Table of Contents

مقدمة إلى تشخيص الخزنة الدائرية في الهندسة الكهربائية

وفي الهندسة الكهربائية، يشكل تشخيص عيوب الدوائر مهمة حاسمة تكفل سلامة النظم الالكترونية وموثوقيتها، فالطرق التقليدية - التي تنجم عن التفتيش البصري إلى تحليل الإشارات المأخوذة من الأزياء - التي كانت منذ وقت طويل العمود الفقري لتدفقات العمل في مجال الصيانة، غير أن هذه النهج هي يدوية، وتستغرق وقتا طويلا، وتعتمد اعتمادا كبيرا على خبرة تقني الكشف، ومع تزايد تقلص تكاليف التشخيص الآتيقية.

وقد تنشأ أخطاء الدوائر الحديثة من تدهور المكونات، أو العيوب المباعة، أو الإجهاد الحراري، أو الظروف البيئية غير المتوقعة، ولا يحدد وجود خطأ فحسب، بل إن موقعه ونوعه على وجه الدقة أمر أساسي لتحقيق الكفاءة في الإصلاح، والتعلم العميق، والمجموعة الفرعية القوية من التعلم الآلات، والطرد عند استخراج أنماط معقدة من بيانات الإشارات العالية الأبعاد، وتدريب الشبكات العصبية على مجموعات من البيانات ذات المستوى الحقيقي من التناسق

Key insight: Deep learning does not replace the engineer's understanding of circuit theory; instead, it increasess diagnostic capabilities by handling the repetitive, data-كثيفة الجوانب من تحديد الأخطاء.

أساسيات التشخيص الافتراضي للسيرك

أنواع الدفن الدائري

ويمكن تصنيف التخلف في الدوائر الكهربائية بشكل واسع إلى خطئ مضاف إليه ] (الإطارات المفتوحة أو القصيرة الأجل الدائمة) و] أخطاء في الاختبارات ) (الانحرافات المتكافئة مثل الانجراف المقاوم أو تدهور المكثفات)

إن فهم التحصين الخاطئ أمر حاسم في تصميم نماذج فعالة للتعلم العميق، وكل نوع من أنواع الأخطاء ينتج توقيعات فريدة في شكل موجات فولتية أو حالية أو موجات غير مقصودة، فعلى سبيل المثال، قد تؤدي دائرة قصيرة إلى انخفاض مفاجئ في المقاومة، في حين أن تدهور المكثف قد يظهر على أنه زيادة في إنتاج إمدادات الطاقة.

التقنيات التشخيصية التقليدية

ويعتمد تشخيص الأخطاء التقليدية على تقنيات مثل:

  • Visual inspection:] looking for burned components, cracked saleser joints, or swollen capacitors.
  • Multimeter and oscilloscope measurements:] checking DC levels, signal integrity, and timing.
  • أشعة دون حدود (JTAG): ] For digital circuits, testing interconnects and logical states.
  • Frequency response analysis:] used in analog circuits to detect component value changes.

وفي حين أن هذه الأساليب فعالة بالنسبة للنظم البسيطة، فإنها تصبح غير عملية كثافة الدوائر وزيادة التعقيد، كما أنها تتطلب جهدا يدويا كبيرا وتواجه خطأ بشري، لا سيما عندما تكتشف أخطاء متقطعة أو ناعمة.

نهج التعلم العميق لتشخيص التخلف الآلي

ويؤهل التعلم العميق خط التشخيص الخاطئ بالتعلم المباشر من بيانات الاستشعار الخام أو المجهزة مسبقاً، ويشمل تدفق العمل المعتاد الحصول على البيانات، وتجهيزها مسبقاً، وتدريبها النموذجي، ونشرها في الوقت الحقيقي.

نظم اقتناء البيانات والاستشعار

وأساس أي نظام للتشخيص العميق يقوم على أساس التعلم العالي هو بيانات عالية الجودة، إذ أن قياس الاستشعار هو الفولط، أو الحرارة الحالية، أو الانبعاثات الكهرومغناطيسية في مختلف نقاط الاختبار، وقد يلزم بالنسبة للدوائر المعقدة، إيجاد قنوات متعددة متزامنة، ويمكن جمع البيانات أثناء التشغيل العادي، أو في ظروف الاختبار الخاضعة للمراقبة، أو من نماذج المحاكاة، وتكون البيانات المحاكاة مفيدة بصفة خاصة عندما تكون البيانات الحقيقية عن خطأ شائع في الأوساط الصناعية.

