دراسة تقييم الحالة الفنية والتنبؤ بالأعطال لعوازل المقاطع ومفاتيح العزل في شبكة التلامس العلوية على أساس دمج البيانات متعددة المصادر

تقييم الحالة الفنية والتنبؤ بالأعطال لعوازل المقاطع
ومفاتيح العزل في شبكة التلامس العلوية على أساس دمج البيانات متعددة المصادر

الملخص

تتعرض معدات شبكة التلامس العلوية في السكك الحديدية عالية السرعة باستمرار للأجواء الخارجية، وتخضع للتأثير المتزامن للرياح والصقيع والأمطار والثلوج، وللتآكل بفعل القوس الكهربائي، وللاهتزازات الميكانيكية؛ وقد أصبحت الأعطال المفاجئة في عوازل المقاطع ومفاتيح العزل من الأسباب الرئيسية للتوقفات غير المخططة في نظام إمداد الجر الكهربائي. ويصعب على نمط الفحص الدوري المعمول به حالياً رصد العيوب التدريجية وهي في مرحلة التطور، كما أن تأخر اكتشاف العطل يؤدي إلى متوسط انقطاع في التشغيل يبلغ 4.2 ساعة لكل حادثة.

تتناول هذه الدراسة نقاط الضعف التشغيلية في هذين النوعين من المعدات، وتبني إطاراً تقنياً متكاملاً يمتد من جمع البيانات متعددة المصادر، عبر دمج البيانات غير المتجانسة، وصولاً إلى تقييم الحالة الفنية والتنبؤ بالعمر المتبقي. فعلى مستوى البيانات، تُدمج ستة أنواع من المصادر غير المتجانسة هي البيانات الكهربائية والميكانيكية والصور الحرارية والمتغيرات البيئية والصور البصرية وسجلات التشغيل التاريخية، ويُنجَز تجميعها بمزامنة زمنية ومحاذاة مكانية عبر شبكة استشعار هرمية من ثلاث طبقات: الحافة ثم البوابة ثم السحابة. وعلى مستوى الدمج، تُقترح خوارزمية لنظرية الأدلة ديمبستر-شيفر (D-S) محسَّنة بالمسافة بين الأدلة وبالنموذج السحابي، تعالج مشكلة فشل الدمج الناتجة عن مفارقة زاده في ظل الأدلة شديدة التعارض. وعلى مستوى التقييم، يُبنى نموذج تقييمي ثنائي المستوى لدمج المعلومات متعددة الأبعاد، يُخرج حالة صحية من أربع درجات ومؤشراً صحياً متصلاً. وعلى مستوى التنبؤ، تُوصف اتجاهات التدهور طويلة الأمد بعملية وينر (Wiener)، وتُقتَّص خصائص التقلبات قصيرة الأمد بشبكة LSTM، ثم يُدمج النموذجان بترجيح تكيفي وفق تباين التنبؤ، بما يعطي توزيعاً للعمر المتبقي مصحوباً بفاصل ثقة.

وبالتحقق على أكثر من 2000 مجموعة من العينات المقاسة فعلياً في أحد خطوط السكك الحديدية عالية السرعة، بلغت دقة التقييم بالدمج متعدد المصادر 93.6 %، بزيادة 12.8 نقطة مئوية على المصدر الواحد؛ كما أظهرت الخوارزمية المحسَّنة لنظرية D-S استقراراً في الدمج أعلى بفارق ملحوظ من النسخة الكلاسيكية في السيناريوهات شديدة التعارض؛ وبلغ متوسط الخطأ المئوي المطلق (MAPE) في التنبؤ بالدمج بين وينر وLSTM نسبة 8.7 %، بانخفاض 5.3 نقطة مئوية عن نموذج وينر وحده؛ وبهذا الأسلوب يمكن تبكير نافذة الإنذار بالأعطال بنحو 72 ساعة في كل من عوازل المقاطع ومفاتيح العزل.

الكلمات المفتاحية:شبكة التلامس العلوية؛ عوازل المقاطع؛ مفاتيح العزل؛ دمج البيانات متعددة المصادر؛ تقييم الحالة الفنية؛ التنبؤ بالأعطال؛ العمر المتبقي

الفصل 1. مقدمة

1.1 خلفية البحث وأهميته

تجاوز طول شبكة السكك الحديدية عالية السرعة في الصين 45 ألف كم بحلول عام 2025، وتُعدّ شبكة التلامس العلوية القناة الوحيدة لتغذية نظام الجر الكهربائي، ومن ثمّ فإن موثوقيتها تقيّد مباشرة أمان تشغيل القطارات وكفاءة النقل. وتُظهر الإحصاءات الصادرة عن الإدارة الوطنية للسكك الحديدية أن أعطال معدات شبكة التلامس العلوية استأثرت بنسبة 67.3 % من إجمالي أعطال نظام إمداد الجر الكهربائي خلال الفترة 2020—2024، وقد بلغت حصة عوازل المقاطع ومفاتيح العزل مجتمعتين 41.8 %. وفي عطل نموذجي للانهيار الومضي في عازل مقطعي بشبكة التلامس، لا يستغرق الانتقال من شذوذ المعدة إلى التوقف الإجباري عادةً سوى عشرات الدقائق، في حين يستهلك التدخل اللاحق واستعادة التغذية 4.2 ساعة في المتوسط، فتتجاوز الخسائر الاقتصادية المباشرة وأثر تأخر النقل بكثير القيمة الذاتية للمعدة.

