Introduction to Dissolved Gas Analysis based Hybrid Confidence Fusion Model for improvement of Maintenance of Insulating Oil based Power Equipment

تخيل المحولات الضخمة ذات الطنين المستمر التي تحافظ على إضاءة مصابيحنا وشحن هواتفنا. داخل هذه العمالقة، يعمل سائل خاص يسمى زيت العزل كحارس صامت، حيث يقوم بتبريد المعدات ومنع الكهرباء من القفز إلى حيث لا ينبغي لها أن تذهب. ولكن عندما تسوء الأمور في الداخل — مثل شرارة صغيرة أو بقعة ساخنة تتشكل — يبدأ الزيت في التحلل، مطلقاً غازات غير مرئية مثل الهيدروجين أو الميثان. فكر في هذه الغازات كأنها "الدخان" الناتج عن حريق لا يمكنك رؤيته بعد. لعقود من الزمن، استخدم المهندسون تقنية تسمى تحليل الغاز المذاب (DGA) لاستنشاق هذه الغازات وتخمين ما هو الخطأ. الأمر يشبه إلى حد ما قيام طبيب بالاستماع إلى نبضات القلب؛ فالنمط الذي تتبعه الغازات يروي قصة عن صحة الآلة. ومع ذلك، كانت قراءة هذه القصة صعبة دائماً. فبعض الطرق تشبه قوائم التحقق الجامدة التي ترتبك عندما تكون الأرقام صغيرة، بينما البعض الآخر يشبه الخرائط المعقدة التي يمكن أن تتداخل وتجعلك تائهاً. وبينما يمكن لبرامج الكمبيوتر الذكية (الذكاء الاصطناعي) أن تتعلم كيفية رصد الأنماط، إلا أنها أحياناً تعمل كـ "صناديق سوداء" لا تشرح لماذا قدمت تخميناً معيناً، أو ترتبك إذا واجهت مشكلة لم ترَ مثلها من قبل.

تقدم هذه الورقة طريقة جديدة لحل هذا الارتباك، تسمى "نموذج دمج الثقة الهجين" (Hybrid Confidence Fusion Model). بدلاً من الاعتماد على محقق واحد فقط، يقترح المؤلفون جمع فريق كامل معاً. إنهم يأخذون أفضل أجزاء من قوائم التحقق القدية القائمة على القواعد، والخرائط البصرية (مثل مثلث دوفال)، وأجهزة الكمبيوتر الذكية التي تعمل بالذكاء الاصطناعي، ويجعلونهم يصوتون على ماهية المشكلة. ولكن الجزء الذكي هنا هو: ليس كل محقق يحصل على صوت متساوٍ. يمنح النموذج "درجة ثقة" لكل طريقة بناءً على مدى موثوقيتها في حالة معينة. فإذا كان الذكاء الاصطناعي بارعاً عادةً في اكتشاف الشرارات الكهربائية ولكنه سيء في اكتشاف الحرارة، وكانت القائمة القديمة ممتازة في اكتشاف الحرارة ولكنها سيئة في اكتشاف الشرارات، فإن النموذج يزن آراءهم وفقاً لذلك. النتيجة هي تشخيص واحد أكثر موثوقية يجمع بين نقاط القوة للجميع. وفي اختباراتهم، وصل نهج "العمل الجماعي" هذا إلى دقة بلغت 89%، متفوقاً على معظم الطرق الفردية التي تعمل بمفردها. ويشير المؤلفون إلى أن هذا يجعل الصيانة أكثر أماناً وموثوقية، خاصة عندما تتصرف المعدات بشكل غريب أو عندما تكون العلة مزيجاً من مشاหลาย مشكلات مختلفة.

قصة الحراس الصامتين

في أعماق شبكة الطاقة، تغمر المحولات والآلات الثقيلة الأخرى حمام من زيت العزل. هذا الزيت هو شريان الحياة للمعدات، حيث يحافظ على برودتها ويمنع الكهرباء من القوس في مكان لا ينبغي لها أن تكون فيه. ولكن عندما تبدأ الآلة في المرض — رب الله بسبب سلك مرتخٍ يسبب شرارة أو ملف يسخن بشكل مفرط — يبدأ الزيت في التحلل. الأمر يشبه قطعة خبز محترقة؛ الحرارة أو الكهرباء تكسر الروابط الكيميائية في الزيت، مما يؤدي إلى إطلاق غازات مثل الميثان والإيثيلين. هذه الغازات تذوب في الزيت، منتظرة من يكتشفها.