وتشمل أنواع الإشارات المشتركة ما يلي:

  • موجات لا تُستخدم في الوقت المناسب (مثلاً، الاستجابة التدريجية، السلوك المُتَعَدِّر)
  • المطياف المتواترة (الترددات من الإشارات الثابتة الدول)
  • التمثيل المتكرر للزمن (النسخ الضوئية باستخدام STFT أو الموجات)
  • حجم الانعكاسات والمرحلة على التردد

التجهيز الأولي وتجميع البيانات

وكثيرا ما تتضمن بيانات الاستشعار عن طريق الفم الضوضاء، والانجراف في خط الأساس، والقطع الأثرية التي يمكن أن تتدهور الأداء النموذجي.

  • Filtering:] Low-pass, high-pass, or band-pass filters to remove irrelevant frequency components.
  • Normalization:] Scaling data to zero mean and unit variation to ensure stable training.
  • Segmentation:] Dividing long time series into fixed-length windows, each treated as an independent sample.
  • Resampling:] Adjusting sampling rates to a common frequency across different sensors or experiments.

ولمكافحة شح البيانات، يمكن أيضا استخدام تقنيات زيادة الصور مثل إضافة الضوضاء الاصطناعية، ومدة الوقت، والتعبئة الكمية، والخلط بين الإشارات، وبالنسبة للتمثيلات المشابهة للصور (مثل المطياف)، والزيادة القياسية للصور مثل التناوب والتوسع. ] وتظهر الدراسات الرتجية أن الازدياد الدقيق يعزز قوة النموذج.

الهيكل التنظيمي للشبكة العصبية

وتتناسب مختلف هياكل التعلم العميق مع مختلف خصائص الإشارات، ويعتمد اختيار الهيكل على ما إذا كانت البيانات تمثل على أفضل وجه كسلسلة زمنية من 1D، أو صورة من التردد الزمني 2D، أو سلسلة متعددة الأنواع.

Convolutional Neural Networks (CNNs)

(ج) تُستخرج أجهزة البرمجيات المركزية من البيانات المُنظمة من الأنماط المحلية، وبالنسبة للإشارات من 1D، تتعلم الشبكة مرشحات تكشف عن سمات عابرة أو أنماط دورية، وعند استخدام التمثيل المتكافئ زمنياً مثل المطياف، يمكن للشبكة الوطنية الثانية (الشبهة التي تستخدم في تصنيف الصور) أن تلتقط الخصائص الزمنية والمنظورية على السواء.

Example: A 1D-CNN with three convolutional layers and max pooling can classify six types of faults in a rectifier circuit with over 98% accuracy, as shown in benchmark studies.

Recurrent Neural Networks (RNNs) and LSTMs

وتصمم هذه الشبكات للبيانات المتتابعة، مما يجعلها مرشحة طبيعية لتشخيص أخطاء السلسلة الزمنية، غير أن الناموسيات المعيارية للناموسيات تعاني من اختفاء التدرجات، فالشبكات الطويلة الأجل للذاكرة القصيرة الأجل تتغلب على هذه المسألة وتستوعب المعالينات الزمنية البعيدة المدى، وتؤثر التدابير البديلة بشكل خاص على تشخيص الأخطاء المتقطعة التي قد تظهر فيها التسلسلات الخاطئة فقط بعد فترة طويلة.

ويمكن للهيكل الهجين الذي يغذي نواتج الإدارة العليا في نظام التصنيف الصناعي الشامل للخدمة في رأس تصنيف مترابط تماما أن يُمثل تطور ولايات الدوائر بمرور الوقت.

أجهزة التحويل وآليات الاهتمام

وقد تم مؤخرا تكييف أجهزة التحويل التي وضعت أصلا لتجهيز اللغات الطبيعية لتصنيف سلاسل زمنية، وآلية الاعتماد الذاتي لديها تسمح للنموذج بأن يقيّم أهمية مختلف الخطوات الزمنية دون قيود التجهيز المتتابعة للشبكة، مما قد يؤدي إلى تدريب أسرع وإلى أداء أفضل على التسلسلات الطويلة، ولتشخيص الأخطاء يمكن للمحولين أن يلتهموا الأنماط المحلية والعالمية على السواء، مما يجعلها مناسبة للسيناريوهات المعقدة المتعددة الأدوار.

Autoencoders for Anomaly Detection

وعندما تكون البيانات المسموعة بالخطأ متفرقة، تكون الأساليب غير الموصوفة مثل أجهزة التكوين ذات قيمة، ويتم تدريب جهاز آلي لإعادة بناء إشارات الدوائر العادية، وعندما تقدم إشارة خاطئة، يكون خطأ التعمير كبيرا، مما يشير إلى وجود حالة شاذة، وهذا النهج مثالي لكشف أنواع الأخطاء التي لم تكن متوقعة في السابق، كما يمكن أن يولد صنفا من المتغيرات في التدريب.