لا يزال تشغيل معدات شبكة التلامس العلوية وصيانتها يعتمد أساساً على الجولات الدورية والفحص خارج الموقع. ومع أن منظومة 6C للسكك الحديدية حققت تغطية أولية للمراقبة أثناء التشغيل، فإن بيانات النظم الفرعية للفحص (مثل فحص 1C المثبَّت على القطار للتقاط البانتوجراف مع الشبكة، وفحص 2C لجولات شبكة التلامس، والفحص المحمول 3C) منفصلة بعضها عن بعض، وتبرز ظاهرة جزر المعلومات بشكل حاد. كما أن دورة الصيانة الدورية (3—6 أشهر عادةً) لا تتوافق مع معدل التدهور الفعلي للمعدات: ففي المقاطع ذات ظروف التشغيل القاسية، قد تنتقل ملفات التلامس في مفاتيح العزل من فرط سخونة طفيف إلى الاندماج باللحام في الفجوة بين جولتين متتاليتين للفحص. ولا تتجاوز نسبة اكتشاف الأعطال في هذا النمط من الصيانة 30 %، وقد أصبحت التوقفات غير المخططة الناتجة عن الأعطال غير المكتشفة العقبة الأساسية التي تحدّ من جودة التشغيل والصيانة.

لقد حقق كل من الصيانة المبنية على الحالة (Condition-Based Maintenance, CBM) والصيانة التنبؤية (Predictive Maintenance, PdM) نتائج ملحوظة في أنظمة الطاقة وفي مجال محركات الطائرات، ويقوم جوهرهما على المراقبة المستمرة لمتغيرات حالة المعدة بما يتيح التعرف على بوادر التدهور قبل حدوث عطل وظيفي والتنبؤ بالزمن المتبقي المتاح للتشغيل. ويتطلب إدخال مفهوم PdM إلى تشغيل معدات شبكة التلامس العلوية وصيانتها حل مسألتين أساسيتين في الوقت نفسه: ضعف قدرة المتغير الواحد (كمراقبة تيار التسرب وحده) على تمثيل أنماط التدهور المركبة، وتباين الأبعاد الفيزيائية وترددات أخذ العينات ودرجات الموثوقية بين مصادر البيانات غير المتجانسة. ومن هنا تنطلق هذه الدراسة في اعتماد أسلوب دمج البيانات متعددة المصادر.

1.2 الوضع الراهن للبحوث المحلية والدولية

(1) تقنيات مراقبة شبكة التلامس العلوية

اقترح Nåvik وآخرون [1] في عام 2016 مخططاً للمراقبة أثناء التشغيل لشبكة التلامس العلوية قائماً على شبكات الاستشعار اللاسلكية (WSN)، إذ وُضعت مستشعرات التسارع والانفعال على الحبل الحامل وسلك التلامس، وأُعيدت إشارات الاهتزاز آنياً عبر شبكة ZigBee. وقد أثبت هذا المخطط جدوى الاستشعار اللاسلكي في المراقبة الديناميكية للتقاط البانتوجراف مع الشبكة، إلا أن عمر تغذية عُقد المستشعرات محدود (14 شهراً في المتوسط)، كما لم يغطِّ المتغيرات الكهربائية ومعلومات الحالة الحرارية، فجاء بُعد المراقبة أحادياً. واقترح Tang وآخرون [2] في عام 2023 خوارزمية RCID-YOLOv5s للكشف عن الأهداف، فحققت دقة mAP مقدارها 91.3 % على صور مكونات شبكة التلامس، بسرعة استدلال بلغت 45 FPS. وتناول Zhong وآخرون [3] الشذوذات الهندسية كالميل والانحراف في سلاسل العوازل وعوازل المقاطع بأسلوب كشف يعتمد المربعات المحيطة الدوّارة (OBB)، ونُشر العمل في IEEE Trans. on Instrumentation and Measurement، حيث عالج ارتفاع معدل تفويت الكشف لدى المربعات المحيطة الأفقية التقليدية (HBB) تجاه الأهداف النحيلة المائلة. غير أن أساليب الفحص البصري تتأثر بقوة بالإضاءة والأحوال الجوية، إذ تنخفض دقة الكشف بنحو 15—20 نقطة مئوية ليلاً وفي الأحوال الضبابية.

