمون كاميرات متخصصة وأعينهم المدربة لمسح كل سطح. ورغم فعاليتها، إلا أن هذه العملية اليدوية بطيئة وغير متسقة، وعرضة للخطأ البشري، خاصة عندما تكون العيوب صغيرة جداً أو باهتة بحيث يصعب رؤيتها بسهولة.
ولحل هذه المشكلة، اتجه الباحثون إلى الرؤية الحاسوبية، حيث قاموا بتعليم الآلات كيف "ترى" العيوب بالطريقة التي يراها بها المفتش البشري. ومع ذلك، غالباً ما تعاني أدوات الرؤية الحاسوبية القياسية من التحديات الفريدة لشفرات المحركات؛ فهي تميل إلى فقدان التفاصيل الدقيقة عالية التردد — مثل الحافة الحادة لخدش أو الظل الخفي لانبعاج — عند معالجة الصور، تماماً كما تؤدي الصورة منخفضة الدقة إلى طمس الأنسجة الدقيقة. علاوة على على ذلك، تعتمد العديد من الأنظمة الموجودة على عمليات معقدة متعددة الخطوات، وهي بطيئة وصعبة النشر في المصانع الواقعية. وقد طور فريق من الباحثين في معهد هاربين للتكنولوجيا نهجاً جديداً لسد هذه الفجوة، حيث ابتكروا نظاماً يتميز بدقة عالية وسرعة كافية للفحص في الوقت الفعلي.
لقد قدم الباحثون، بقيادة ديباو وي وزملائه، شبكة كشف جديدة تسمى MESFR-DETR. صُمم هذا النظام خصيصاً للعثور على أصغر العيوب وأكثرها مراوغة في شفرات المحركات الجوية. وخلافاً للطرق القديمة التي قد تغفل عن خدش صغير لأنه يندمج في الخلفية، فقد بُنيت هذه الشبكة الجديدة لتولي اهتماماً إضافياً بالحواف والتفاصيل الدقيقة. ويكمن جوهر ابتكارهم في ثلاثة تحسينات محددة لكيفية معالجة الكمبيوتر للصورة. أولاً، أضافوا وحدة تعمل بمثابة مرشح (فلتر) للحدة، حيث تعمل على تعزيز حواف الشفرة وأي عيوب عليها بشكل ديناميكي. وهذا يضمن تحديد الحدود بين السطح السليم والخدش بوضوح قبل أن يحاول الكمبيوتر التعرف عليه.
ثانياً، أعاد الفريق تصميم الجزء من النظام الذي يبحث عن الأنماط عبر الصورة بأكملها. فبدلاً من مجرد النظر في بقع محلية، يفهم هذا الجزء الجديد العلاقة بين أجزاء الشفرة المختلفة في آن واحد. كما يتضمن تقنية تحلل الصورة من حيث التردد، مما يسمح للنظام بالتمييز بين الخلفية المعدنية الناعمة ذات التردد المنخفض، والإشارات عالية التردد والمتعرجة للعيوب. يساعد هذا النهج المزدوج النظام على تجاهل ضجيج نسيج المحرك مع التركيز على الأشكال الحادة وغير المنتظمة للتلف. وأخيراً، أعادوا بناء قدرة الشبكة على دمج المعلومات من مستويات مختلفة من التفاصيل. فمن خلال الاحتفاظ برؤية عالية الدقة للشفرة جنباً إلى جنب مع الرؤية الأوسع والأقل دقة، يمكن للنظام اكتشاف العيوب الصغيرة التي قد تضيع لولا ذلك أثناء معالجة الصورة عبر الطبقات العميقة للشبكة.
لاختبار ابتكارهم، احتاج الباحثون إلى كمية هائلة من البيانات، لكن جمع آلاف الصور الواقعية للشفرات المتضررة أمر صعب ويستغرق وقتاً طويلاً. وبدلاً من ذلك، قاموا بتوليد مجموعة بيانات اصطناعية تسمى BladeSynth-MD، والتي تحتوي على 5,000 صورة مولدة حاسوبياً للشفرات. تم إنشاء هذه الصور لتبدو واقعية للغاية، حيث تتميز بتنوع في ظروف الإضاءة، والزوايا، والأهم من ذلك، وجود أنواع متعددة من العيوب تحدث على نفس الشفرة في وقت واحد. يحاكي هذا الإعداد الواقع المعقد لفحص المحرك، حيث قد تحتوي شفرة واحدة على انبعاج، وخدش، وبقعة تآكل في آن واحد. تم تدريب واختبار النظام على مجموعة البيانات هذه، وكانت النتائج مذهلة.
حقق نظام MESFR-DETR الجديد دقة كشف بلغت 65.0% عبر جميع أنواع العيوب، وهو تحسن كبير عن النموذج القياسي السابق الذي استند إليه. والأهم من ذلك، أنه تفوق في العثور على العيوب الصغيرة، وهي الأصعب في الرصد؛ حيث حسن اكتشاف هذه العيوب الضئيلة بنسبة 4.4% مقارنة بالنموذج المرجعي. كما أثبت النظام كفاءة عالية؛ فبالرغم من قدراته المتقدمة، فإنه يستخدم معاملات أقل — وهي مقياس لحجمه وتعقيده — من العديد من النماذج الرائدة الأخرى، مما يجعله أسرع وأسهل في التشغيل على الأجهزة القياسية. وعند اختباره على مجموعة منفصلة من الصور الواقعية لمحركات تعمل فعلياً، حافظ النظام على أدائه العالي، ونجح في تحديد العيوب التي أغفلتها أو أخطأت في تصنيفها النماذج الأخرى.
وجد الباحثون أن نهجهم كان فعالاً بشكل خاص ضد أنواع معينة من الأضرار. فعلى سبيل المثال، كان أفضل بكثير في رصد الانبعاجات، التي غالباً ما تكون مجرد انخفاضات طفيفة في المعدن ذات تباين منخفض جداً، والخدوش، وهي خطوط رفيعة عالية التردد. لقد سمحت قدرة النظام على الحفاظ على معلومات الحواف برؤية هذه الميزات بوضوح، بينما كانت النماذج الأخرى تعاملها غالباً كضجيج خلفية. وتؤكد الدراسة أنه من خلال تعليم الكمبيوتر صراحةً قيمة تفاصيل الحواف ومن خلال إعادة بناء الميزات الدقيقة من مقاييس مختلفة، فمن الممكن بناء كاشف يكون حساساً بما يكفي للعثور على أصغر العيوب وسريعاً بما يكفي لاستخدامه في خطوط التصنيع أو الصيانة المزدحمة. ويشير هذا العمل إلى مسار مستقبلي حيث يمكن للأنظمة الآلية توفير مستوى من الاتساق والموثوقية لا يمكن للمفتشين البشريين وحدهم مضاهاته، مما قد يمنع حالات الفشل الكارثي قبل وقوعها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.