مقاييس التدريب والتقييم

ويستخدم التدريب النموذجي عادة التعلم المشرف عليه مع فقدان شامل للطبيعة في تصنيف الأخطاء من عدة فئات، وفيما يتعلق بمجموعات البيانات غير المتوازنة - حيث تتجاوز العينات العادية عدداً كبيراً من الوظائف المعيبة للخسارة أو فقدان التركيز، تشمل مصفوفات التقييم الرئيسية ما يلي:

  • Accuracy:] Overall correct predictions, but can be misleading for imbalanced data.
  • Precision and Recall:] particularly important in safety-critical systems where missing a fault (low recall) is costly.
  • F1-score:] Harmonic mean of precision and recall.
  • مصفوفة التضارب: ] Provides class-wise performance breakdown.
  • ROC-AUC:] For binary fault detection, measures separability.

ويُعدّ التكافل ممارسة عادية لضمان تعميم البيانات، حيث إن بيانات الدوائر قد تكون لها معالين مؤقتين، يوصى بتجاوز فترات الاستراحة (مثلاً، تقسيم السلسلة الزمنية).

التنفيذ والتكامل في النظم الحقيقية

رصد الزمن الحقيقي مع إيوت

إن نشر نموذج تعلمي عميق مدرب على أجهزة الحوافات يتيح تشخيص الأخطاء في الوقت الحقيقي، كما يمكن للمراقبين المتناهي الصغر ومعجلات الضغط التي تستخدمها الهيئة أن يديروا نماذج كمية ذات صبغة منخفضة، ويتيح هذا الإدماج باستخدام شبكة الإنترنت للأشياء الرصد المستمر للموجودات الحرجة مثل محولات القوى والسيارات والالكترونيات الفضائية الجوية.

ويشمل الهيكل النموذجي ما يلي:

  1. عقدة حساسية تجمع إشارات كهربية وحالية بمعدلات أخذ العينات العالية
  2. مجهز ايدج يدير نموذجاً مدرباً مسبقاً (مثلاً، شبكة CNN) مضغطة وينتج احتمالاً خاطئاً.
  3. التنبيه على توليد وقطع الأشجار إلى قاعدة بيانات سحابية للتحليل على نطاق الأسطول

دراسات الحالة

وتوضح عمليات النشر العملي فعالية التعلم العميق، فعلى سبيل المثال، استخدمت دراسة عن ثلاث مراحل من الدوائر اللافائية جهازاً من طراز CD-CNN لكشف الأخطاء المستحثة بنسبة 99.2 في المائة، مما قلل من وقت التشخيص من دقائق إلى الثانية، كما استخدم تطبيق آخر على

مزايا التعلم العميق الآلي - التشخيص الأساسي

  • Speed: ] Inference takes microseconds to milliseconds, allowing real-time fault detection during operation.
  • Accuracy:] Modern structures often exceed 98% accuracy on benchmarks datasets, surpassing human experts in consistency.
  • Consistency:] Models do not become fatigued or diverted, producing uniform results across shifts and operators.
  • Scalability:] Once trained, the model can be deployed across thousands of similar circuits without additional effort.
  • Adaptability:] With transfer learning, a model pretrained on one circuit family can be fine-tuned for a related design with limited new data.

وتترجم هذه الفوائد مباشرة إلى انخفاض تكاليف الصيانة وزيادة الوقت الإضافي وتحسين سلامة النظم الإلكترونية في الصناعات التي تتراوح بين الإلكترونيات الاستهلاكية والفضاء الجوي.

التحديات والحلول الحالية

سجّة البيانات والتوازن

جمع بيانات عن الأخطاء المسمومة باهظ التكلفة ومستهلك للوقت، ويقضي معظم الوقت التشغيلي في حالة طبيعية، مما يؤدي إلى اختلال كبير في مجموعات البيانات.

  • Synthetic data generation:] Using circuit simulators (SPICE) to create fault examples under controlled parameter variations.
  • Generative Adversarial Networks (GANs):] Training a birth to produce factual fault signals that increase the training set.
  • Focal loss:] Adjusting the loss function to focus on hard-to-classify minority classes.