(2) تقييم حالة مفاتيح العزل

أجرى التقرير التقني المرتبط بـ IEEE Std C37.20.2 [4] تحليلاً إحصائياً لأنماط الأعطال النموذجية في مفاتيح العزل، فأشار إلى أن أعطال فرط سخونة ملفات التلامس تمثل 42 % والتعثر الميكانيكي 31 %، وأن مجموعهما يتجاوز 70 %. ويستند هذا التحليل إلى بيانات تشغيل شبكات الطاقة في أمريكا الشمالية، حيث تختلف أنواع المعدات وظروف التشغيل (ومعظمها داخلي) عن مفاتيح العزل الخارجية في السكك الحديدية الصينية عالية السرعة، فلا يمكن تطبيق نسب الأعطال هذه مباشرة، غير أن السمة التوزيعية القائمة على ثنائية الملفات والعناصر الميكانيكية لها قيمة مرجعية. وفيما يخص المراقبة أثناء التشغيل لمفاتيح العزل، قدّم المرجع [5] في عام 2024 مراجعة منهجية لتقنيات مراقبة شبكة التلامس العلوية شملت المسارات التقنية ونطاقات التطبيق لوسائل الفحص من 1C إلى 6C، وأشار إلى أن تشغيل كل نظام فرعي للمراقبة بصورة مستقلة وانعدام تحليل الارتباط بين البيانات من مصادر مختلفة هما الثغرتان الأساسيتان اللتان تحدّان من رفع دقة تشخيص الأعطال.

(3) أساليب دمج البيانات

قدّم Hamza وآخرون [6] في عام 2025 مراجعة متعددة المراحل للصيانة التنبؤية المدفوعة بالذكاء الاصطناعي، قسّموا فيها مسار PdM إلى خمس مراحل: الحصول على البيانات، وهندسة الخصائص، وتقييم الحالة الصحية، والتنبؤ بالعمر المتبقي (RUL)، وترشيد القرار؛ وأشاروا إلى أن دمج البيانات يحقق مكاسب أدائية في كل مرحلة، لكن معالجة تعارض الأدلة وقياس عدم اليقين لا تزال مسألة مفتوحة. وفي مجال المعدات الكهربائية، طبّق المرجع [9] في عام 2021 نظرية الأدلة D-S المحسَّنة على التقييم الشامل لحالة المحولات، فخفف بفاعلية من مفارقة الدمج في ظل الأدلة شديدة التعارض عبر إدخال المسافة بين الأدلة لتصحيح موثوقية التخصيص الأساسي للاحتمالات (BPA). وقد اقترح المرجع [13] معمارية تعاونية بين السحابة والشبكة والحافة والطرف لتشغيل محطات السكك الحديدية الفرعية وصيانتها، ونُشر في Journal of the China Railway Society عام 2022؛ ويتقاطع فكره في الدمج الهرمي مع تصميم الشبكة الثلاثية المستويات في هذه الدراسة، إلا أن ذلك العمل يركّز على سيناريو المحطة الفرعية ولم يتناول مشكلة التدهور المقترن بالبيئة الخاصة بمعدات شبكة التلامس الخارجية.

(4) أساليب التنبؤ بالعمر المتبقي

تُستخدم عملية وينر على نطاق واسع لقدرتها على وصف اتجاه التدهور والتقلبات العشوائية في الوقت نفسه، وقد طُبقت في مجالات مثل عزل الورق المشبَّع بالزيت [10] وتلاشي سعة بطاريات الليثيوم. وقد نمذج المرجع [10] تدهور عزل الورق المشبَّع بالزيت بعملية وينر، واستنتج عبر زمن الوصول الأول (FHT) أن العمر المتبقي يتبع توزيعاً غاوسياً معكوساً، ثم حدّث معامل الانحراف آنياً بأسلوب بايز، فحقّق تكيّفاً في المعاملات مع توالي البيانات الجديدة. وتتميز شبكة LSTM وصورها المختلفة بأداء بارز في التنبؤ بالسلاسل الزمنية: فقد بنى المرجع [11] نموذجاً تكاملياً ديناميكياً CNN-LSTM-AM تُرجّح فيه آلية الانتباه الخصائص متعددة المقاييس؛ ودمج المرجع [12] خصائص متعددة المصادر بشبكة BiLSTM لتشخيص الأعطال، إذ تلتقط البنية ثنائية الاتجاه الاعتماد على السياق السابق واللاحق؛ واقترح المرجع [14] أسلوباً مركّباً FFT-LSTM يستخرج أولاً خصائص نطاق التردد بتحويل فورييه السريع ثم يُدخلها إلى LSTM، فحقق قيمة RMSE منخفضة في تشخيص أعطال المعدات الكهربائية. وتعتمد النماذج المدفوعة بالبيانات وحدها على عدد كبير من العينات الموسومة، بينما تكاد عينات أعطال معدات شبكة التلامس تكون نادرة؛ ولذلك أصبح دمج نموذج آلية التدهور مع النموذج المدفوع بالبيانات مساراً ممكناً لتحسين قدرة التعميم في التنبؤ.

