باعتبارها العمود الفقري لأنظمة إمداد الطاقة الحديثة، تتطلب خطوط النقل الهوائية (OTLs) فحصًا منتظمًا ودقيقًا لضمان السلامة التشغيلية والموثوقية والكفاءة. إن طرق التفتيش التقليدية، مثل الدوريات اليدوية وعمليات المسح بطائرات الهليكوبتر، مقيدة بالمخاطر العالية، والكفاءة المنخفضة، والقدرة المحدودة على التكيف مع البيئات القاسية. في السنوات الأخيرة، ظهرت روبوتات الفحص المدعومة بالذكاء الاصطناعي (AI)-كحل تحويلي، حيث تدمج تقنيات الاستشعار المتقدمة وخوارزميات التعلم الآلي وأنظمة الملاحة المستقلة. تستعرض هذه الورقة بشكل شامل البنية التقنية لروبوتات فحص OTL AI، مع التركيز على وظائفها الأساسية التي تعتمد على الذكاء الاصطناعي- بما في ذلك اكتشاف العيوب والتعرف على العوائق واتخاذ القرارات-بشكل مستقل. كما يقوم أيضًا بتقييم مزايا أداء هذه الروبوتات من خلال التحليل المقارن مع الأساليب التقليدية، مدعومة بحالات تطبيق حقيقية-. وأخيرًا، تمت مناقشة التحديات الرئيسية واتجاهات التطوير المستقبلية في هذا المجال، بهدف تقديم رؤى للتقدم والاعتماد على نطاق واسع لتقنيات الفحص المدعومة بالذكاء الاصطناعي-في صناعة الطاقة.
1.الهندسة التقنية لروبوتات الفحص OTL AI
إن روبوت الفحص الذي يعمل بالذكاء الاصطناعي لخطوط النقل العلوية هو نظام متكامل يتكون من ثلاث وحدات أساسية: منصة النقل الميكانيكي، ونظام الحصول على البيانات بأجهزة استشعار متعددة-، ونظام معالجة البيانات واتخاذ القرار- القائم على الذكاء الاصطناعي. تعمل كل وحدة بشكل تعاوني لضمان عمليات فحص موثوقة وفعالة.
منصة اجتياز الميكانيكية
تم تصميم المنصة الميكانيكية لتمكين الروبوت من التحرك بثبات على طول خطوط النقل، والتكيف مع تكوينات الخطوط المختلفة (على سبيل المثال، الخطوط المستقيمة، والأبراج، والأجهزة)، وتحمل الظروف البيئية القاسية. تسمح المنصة، المجهزة عادةً بأنظمة البكرات ومحركات القيادة، للروبوت باجتياز الموصلات بسلاسة وبسرعات مختلفة. تشتمل التصميمات المتقدمة على آليات امتصاص الصدمات للتخفيف من تأثير الاهتزازات الناجمة عن الرياح- وعدم انتظام الخطوط.
نظام الحصول على بيانات أجهزة الاستشعار المتعددة
يعتبر نظام الحصول على البيانات مسؤولاً عن التقاط بيانات شاملة وعالية الجودة-لمكونات OTL، مما يوفر الأساس للتحليل المستند إلى الذكاء الاصطناعي-. يدمج هذا النظام عادةً أجهزة استشعار متعددة، بما في ذلك كاميرات الضوء المرئي وأجهزة التصوير الحراري بالأشعة تحت الحمراء والماسحات الضوئية بالليزر.
تلتقط كاميرات الضوء المرئي صورًا عالية الدقة- للموصلات والعوازل والأبراج والمكونات الأخرى، مما يتيح اكتشاف عيوب السطح مثل الشقوق والتآكل والأجزاء المفقودة.
تُستخدم أجهزة التصوير الحراري بالأشعة تحت الحمراء لتحديد الحالات الشاذة الحرارية، مثل ارتفاع درجة الحرارة عند نقاط الاتصال، والتي قد تشير إلى ضعف الاتصال أو الأعطال الكهربائية.
توفر أنظمة المسح بالليزر بيانات عميقة، وتدعم إعادة بناء النماذج ثلاثية الأبعاد لـ OTLs وتحليل المسافات الآمنة بين الموصلات والأشياء المحيطة.