الترجمة الشفوية النموذجية

الفرق الهندسية تتردد في الثقة بنموذج للصناديق السوداء من أجل القرارات الحاسمة للسلامة، أساليب تفسيرية للشركة مثل "جراد-كوم" و"إتش بي" يمكن أن تبرز الخطوات الزمنية أو عناصر التردد التي قادت قرار النموذج.

دومان شيفت وروبوتنيس

وقد يفشل نموذج مدرَّب على دائرة واحدة عندما يُطبَّق على تنقيح مختلف قليلاً أو في ظروف بيئية مختلفة، كما أن تقنيات التكيف الأساسية - مثل التدريب على الخصم أو التدقيق في سد صغير من فئات البيانات المستهدفة - يمكن أيضاً تحسين القدرة عن طريق التدريب على بيانات محاكاة تغطي مجموعة واسعة من نقاط التشغيل.

القيود الحاسوبية

ويمكن أن تكون نماذج التعلم العميق مكثفاً من الناحية الحسابية، إذ أن تقنيات الضغط النموذجية (الفرز، والقياس الكمي، وتفكك المعارف) تقلل من البصمة بحيث تلائم أجهزة الحافة دون فقدان دقيق كبير، مثلاً، يمكن قياس خط الأشعة السينية بكامله كمياً إلى ثلاجات ذات ثماني درجات، مما يقلل من الذاكرة والارتطاء بأربعة أضعاف مع انخفاض أقل من 1 في المائة من الدقة.

الاتجاهات المستقبلية في التشخيص الافتراضي الآلي

التعليم الموحد

وفي عمليات النشر الواسعة النطاق عبر مواقع متعددة، قد تحول شواغل الخصوصية والزوارق بين النطاقات دون تجميع جميع البيانات في موقع مركزي، ويتيح التعلم الموحد لكل موقع تدريب نموذج محلي، مع تحديث النماذج فقط على نموذج عالمي، ويحافظ على خصوصية البيانات مع تحسين الدقة النموذجية في مختلف ظروف التشغيل.

Edge AI and TinyML

ومن شأن التقدم في المعجلات العصبية ذات الطاقة المنخفضة (مثلاً، شركة ARM Ethos-U، وشركة Google Coral) أن يجعل من الممكن تشغيل نماذج تشخيص خطأ مباشرة على أجهزة الاستشعار، مما يقلل من درجة الرضا والاعتماد على الربط السحابي، مما يتيح التشخيص المستقل في النظم النائية أو المتنقلة.

نماذج المؤسسة التي تستخدم المواصفات

ويمكن تعديل نماذج المؤسسة التي تم تدريبها مسبقاً على مجموعات بيانات موسعة (مثلاً لـ GPT في NLP) لمهام تشخيص الدوائر المحددة التي لا تتضمن سوى بيانات محدودة، وتشير البحوث المبكرة إلى أن هذه النماذج يمكن أن تتعلم بيانات الإشارات العامة الغرض التي تنقل بشكل جيد عبر مجالات هندسية مختلفة.

التكامل مع التوائم الرقمية

ويمكن أن يستكمل باستمرار نماذج التعلم العميق التي تجري داخل التوأم الرقمي، على أساس اللبس المحاكا، عوامل التتبع الافتراضي، بدلا من الإصلاح التفاعلي، ويعود هذا التآزر بتغيير استراتيجيات الصيانة من المقرر إلى وضعها على أساس ظروف معينة.

خاتمة

إن التشغيل الآلي لتشخيص عيوب الدوائر باستخدام التعلم العميق يمثل تحولاً في النموذج في الممارسة الهندسية الكهربائية، وبتشجيع هياكل الشبكة العصبية الحديثة، يمكن للمهندسين أن يبنيوا نظماً تكتشف وتصنف الأخطاء بسرعة ودقة غير مسبوقة، وفي حين أن التحديات لا تزال قائمة حول توافر البيانات، وإمكانية الترجمة الشفوية، وقيود النشر - فإن سرعة وتيرة البحث والتطوير تتغلب باستمرار على هذه العقبات، ومع أن الصيانة التكنولوجية أصبحت أكثر فعالية.

وبالنسبة للمهندسين الذين يتطلعون إلى اعتماد هذه التقنيات، بدءاً بتصنيف خاطئ محدد جيداً، فإن خط بيانات قوي، وهيكل مختار بعناية، هو مفتاح الموارد المتاحة من مكتبات المصدر المفتوح مثل مكتبات تينسور فلو وبيتورتش إلى منشورات متخصصة، مما يجعل هذا المجال متاحاً ومكافئاً للابتكار، ومستقبل تشخيص الدوائر ليس مؤتمتاً فحسب، بل هو ذكي.