(5) أوجه القصور في البحوث القائمة وموقع هذه الدراسة

وبناءً على ما سبق، تتضح ثلاثة أوجه قصور في البحوث القائمة: الأول أن بُعد المراقبة أحادي، إذ لم تُدمج البيانات الكهربائية والميكانيكية والصور الحرارية وغيرها من المصادر المتعددة دمجاً فعّالاً، فضعفت قدرة المتغير الواحد على تمثيل أنماط التدهور المركبة؛ والثاني أن أساليب دمج البيانات لا تتمتع باستقرار كافٍ في حالات تعارض الأدلة، ولا تزال مشكلة مفارقة زاده في نظرية D-S الكلاسيكية تفتقر إلى معالجة موجَّهة في تقييم معدات شبكة التلامس العلوية؛ والثالث أن التنبؤ بالعمر المتبقي يميل إلى المنحى المدفوع بالبيانات مع إدخال محدود لآليات التدهور الفيزيائي، فتبقى قدرة التعميم محدودة في ظروف شحّ العينات. وتتناول هذه الدراسة نوعي المعدات — عوازل المقاطع ومفاتيح العزل — فتبني إطاراً متكاملاً يمتد من جمع البيانات متعددة المصادر ودمجها بأسلوب D-S المحسَّن إلى تقييم الحالة الفنية والتنبؤ التعاوني بأسلوب Wiener-LSTM، ساعيةً إلى تقديم تحسينات منهجية في أوجه القصور الثلاثة المذكورة.

1.3 محتوى البحث والمسار التقني

تُنظَّم موضوعات هذه الدراسة في أربع مراحل وفق تدفق البيانات والتدرج النموذجي. المرحلة الأولى: جمع البيانات متعددة المصادر وهندسة الخصائص. وتُحصر لكل من نوعي المعدات ستة مصادر بيانات (تيار التسرب، والاهتزاز، والصور الحرارية بالأشعة تحت الحمراء، والمتغيرات الجوية، والصور، والسجلات التاريخية)، وتُصمَّم شبكة استشعار هرمية من ثلاث طبقات (الحافة والبوابة والسحابة) تحقق مزامنة زمنية وفق IEEE 1588 PTP، وتُستخرج من الإشارات الأصلية خصائص في النطاق الزمني والنطاق الترددي والنطاق الزمني-الترددي بوسائل منها تحليل النمط التجريبي (EMD)، والتحليل المويجي (db6 بخمسة مستويات)، وشبكة ResNet-50. المرحلة الثانية: دمج البيانات غير المتجانسة متعددة المصادر. فعلى مستوى البيانات، يُنجَز الدمج التكراري للمستشعرات المتشابهة بمرشح كالمان وبترجيح مقلوب التباين؛ وعلى مستوى الخصائص، تُعالج الخصائص الزمنية أحادية البعد والخصائص الحرارية ثنائية البعد بشبكتي 1D-CNN و2D-CNN على الترتيب، ثم تُدمج بعد ترميزها بـ BiLSTM وتقليص أبعادها بـ PCA؛ وعلى مستوى القرار، تُستخدم نظرية الأدلة D-S المحسَّنة، إذ تُحسب أوزان الموثوقية بالمسافة بين الأدلة، ويُعدَّل عدم اليقين بالنموذج السحابي (Ex, En, He)، بما يحل مشكلة فشل دمج الأدلة شديدة التعارض.

المرحلة الثالثة: تقييم الحالة الصحية للمعدات. يُبنى نظام مؤشرات متعدد المستويات لنوعي المعدات، وتُحدَّد أوزان المؤشرات بترجيح مركّب يجمع أسلوب التحليل الهرمي (AHP) وطريقة الإنتروبيا؛ ويُصمَّم مسار تقييم دمجي من مستويين — يُدمج أولاً داخل كل بُعد التخصيص الأساسي للاحتمالات (BPA) للأدلة المتشابهة، ثم تُدمج بين الأبعاد تخصيصات القرار — ليُخرَج حالة صحية من أربع درجات (طبيعية/ملاحظة/شاذّة/حرجة) ومؤشر صحي متصل HI. المرحلة الرابعة: التنبؤ بالعمر المتبقي. تُنمذج اتجاهات التدهور طويلة الأمد بعملية وينر، ويُستنتج توزيع RUL عبر زمن الوصول الأول؛ وتُقتَّص خصائص التقلبات قصيرة الأمد بشبكة LSTM؛ وتُحدَّد أوزان تكيفية بمقلوب تباين تنبؤ كل نموذج، ثم يُدمج الخرج في تقدير لـ RUL مصحوب بفاصل ثقة. وتُعاير عتبة التدهور ومعاملات النماذج ببيانات اختبارات التعتيق المتسارع.

ويرجع اختيار عوازل المقاطع ومفاتيح العزل موضوعاً لهذه الدراسة إلى سببين: أولهما أنهما ينتميان إلى فئتين مختلفتين من المعدات هما معدات العزل ومعدات الفصل، وتتباين أنماط أعطالهما ومتغيرات مراقبتهما تبايناً واضحاً، فإن ثبتت فاعلية الإطار الواحد للدمج والتقييم والتنبؤ على الفئتين معاً أمكن التحقق من شمولية الأسلوب على مستوى المعدات؛ وثانيهما أن أعطالهما مجتمعة تمثل نحو 40 % من أعطال شبكة التلامس العلوية، وهو ما يجعل الحاجة إلى تشغيلها وصيانتها حاجة ماسة.