لضمان موثوقية البيانات، تم تصميم نظام الاستشعار بمعدلات إطارات عالية (تصل إلى 90 إطارًا في الثانية) ودقة (أقل من 2% خطأ عند مسافة 2 متر)، مما يتيح -نقل البيانات في الوقت الفعلي إلى مركز التحكم الأرضي عبر وحدات الاتصال اللاسلكية. يتيح ذلك للفنيين الأرضيين مراقبة تقدم الفحص عن بعد وإصدار أوامر التحكم عند الضرورة.
الذكاء الاصطناعي-نظام معالجة البيانات واتخاذ القرار-المعتمد
يعد نظام المعالجة المعتمد على الذكاء الاصطناعي- جوهر روبوت الفحص، وهو المسؤول عن تحليل بيانات المستشعر وتحديد العيوب والتعرف على العوائق واتخاذ قرارات التنقل المستقلة. يستفيد هذا النظام من مجموعة متنوعة من خوارزميات التعلم الآلي والتعلم العميق للتعامل مع البيانات المرئية والعميقة المعقدة.
في اكتشاف العيوب، تُستخدم الشبكات العصبية التلافيفية (CNNs) على نطاق واسع نظرًا لأدائها المتفوق في تصنيف الصور واكتشاف الكائنات. تم تطوير بنيات CNN المخصصة وأساليب تعلم النقل لتصنيف الحالات الصحية للموصل، مثل التآكل الصحي والبسيط والتآكل الناجم عن التلوث-والقلق الناجم عن التلوث-. يتم استخدام نماذج التجزئة مثل U-Net وSegment Anything Model (SAM) لعزل مكونات الخط من الخلفيات المزدحمة، مما يؤدي إلى تحسين دقة اكتشاف العيوب. بالنسبة لاكتشاف المكونات الصغيرة والعيوب، تم اقتراح أطر عمل الكشف متعدد المراحل- استنادًا إلى كاشف Multibox Detector (SSD) والشبكات المتبقية العميقة (ResNets)، مما يعالج التحدي المتمثل في اكتشاف الكائنات الصغيرة في البيئات المعقدة.
في الملاحة الذاتية، تلعب خوارزميات الذكاء الاصطناعي دورًا حاسمًا في التعرف على العوائق وتخطيط المسار. تتم معالجة بيانات العمق من الماسحات الضوئية الليزرية باستخدام خوارزميات الكشف عن الحواف لاستخراج ميزات العوائق. يتم بعد ذلك استخدام نماذج التعلم الآلي مثل k-أقرب الجيران (k-NN) وأشجار القرار والشبكات العصبية وAdaBoost لتصنيف هذه العوائق في الوقت الفعلي، مما يمكّن الروبوت من ضبط مساره بشكل مستقل.
2. المزايا الأداءية والتطبيقات العملية
مزايا الأداء مقارنة بالطرق التقليدية
بالمقارنة مع طرق التفتيش اليدوية التقليدية وطائرات الهليكوبتر/الطائرات بدون طيار، توفر روبوتات التفتيش المدعومة بالذكاء الاصطناعي مزايا كبيرة من حيث السلامة والكفاءة والدقة.
فيما يتعلق بالسلامة، فإن روبوتات الذكاء الاصطناعي تلغي حاجة المشغلين البشريين للعمل في بيئات عالية الخطورة (على سبيل المثال،-تسلق المرتفعات والمناطق الجبلية النائية)، مما يقلل من مخاطر وقوع الحوادث. على سبيل المثال، في منطقة غابات جبل تشانغباي، تتطلب الدوريات اليدوية من العمال اجتياز 119 كيلومترًا من الخطوط بفارق ارتفاع يزيد عن 1000 متر، وهو أمر يتطلب جهدًا بدنيًا وخطيرًا. وقد أدى نشر روبوتات التفتيش العاملة بالذكاء الاصطناعي إلى تحرير العمال من هذه الظروف القاسية.