لفترة طويلة، استخدم المهندسون تحليل الغاز المذاب (Dage) للعثور على هذه الغازات. الأمر يشبه إلى حد ما قيام الطبيب بأخذ عينة دم. فمن خلال قياس كمية كل غاز موجود، يمكنهم معرفة ما إذا كانت الآلة تعاني من عطل حراري (ارتفاع درجة الحرارة) أو عطل كهربائي (شرارة). توضح الورقة أن هذه الغازات تتكون من خلال تفاعلات كيميائية محددة. فعلى سبيل المثال، عندما يتحلل الزيت، يمكن أن ينتج ميثان (CH4) أو أسيتيلين (C2H2)، ونوع الغاز يخبرك بـ "درجة حرارة" أو "طاقة" العطل.

معضلة المحقق

المشكلة هي أن تحديد ما يحدث بالضبط ليس سهلاً دائماً. تسلط الورقة الضوء على ثلاث طرق رئيسية حاول المهندسون من خلالها حل هذا اللغز، ولكل منها عيوبها الخاصة.

أولاً، هناك الطرق القائمة على القواعد (Rule-Based Methods). هذه مثل كتيبات التعليمات الصارمة. فهي تستخدم نسباً ثابتة (مقارنة كمية غاز بأخرى) أو تنظر إلى مخطط لتحديد العطل. تذكر الورقة معايير مثل IEC 60599 و IEEE C57.104، وهي كتب القواعد الرسمية. ورغم أن هذه الطرق بسيطة ومعيارية، إلا أنها قد تكون جامدة. فإذا كانت مستويات الغاز منخفضة جداً، أو إذا وقعت الأرقام تماماً على حافة فئة معينة، فقد تعطي هذه الطرق إجابات متضاربة أو تغفل عن العطل تماماً. الأمر يشبه محاولة فرز كرات الرخام حسب الحجم باستخدام مسطرة تحتوي فقط على علامات لـ "صغير" و"كبير"، مما يترك الكرات المتوسطة في منطقة رمادية مربكة.

ثانياً، هناك الطرق الرسومية (Graphical Methods)، مثل مثلث دوفال وسداسي دوفال الشهيرين. تخيل رسم مستويات الغاز على خريطة ملونة مقسمة إلى مناطق. تمثل كل منطقة نوعاً مختلفاً من الأعطال. هذه الطريقة أكثر بصرية وتساعد في حالات تركيز الغاز المنخفض، لكن الورقة تشير إلى أن هذه الخرائط لها حدود ثابتة. فالأعطال في العالم الحقيقي لا تتناسب دائماً بدقة مع مثلث؛ إذ يمكن أن تكون فوضوية، أو متداخلة، أو غير خطية. الأمر يشبه محاولة رسم دائرة مثالية حول سحابة؛ فالشكل ببسا p لا يتناسب معها.

ثالثاً، هناك طرق الذكاء الاصطناعي (AI methods). هذه هي أجهزة الكمبيوتر الذكية التي تتعلم من آلاف الأمثلة الماضية للتعرف على الأنماط. وهي بارعة في التعامل مع البيانات المعقدة والفوضوية التي لا تستطيع كتب القواعد فهمها. ومع ذلك، تشير الورقة إلى أن للذكاء الاصطناعي مشكلاته الخاصة. فهو يعتمد بشدة على البيانات التي تدرب عليها؛ فإذا رأى نوعاً جديداً من الأعطال لم يتعلمه من قبل، فقد يخمن بشكل خاطئ. كما يمكن أن يكون الذكاء الاصطناعي "صندوقاً أسود"، مما يعني أنه يعطي إجابة ولكنه لا يشرح السبب الفيزيائي وراءها، مما يجعل المهندسين مترددين في الوثوق به بشكل أعمى.

حل "العمل الجماعي"

هنا يأتي دور المؤلفين، جويديب دهار، سوفان دالاي، وسايبال تشاتيرجي، من خلال نموذج دمج الثقة الهجين (Hybrid Confidence Fusion Model). بدلاً من اختيار محقق واحد، قاموا ببناء نظام يعمل فيه جميع المحققين معاً ويصوتون.