الفصل 2. تحليل آليات الأعطال

2.1. بنية العازل المقطعي وأنماط أعطاله النمطية

يُعدّ العازل المقطعي من الطراز FQX-25 مكوّنًا رئيسيًا في شبكة التلامس للسكك الحديدية المكهربة، إذ يتيح الفصل الكهربائي بين المقاطع، ويتكوّن جسمه الأساسي من مسارين انزلاقيين عازلين (قضبان سحب من الألياف الزجاجية مغلّفة بزعانف من المطاط السيليكوني) ومن ألواح توصيل موصِّلة تربطهما. وأثناء التشغيل ينزلق لوح البانتوجراف على المسارين العازلين انزلاقًا انتقاليًا، ويحقّق المساران العازلان العزلَ الكهربائي بين جانبي شبكة التلامس. ويفرض هذا التركيب على العازل أن يتحمّل في الوقت نفسه ثلاثة أنواع من الإجهاد: الإجهاد الكهربائي (جهد التشغيل 27.5 kV)، والحمل الميكانيكي (ضغط التلامس بين البانتوجراف وشبكة التلامس 70—110 N)، والتآكل البيئي (الأشعة فوق البنفسجية، والتلوث، والمطر والثلج).

يُمثّل الوميض السطحي الناتج عن التلوث أخطرَ أنماط الأعطال المفاجئة في العازل المقطعي. فتحت تأثير التعرّض الطويل للأشعة فوق البنفسجية تتراجع قدرة انتقال خاصية كراهية الماء في الزعانف المطاطية السيليكونية، وعندما تتجاوز كثافة الملح المكافئة على السطح (ESDD) القيمة 0.1 mg/cm² تتشكّل مناطق جافة على طول السطح بفعل تيار التسرب في الظروف الرطبة، ثم تنشأ أقواس كهربائية موضعية تزحف على السطح حتى تخترق القطبين فتقع عملية الوميض. وقد لا يستغرق هذا المسار من تشكّل المنطقة الجافة إلى الوميض سوى ثوانٍ إلى عشرات الثواني، غير أنّ مؤشراته السابقة — أي التزايد التدريجي في سعة نبضات تيار التسرب وفي تكرارها — قد تستمر ساعات إلى أيام، بما يوفّر نافذة زمنية للإنذار. وتشمل الكميات القابلة للمراقبة سعة تيار التسرب ونسبة تشوّه شكلِه الموجي، وزاوية كراهية الماء على السطح، والارتفاع الموضعي لدرجة الحرارة في الصور الحرارية بالأشعة تحت الحمراء.

وكثيرًا ما يبدأ الكسر الميكانيكي من موضع اتصال طرف المسار العازل بلوحة التوصيل، وهو الموضع الذي يسجّل أعلى معامل تركيز للإجهاد. ويؤدي التكرار الصدمي لضغط التلامس بين البانتوجراف وشبكة التلامس (تحميل ثم تفريغ، دورة واحدة عند مرور كل قطار) إلى نشوء الشقوق الدقيقة ونموّها. وفي درجات الحرارة المنخفضة شتاءً يزيد تقصّف المصفوفة المصنوعة من الألياف الزجاجية من سرعة نمو الشقوق، وينخفض حمل الكسر بنحو 15%—20% مقارنةً بدرجة الحرارة العادية. ويمكن أن يكون تغيّر نسبة الطاقة في المركّبات عالية التردد (>2000 Hz) من إشارة تسارع الاهتزاز مؤشرًا حسّاسًا على تطوّر الشقوق الدقيقة.

ويحدث التآكل بالقوس الكهربائي في لحظة انفصال البانتوجراف عن شبكة التلامس. فانهيار الفجوة بين البانتوجراف والمسار العازل يولّد قوسًا كهربائيًا قد تبلغ درجة حرارة جذره 3000—5000 K، فيتفحّم المطاط السيليكوني موضعيًا وتتشكّل مسارات موصِّلة، ويؤدي التآكل المتكرر إلى زيادة خشونة سطح المسار وتقصير طول العزل الفعّال. ويمكن التعرّف على آثار التفحّم بالكشف على الصور عالية الدقة، كما تُظهر الصور الحرارية شذوذًا في الارتفاع الموضعي لدرجة الحرارة في منطقة القوس (ΔT>15 K). أمّا تقادم العزل فيتمثّل في الانخفاض التدريجي للمقاومية الحجمية والمقاومية السطحية للمطاط السيليكوني، مع تراجع مستوى جهد التحمل عند تردد القدرة عامًا بعد عام، وهو عملية تدهور بطيئة يمكن متابعتها باختبار مقاومة العزل الدوري ورصد اتجاه تيار التسرب.