من حيث الكفاءة، تتفوق روبوتات الذكاء الاصطناعي بشكل كبير على الفحص اليدوي. يمكن للدوريات اليدوية أن تغطي برجين فقط يوميًا في التضاريس المعقدة، بينما يمكن لروبوتات الذكاء الاصطناعي فحص ما يصل إلى 25 برجًا يوميًا، مما يمثل زيادة في الكفاءة بأكثر من 10 أضعاف. بالإضافة إلى ذلك، يمكن لروبوتات الذكاء الاصطناعي العمل بشكل مستمر لفترات طويلة بفضل أنظمة الطاقة الشمسية، مما يزيد من تحسين تغطية التفتيش.
من حيث الدقة، تتيح خوارزميات الذكاء الاصطناعي الكشف الآلي والمتسق عن العيوب، مما يقلل من الأخطاء البشرية. ويعتمد الفحص اليدوي على الحكم الشخصي للمشغلين، مما يؤدي إلى نتائج غير متناسقة. ومع ذلك، يمكن لروبوتات الذكاء الاصطناعي التقاط صور-من مسافة قريبة وعالية الدقة-وتحليلها باستخدام خوارزميات متقدمة، واكتشاف العيوب التي يصعب تحديدها بالعين المجردة.
حالات التطبيق العملي
لقد تم نشر روبوتات التفتيش المدعمة بالذكاء الاصطناعي بنجاح في سيناريوهات عملية مختلفة في جميع أنحاء العالم، مما يدل على موثوقيتها وفعاليتها عبر ظروف جغرافية وبيئية متنوعة.
وفي آسيا، يوجد تطبيق ملحوظ في منطقة غابات جبل تشانغباي في مقاطعة جيلين، الصين. تم استخدام روبوت التفتيش القائم على الذكاء الاصطناعي Keystari، والذي تم تطويره بناءً على تقنية مبتكرة من جامعة ووهان، لفحص 119 كيلومترًا من خطوط النقل. وقد حقق الروبوت، المجهز بكاميرات الضوء المرئي، والماسحات الضوئية بالليزر، وأجهزة التصوير الحراري بالأشعة تحت الحمراء، فحصًا شاملاً للموصلات والعوازل والأبراج، والتقط صورًا واضحة حتى في الظروف الجوية القاسية (على سبيل المثال، درجات الحرارة المنخفضة والثلوج والرياح).
وفي أمريكا الشمالية، استفادت شركات المرافق من روبوتات الفحص المعتمدة على الذكاء الاصطناعي لمواجهة تحديات شبكات النقل الواسعة والبعيدة. على سبيل المثال، قامت إحدى مرافق الطاقة الرائدة في الولايات المتحدة بنشر روبوتات فحص تعمل بالذكاء الاصطناعي على طول خطوط نقل الجهد العالي-في منطقة روكي ماونتن. تم تجهيز هذه الروبوتات بأجهزة تصوير حراري متقدمة وأجهزة استشعار LiDAR، مدمجة مع خوارزميات التعلم الآلي القادرة على اكتشاف تدهور الموصلات والتآكل والتعدي على الغطاء النباتي-المشكلات الحرجة في المناطق الجبلية المعرضة للتقلبات الشديدة في درجات الحرارة ومخاطر حرائق الغابات. تعمل الروبوتات بشكل مستقل لمدة تصل إلى 12 ساعة لكل شحنة، وتنقل تنبيهات بالعيوب في الوقت الفعلي إلى مراكز التحكم الأرضية، مما أدى إلى خفض تكاليف الفحص اليدوي بنسبة 40% وتحسين دقة اكتشاف العيوب بنسبة 35% مقارنة بعمليات المسح التقليدية بطائرات الهليكوبتر.
وفي أوروبا، كان التركيز على دمج روبوتات التفتيش التي تعمل بالذكاء الاصطناعي مع مبادرات الشبكة الذكية. قام اتحاد من شركات الطاقة والمؤسسات البحثية الأوروبية بنشر{1}روبوتات جوية وبرية تعمل بالذكاء الاصطناعي لفحص خطوط النقل عبر منطقة راينلاند في ألمانيا، والتي تتميز بشبكة كثيفة من الخطوط التي تعبر المناطق الحضرية والزراعية. تستخدم الروبوتات خوارزميات رؤية الكمبيوتر للكشف عن العيوب في العوازل والأجهزة، ويتم دمج بياناتها في منصة إدارة شبكة ذكية مركزية لتمكين الصيانة التنبؤية.
