تشخیص خطای کابل برق با هوش مصنوعی: چگونه یادگیری ماشینی تشخیص کابل را تغییر می‌دهد

برای دهه ها، تشخیص خطای کابل به مهارت یک تکنسین بستگی داشت: خواندن شکل موج TDR، تشخیص الگوی بازتاب، تخمین فاصله خطای،سپس با یک نشانگر صوتی در مسیر راه بروید. این جریان کار هنوز هم کار می کند، اما آهسته، ناسازگار و وابسته به پرسنل با تجربه است که سریعتر از اینکه بتوانند جایگزین شوند بازنشسته می شوند. هوش مصنوعی این معادله را تغییر می دهد.

تشخیص خطای کابل مبتنی بر هوش مصنوعی از الگوریتم های یادگیری ماشین برای تفسیر اشکال موج TDR، الگوهای تخلیه جزئی، داده های دمایی و سوابق خطای تاریخی استفاده می کند.هدف این نیست که جایگزین تکنسین بشیماین مقاله توضیح می دهد که چگونه هوش مصنوعی برای تشخیص خطای کابل استفاده می شود، امروز چه می تواند انجام دهد، محدودیت ها کجاست،و اینکه چگونه تیم های ساحلی می توانند از ابزارهای تقویت شده توسط هوش مصنوعی استفاده کنند..

شکل موج TDR یک الگوی پیچیده از پالس ها، انعکاس ها و سر و صدا است. تفسیر صحیح آن نیاز به تجربه دارد: تمایز بین انعکاس خطای واقعی از اکو کانکتورشناسایی اینکه آیا بازتاب نشان دهنده یک مدار کوتاه استدو تکنسین که به یک شکل موج نگاه می کنند ممکن است به نتیجه گیری های متفاوتی برسند و یکی که کم تجربه تر است اغلب اشتباه می کند.

سیگنال های میدان سر و صدا دارند. تغییر انتقال دهنده ها، تداخل رادیویی و بازتاب های مفاصل کابل می تواند بازتاب ضعیف را که نشانه ی یک نقص واقعی است، پنهان کند.تحلیلگران انسان معمولاً می توانند صداهای آشکار را فیلتر کنند، اما آنها نمی توانند صدها شکل موج در دقیقه را پردازش کنند یا یک شکل موج جدید را با یک پایگاه داده از 10،000 نقص تاریخی در زمان واقعی مقایسه کنند.

با تجربه ترین تکنسین های تشخیص خطا به بازنشستگی نزدیک می شوند. دانش انباشته شده آنها، که الگوهای شکل موج نشان می دهد که کدام نوع کابل،که نشانه های نقص در شرایط خاصی از خاک رایج استسیستم های هوش مصنوعی این دانش را با یادگیری از داده های خطای تاریخی حفظ می کنند و آن را برای هر کاربر ابزار در دسترس قرار می دهند.

ابزارهای مدرن TDR می توانند هزاران نمونه از شکل موج را در ثانیه به دست آورند. مدل های یادگیری ماشین، که بر روی اشکال موج خطای برچسب زده شده آموزش دیده اند، می توانند شکل موج را در میلی ثانیه طبقه بندی کنند: مدار کوتاه،مدار باز، نقص مقاومت بالا، نقص مقاومت پایین، بازتاب مفصل، یا سر و صدا. تکنسین دیگر حدس نمی زند؛ ابزار به آنها می گوید آنچه می بیند.

سیگنال های تخلیه جزئی شامل الگوهای خاص حل شده فاز (نمونه های PRPD) است که نوع نقص را نشان می دهد: حفره های داخلی، ردیابی سطح، تاج، یا پتانسیل شناور. الگوریتم های هوش مصنوعی،به خصوص شبکه های عصبی مجاور، الگوهای PD را با دقتی که با کارشناسان انسانی مطابقت دارد یا از آن فراتر می رود، حتی در محیط های پر سر و صدا طبقه بندی می کند.

با ترکیب داده های نظارت مستمر (روندهای PD، دمای، جریان پوشش) با سوابق خطای تاریخی، مدل های یادگیری ماشین می توانند پیش بینی کنند که کدام کابل ها احتمالاً در مرحله بعدی شکست می خورند.اغلب ماه ها قبل از وقوع نقصاین تغییر مدیریت کابل از واکنش (پاسخ به خطا) به پیش بینی (مداخل قبل از خطا).

هوش مصنوعی در جدا کردن سیگنال از سر و صدا برتری دارد.مدل های یادگیری عمیق آموزش داده شده بر روی هزاران ضبط میدان سر و صدا می توانند تداخل را سرکوب کنند در حالی که بازتاب های ضعیف نقص را حفظ می کنند که در فیلتر کردن معمولی از دست می رود، برای تشخیص نقص های مقاومت بالا و بازتاب های دور از راه بسیار مهم است.

یک روند کار شناسایی خطای کابل مبتنی بر هوش مصنوعی، چهار مرحله را دنبال می کند:

جمع آوری داده: TDR، PD و سنسورهای دمایی سیگنال های خام را در انتهای کابل ضبط می کنند.

پردازش پیش از سیگنال: فیلتر کردن سر و صدا، تقویت و استخراج ویژگی سیگنال را برای مدل هوش مصنوعی آماده می کند.

نتیجه گیری هوش مصنوعی: یک مدل آموزش دیده نوع نقص را طبقه بندی می کند، فاصله نقص را تخمین می زند و سطح اطمینان را نشان می دهد.

تأیید تکنسین: تکنسین نتیجه هوش مصنوعی را بررسی می کند، شناسایی صوتی را انجام می دهد و محل نقص فیزیکی را قبل از حفاری تأیید می کند.

تکنسین در حلقه باقی می ماند. هوش مصنوعی محل نقص را تعیین نمی کند؛ جستجوی را از "جای دیگری در 5 کیلومتر کابل" به "احتمالاً در 1230 متر ± 5 متر، احتمالاً یک مفصل درختان آب" محدود می کند.."اين محدود کردن ساعت ها راه رفتن و حفاری را صرفه جویی می کند.

هوش مصنوعی جادویی نیست. خریداران باید محدودیت های واقعی را درک کنند:

تشخیص خطای کابل با هوش مصنوعی داستان علمی تخیلی نیست، در حال حاضر در این زمینه است. ابزارهای مدرن TDR به طور خودکار اشکال موج خطای را طبقه بندی می کنند، آشکارسازان PD انواع نقص را با الگوی شناسایی می کنند،و تجزیه و تحلیل پیش بینی، قبل از شکست، کابل های تخریب کننده را نشان می دهد.تکنولوژی جایگزین تکنسین های ماهر نمی شود بلکه توانایی آنها را تقویت می کند.

موفق ترین اپراتورهای کابل در حال پذیرش هوش مصنوعی به صورت تدریجی هستند: از ویژگی های ابزار ساخته شده شروع می شود، نتایج را در برابر نقص های شناخته شده تأیید می کند،و ترکیب هوش مصنوعی با تست های آفلاین و نظارت آنلاینآینده تشخیص خطای کابل یک ربات کاملا مستقل نیست که خیابان را حفاری کند. این یک تکنسین با یک ابزار هوشمند است که آنها را به مکان مناسب، سریعتر، سازگارتر،و با دانش جمع آوری شده از هر نقصی که ثبت شده.