2.2. بنية مفتاح العزل وأنماط أعطاله النمطية

تغلب على مفاتيح العزل المستخدمة في شبكة التلامس طرازات GN (مفاتيح عزل داخلية) و GW (مفاتيح عزل خارجية)، ويُستخدم طراز GW على نطاق أوسع في الخطوط الرئيسية للسكك الحديدية عالية السرعة. ويتكوّن المفتاح من سكين (ملامس متحرك) مستند إلى عمود عازل ومن ملامس ثابت، وتُدار السكين بآلية تشغيل لتنفيذ عمليتي الفصل والوصل. وفي حالة الوصل يتلاصق الملامسان المتحرك والثابت، وتشترط المواصفات الفنية بعد الوصل: فجوة بين الملامسين مقدارها 15—20 mm، وانحراف في الطور نفسه ≤5 mm، وفرق في عدم تزامن وصل الأطوار الثلاثة ≤6 mm. ويعكس انحراف هذه المعاملات الهندسية مباشرةً حالةَ تآكل الملامسين وحالة الآلية.

ويُعدّ فرط سخونة الملامسين أكثر أعطال مفتاح العزل تكرارًا، إذ تبلغ نسبته نحو 42%[4]. وتتّسم سلسلة التدهور فيه بخصيصة التغذية الراجعة الموجبة النمطية: تآكل بالقوس الكهربائي ← خشونة سطح الملامس ← زيادة مقاومة التلامس ← ارتفاع حرارة جول ← تسارع أكسدة الملامس ← زيادة أكبر في مقاومة التلامس. ومتى تجاوزت حلقة التغذية الراجعة هذه النقطة الحرجة، تحوّل ارتفاع درجة حرارة الملامس من النمو الخطي إلى النمو الأُسّي، فقد ينتقل في غضون عشرات الدقائق من فرط سخونة طفيف (ΔT≈10 K) إلى فرط سخونة حادّ (ΔT>60 K)، بل إلى التحام الملامسين بالصهر. وتمثّل مراقبة اتجاه ارتفاع حرارة الملامس بالتصوير الحراري بالأشعة تحت الحمراء، وتتبّع تغيّر مقاومة التلامس باختبار مقاومة الحلقة، وسيلتين متكاملتين لالتقاط الإشارات المبكرة في هذه السلسلة.

وينشأ الانحباس الميكانيكي (بنسبة 31%) في معظمه عن صدأ ذراع الربط في آلية التشغيل، أو تآكل المحامل، أو جفاف الشحم. فمفاتيح العزل الخارجية تتحمّل أحمال الرياح على مدى طويل (سرعة الرياح التصميمية 30 m/s)، وبعد تدهور إحكام صندوق الآلية يتسرّب إليه ماء المطر فيُسرّع الصدأ. ويُعدّ الارتفاع غير الطبيعي في تيار عملية الفصل والوصل وفي زمنها نذيرًا بالانحباس. أمّا تدهور العزل فيحدث أساسًا في العوازل القضيبية الدعامية، وآلية الوميض التلوثي فيه مشابهة لتلك في العازل المقطعي، إلا أنّ مسافة الزحف في العازل أكبر (≥1200 mm)، ولذلك تكون كثافة الملح المكافئة الحرجة للوميض أعلى منها في العازل المقطعي. وينشأ التآكل بالقوس الكهربائي أثناء عمليتي الفصل والوصل، ويستغرق زمن احتراق قوس التشغيل عادةً عشرات الميلي ثانية، غير أنّ التآكل المتراكم في ظروف التشغيل المتكرر (كتكرار تبديل المسارات في المحطات) يبقى غير قابل للإهمال.

2.3. العوامل المؤثرة في الأعطال وآلية التدهور

ينتج تدهور نوعي المعدات عن تفاعل مقترن بين ثلاثة جوانب: العوامل البيئية، وظروف التشغيل، وتقادم المواد. وفي ما يتعلق بالعوامل البيئية، يمكن تكميم تأثير درجة الحرارة والرطوبة بمعادلة Arrhenius: معدّل التفاعل k=A·exp(-Ea/RT)، حيث Ea طاقة التنشيط، و R الثابت الغازي، و T درجة الحرارة المطلقة. ويُستخدم في الممارسة الهندسية تقريب «قاعدة 10°C»: فكل ارتفاع في درجة الحرارة بمقدار 10°C يضاعف تقريبًا معدّل التقادم الحراري للمواد العازلة. وبالنسبة إلى المعدات الخارجية قد يبلغ فرق درجة الحرارة السنوي 70°C (من -25°C إلى +45°C)، ويسهم ارتفاع الحرارة في أشهر الصيف بأكثر من 40% من مقدار التدهور السنوي. أمّا الرطوبة فتسرّع تطوّر التفريغ على طول السطح بخفض مقاومة السطح، ويبلغ معدّل أعطال الوميض التلوثي في المواسم عالية الرطوبة (الرطوبة النسبية >85%) ما يعادل ثلاثة إلى خمسة أضعاف مثيله في المواسم الجافة.