3. التحديات والاتجاهات المستقبلية
التحديات الحالية
على الرغم من التقدم الكبير في روبوتات التفتيش OTL AI، لا تزال هناك العديد من التحديات التي يتعين معالجتها من أجل اعتمادها على نطاق واسع.
أولاً، يمثل الافتقار إلى{0}بيانات تدريبية عالية الجودة ومتنوعة تحديًا كبيرًا. تعتمد خوارزميات الذكاء الاصطناعي على مجموعات بيانات كبيرة لتحقيق أداء عالٍ، ولكن جمع بيانات عيوب OTL ووضع علامات عليها يستغرق وقتًا طويلاً-ومكلفًا. بالإضافة إلى ذلك، يؤثر عدم التوازن الطبقي (على سبيل المثال، العينات الصحية أكثر من العينات المعيبة) على قدرة تعميم النماذج.
ثانياً، تحتاج قدرة الروبوتات على التكيف مع البيئات القاسية إلى مزيد من التحسين. في حين أن الروبوتات الحالية يمكن أن تعمل في نطاق معين من درجات الحرارة وظروف الرياح، فإن البيئات الأكثر تطرفًا (مثل الثلوج الكثيفة والرياح القوية فوق المستوى 6 والأمطار الغزيرة) لا تزال تشكل تحديات أمام استقرار الروبوت والحصول على البيانات.
ثالثا، هناك حاجة إلى تعزيز تكامل خوارزميات الذكاء الاصطناعي مع الحوسبة المتطورة. تتطلب معالجة البيانات في الوقت الفعلي-زمن وصول منخفض، وهو ما يشكل تحديًا لبرامج الروبوت ذات موارد الحوسبة-المحدودة. سيؤدي تحسين الكفاءة الحسابية لخوارزميات الذكاء الاصطناعي ودمج تقنيات الحوسبة المتطورة إلى تمكين عملية اتخاذ القرار- بشكل أسرع.
رابعا، لا يوجد توحيد لنتائج التفتيش وتبادل البيانات. تستخدم الشركات المصنعة والمؤسسات البحثية المختلفة تنسيقات بيانات ومقاييس تقييم مختلفة، مما يجعل من الصعب مقارنة أداء الروبوتات المختلفة ومشاركة البيانات بشكل فعال.
الاتجاهات المستقبلية
ولمواجهة هذه التحديات، تظهر العديد من اتجاهات التطوير المستقبلية في مجال روبوتات التفتيش OTL AI.
أولاً، تطوير خوارزميات التعلم العميق الأكثر تقدمًا. سيتم تطوير بنيات CNN الجديدة والنماذج المعتمدة على المحولات- لتحسين دقة وكفاءة اكتشاف العيوب والتعرف على العوائق. على سبيل المثال، ستعمل النماذج خفيفة الوزن المُحسّنة لأجهزة Edge على تمكين المعالجة في الوقت الفعلي-بموارد حوسبة محدودة.
ثانيًا، دمج البيانات المتعددة الوسائط-. سيؤدي الجمع بين البيانات من كاميرات الضوء المرئي، وأجهزة التصوير الحراري بالأشعة تحت الحمراء، والماسحات الضوئية بالليزر، وأجهزة الاستشعار الأخرى إلى توفير رؤية أكثر شمولاً لظروف OTL، مما يحسن دقة اكتشاف العيوب.
ثالثا، تطوير ذكاء السرب من أجل التفتيش التعاوني. ستعمل روبوتات الذكاء الاصطناعي المتعددة بشكل تعاوني، حيث ستتبادل البيانات وتنسق مساراتها لتحسين تغطية التفتيش وكفاءته. سيكون هذا مفيدًا بشكل خاص لشبكات OTL-الكبيرة الحجم.
رابعا، وضع معايير الصناعة للبيانات وتقييم الأداء. ومن شأن توحيد تنسيقات البيانات وطرق وضع العلامات ومقاييس التقييم أن يسهل تبادل البيانات والتحليل المقارن، مما يعزز الاعتماد على نطاق واسع لتقنيات التفتيش القائمة على الذكاء الاصطناعي.