إليك كيف يعمل "الدمج":

1. كابينة التصويت: يأخذ النموذج النتائج من أفضل الطرق القائمة على القواعد (مثل مثلث دوفال) وأفضل طرق الذكاء الاصطناعي.
2. درجة الثقة: لا يحصل كل صوت على نفس القدر من الأهمية. خلال مرحلة التدريب، ينظر النموذج إلى مدى دقة كل طريقة. فإذا كان نموذج ذكاء اصطناعي معين بارعاً في اكتشاف الأعطال الكهربائية ولكنه سيء في الأعطال الحرارية، فإنه يحصل على "درجة ثقة" عالية للأعطال الكهربائية ودرجة أقل للأعطال الحرارية.
3. القرار المرجح: عندما تأتي عينة جديدة، يحسب النموذج درجة مرجحة لكل عطل محتمل. وهو يستخدم صيغة رياضية لدمج هذه الدرجات، مع إعطاء الأولوية للطرق الأكثر موثوقية لهذا الموقف المحدد.

فكر في الأمر كأن مجموعة من الأصدقاء يحاولون تخمين الإجابة على سؤال في مسابقة معلومات عامة. أحد الأصدقاء خبير في التاريخ، وآخر خبير في العلوم، والثالث جيد في التخمين. إذا كان السؤال عن التاريخ، فإن تخمين الخبير بالتاريخ يكون له وزن أكبر. وإذا كان السؤال عن العلوم، فإن الخبير بالعلوم سيكون صوته هو الأعلى. يقوم نموذج دمج الثقة الهجين بهذا بالضبط، ولكن بالنسبة لأعطال المحولات. فهو يعدل ديناميكياً من يحق له التحدث بناءً على من هو الأكثر صحة عادةً.

ماذا وجدوا؟

اختبر المؤلفون نموذجهم الجديد مقابل الطرق القديمة باستخدام بيانات من العالم الحقيقي. وقارنوا دقة نموذج "الدمج الهجين للثقة" (HCF) الخاص بهم مقابل الطرق الفردية مثل نماذج تعلم الآلة (ML1 و ML2)، ومجموعة الغاز المميزة (CGE)، ومثلث دوفال 1 (DT1).

كانت النتائج واعدة. فقد سجلت الطرق الفردية مستويات متفاوتة من النجاح:

• حقق مثلث دوفال 1 (وهو طريقة رسومية شائعة) دقة تبلغ حوالي 72%.
• تراوحت دقة نماذج تعلم الآلة (ML1 و ML2) بين 76% و 80%.
• حقق نموذج دمج الثقة الهجين دقة بلغت 89%.

كما نظرت الورقة في مقاييس أخرى مثل الدقة (Precision) والاستدعاء (Recall) (اللذان يقيسان عدد المرات التي يكون فيها النموذج صحيحاً عندما يقول "عطل" وكم عدد الأعطال الفعلية التي يكتشفها). سجل نموذج HCF دقة قدرها 0.78 واستدعاء قدره 0.78، مع درجة F1 بلغت 0.77. وهذا يشير إلى أنه من خلال دمج الطرق، أصبح النموذج أكثر قوة، خاصة عند التعامل مع "سيناريوهات الأعطال المختلطة" حيث قد تعاني الآلة من مشاكل حرارية وكهربائية في آن واحد.

لماذا يهم هذا؟

تخلص الورقة إلى أنه بينما تكون الطرق القائمة على القواعد جيدة لسهولة فهمها، والذكاء الاصطناعي جيد في رصد الأنماط المعقدة، إلا أنه لا يوجد منهما مثالي بمفرده. يقترح نموذج دمج الثقة الهجين مساراً وسطاً. فهو لا يتخلص من القواعد القدية الموثوقة، ولا يثق بالذكاء الاصطناعي الجديد ثقة عمياء. بدلاً من ذلك، ينشئ نظاماً يكمل فيه كل منهما الآخر.

يؤكد المؤلفون أن هذا النهج يساعد في حل النزاعات عندما تعطي الطرق المختلفة إجابات مختلفة. ومن خلال استخدام "درجات الثقة التكيفية"، يمكن للنموذج التعامل مع البيانات الشحيحة (عندما لا يكون هناك الكثير من الغاز لقياسه) والأعطال المختلطة بشكل أفضل من التقنيات المنعزلة. وبينما تشير الورقة إلى أن هذا مجرد محاكاة واختبار على مجموعات بيانات محددة، فإن دقة 89% تشير إلى أن استراتيجية "العمل الجماعي" هذه تمثل اتجاهاً قوياً لمستقبل صيانة معدات الطاقة لدينا. إنها تعد بمستقبل يمكننا فيه اكتشاف المشكلات في وقت مبكر والحفاظ على استمرار الإضاءة بثقة أكبر.