وفي ما يتعلق بظروف التشغيل، يحدّد تيار الحمل قدرة حرارة جول في الملامسين (P=I²R)، فمفاتيح العزل في المقاطع ذات كثافة تشغيل عالية للسكك الحديدية عالية السرعة تحمل تيارات كبيرة (>800 A) على مدى طويل، ويكون ارتفاع حرارة ملامسيها أعلى بوضوح من المقاطع قليلة الحمل. وفي المقاطع ذات معدّل انفصال مرتفع بين البانتوجراف وشبكة التلامس (كوصلات مقاطع الشد وتفرّعات الأسلاك) يزداد احتمال تعرّض العازل المقطعي للتآكل بالقوس الكهربائي وتزداد وتيرته. وأمّا الحمل الميكانيكي، فتتأثر درجة ضغط التلامس ومستوى الاهتزاز معًا بقوة رفع البانتوجراف وبسرعة القطار، وتزيد طاقة اهتزاز التلامس بين البانتوجراف وشبكة التلامس عند سرعة 350 km/h بنحو 60% مقارنةً بسرعة 250 km/h. ويربط قانون Paris، da/dN=C(ΔK)^m، سرعةَ نمو الشقّ بسعة معامل شدّة الإجهاد، وفي ظل سعات إجهاد كبيرة يقصر عمر نمو شقوق الكلال قصرًا ملحوظًا.

ويفضي هذا الاقتران بين العوامل المتعددة إلى حقيقة محورية: لا يستطيع أي متغيّر منفرد أن يمثّل حالة التدهور الحقيقية للمعدة تمثيلًا كاملًا. فمثلًا، حين يبلغ ارتفاع حرارة ملامسي مفتاح العزل 30 K، فقد يكون سببه زيادة مقاومة التلامس (تدهور)، أو ارتفاع درجة حرارة المحيط (حالة طبيعية)، ولا يمكن التمييز بين الاحتمالين بالاعتماد على درجة الحرارة وحدها. أمّا عند إدخال متغيّرين متكاملين هما مقاومة التلامس ودرجة حرارة المحيط، فيرتفع يقين التشخيص ارتفاعًا ملحوظًا. وهذا بالضبط هو الدافع التقني الذي يجعل دمج البيانات متعددة المصادر أمرًا لا مناصّ منه في تقييم الحالة الفنية لمعدات شبكة التلامس.

الفصل 3. جمع البيانات متعددة المصادر وبناء شبكة الاستشعار

3.1. أنواع مصادر البيانات الستة

يصنّف هذا البحث، انطلاقًا من خصائص أنماط أعطال العازل المقطعي ومفتاح العزل، ستة أنواع من مصادر البيانات: الكهربائية، والميكانيكية، والحرارية، والبيئية، والصورية، وسجلات التشغيل والصيانة التاريخية. وفي ما يتعلق بالمتغيرات الكهربائية، يُثبَّت مستشعر تيار التسرب ذو المدى 0—10 mA والدقة من الدرجة 0.5 في الطرف المؤرَّض للعازل، ويستطيع التقاط معلومات النبضات وتشوّه الشكل الموجي لتيار التسرب السطحي؛ أمّا جهاز قياس مقاومة الحلقة فبدقة فصل 0.1 μΩ فيُستخدم لقياس مقاومة التلامس في حالة وصل مفتاح العزل. وفي ما يتعلق بالمتغيرات الميكانيكية، يُثبَّت مستشعر التسارع ثلاثي المحاور ذو نطاق التردد 0.5—5000 Hz والحساسية 100 mV/g عند طرف مسار العازل المقطعي وعلى صندوق آلية مفتاح العزل، بمعدّل أخذ عيّنات 10 kHz، ليغطّي نطاق الطاقة الرئيسي لاهتزاز التلامس بين البانتوجراف وشبكة التلامس (5—2000 Hz) ونطاق السمات عالية التردد الدالّة على الشقوق.

وتأتي البيانات الحرارية من كاميرا تصوير حراري بالأشعة تحت الحمراء بدقة 640×512 بكسل وقيمة NETD ≤0.05°C (عند 30°C)، تُصوَّر بها المنطقة الكاملة للعازل المقطعي ومنطقة ملامسي مفتاح العزل تصويرًا دوريًا (كل 15 min) وتصويرًا مُستثارًا بالعتبة (ΔT>10 K). وتشمل المتغيرات البيئية كثافة الملح المكافئة على السطح (ESDD، بأخذ عيّنات بالمسح اليدوي أو بمستشعر تلوّث متصل بالشبكة)، وسرعة الرياح واتجاهها (مقياس رياح بالموجات فوق الصوتية بمدى 0—60 m/s)، ودرجة الحرارة والرطوبة (PT100 مع مستشعر سعوي، من -40°C إلى +80°C)، وشدة الإشعاع فوق البنفسجي. وتُجمع بيانات الصور بكاميرا صناعية عالية الدقة (5 ميجابكسل، بدرجة حماية IP67)، ويُعرَّف بواسطة نموذج كشف الأهداف YOLOv8 (بقيمة mAP تساوي 92.7% وزمن استدلال أقل من 30 ms) على العيوب الظاهرية مثل الشقوق السطحية وآثار الاحتراق وتلف الزعانف وتآكل الملامسين.

وتغطّي بيانات التشغيل والصيانة التاريخية تاريخ إدخال المعدة الخدمة، وسجلات جميع عمليات الصيانة والإصلاح، وسجلات الأعطال، وبيانات اختبارات التقادم المُسرَّع لمعدات الدفعة نفسها، ومنحنيات التدهور المقدَّمة من المُصنّع. وهذه البيانات، وإن لم تكن مجموعة في الزمن الحقيقي، فإنها تحمل معلومات مسبقة عن مسار تدهور المعدة على مدى دورة حياتها الكاملة، ولا بديل عنها في تهيئة معاملات عملية Wiener ومعايرة عتبة التدهور. كما تتباين معدّلات أخذ العيّنات في مصادر البيانات الستة تباينًا كبيرًا — الاهتزاز 10 kHz، والصور الحرارية 4 مرات/h، والصور تُلتقط عند الحاجة، و ESDD مرة واحدة شهريًا — ولذلك يجب أن تعالج طرق الدمج اللاحقة هذا التباين في الترددات.

3.2. البنية الثلاثية المستويات لشبكة الاستشعار

يصمّم هذا البحث شبكة استشعار ثلاثية المستويات: الإدراك الطرفي — البوابة المحلية — المنصّة السحابية، بالاستناد إلى البنية الطبقية لمنظومة 6C للسكك الحديدية[8]. فتُنشَر في طبقة الإدراك الطرفي مختلف المستشعرات ووحدات جمع البيانات، لتنجز في الموقع تهيئة الإشارة (الترشيح والتضخيم والتحويل من تماثلي إلى رقمي) واستخراج السمات خفيف الحمل (كالقيمة الفعّالة لتيار التسرب وقيمة RMS للاهتزاز)، بما يقلّل الطلب على عرض النطاق الصاعد. وتتّخذ طبقة البوابة المحلية من بوابة صناعية بمعمارية ARM+FPGA نواةً لها، تجمع بيانات عشرات العُقد الطرفية داخل مقطع الشد نفسه، وتنفّذ المزامنة الزمنية الدقيقة وفق IEEE 1588 PTP (بدقة مزامنة أقل من 1 μs)، فتحلّ مشكلة توحيد الطوابع الزمنية للبيانات متعددة المصادر؛ كما تشغّل في الوقت نفسه خوارزمية الدمج على مستوى البيانات (ترشيح Kalman) ومنطق الفرز الأولي للشواذ، فتنذر آنيًا بالبيانات التي تتجاوز الحدود تجاوزًا واضحًا.

وتضطلع طبقة المنصّة السحابية بمهام الحوسبة للدمج على مستوى السمات والدمج على مستوى القرار، ولنماذج تقييم الحالة ونماذج التنبؤ بالعمر. ويُعتمد في الاتصال الصاعد تبديلٌ تكيّفي بين GPRS و 4G و 5G: إذ تُعاد البيانات الاعتيادية عبر 4G (عرض نطاق أكبر من 10 Mbps، وزمن تأخير أقل من 200 ms، ونسبة فقدان حزم أقل من 0.1%)، وتُمرَّر بيانات الإنذار وأوامر التهيئة عن بُعد عبر 5G (زمن تأخير أقل من 50 ms)، وتُستخدم GPRS خيارًا احتياطيًا في المقاطع النائية. وتحتفظ البوابة بذاكرة مؤقتة محلية لا تقل عن 72 ساعة من البيانات، فلا تُفقد البيانات أثناء انقطاع الاتصال، ويُستأنف النقل من نقطة الانقطاع بعد استعادته. وتوازن هذه البنية بين استجابة الطرف الآنية وميزة القدرة الحسابية في السحابة، فتمكّن السلسلة الكاملة «أخذ العيّنات ← الفرز الأولي ← الدمج ← التقييم ← التنبؤ» من العمل بموثوقية في مختلف ظروف الاتصال.

3.3. المعالجة المسبقة للبيانات واستخراج السمات

ولا بدّ من معالجة الإشارات الأصلية معالجةً مسبقة قبل إدخالها إلى نموذج الدمج. فإشارة تيار التسرب تُعالَج بالتحلّل التجريبي للأنماط (EMD) لإزالة حدّ الاتجاه والضجيج عالي التردد، ثم يُحتفظ بعد التحلّل بالمركّبات IMF1—IMF5 لإعادة بناء الإشارة الفعّالة، وتُستخرج منها سمات المجال الزمني (المتوسط، والقيمة العظمى، ومعامل النبض، والالتواء)، وسمات المجال الترددي (سعة المركّبة الأساسية، ونسب محتوى التوافقيات الثالثة والخامسة والسابعة)، وسمات الطيف الحدّي وفق Hilbert. أمّا إشارة الاهتزاز فتُحلَّل بخمسة مستويات باستخدام المويجة db6، وتُستخرج من معاملات التفصيل في كل مستوى نسبةُ الطاقة ومؤشرُ التفرطح، إذ تحتفظ المركّبة منخفضة التردد (A5) بمعلومات التردد الرئيسي للاهتزاز الميكانيكي، بينما تكون المركّبات عالية التردد (D1—D3) حسّاسة للشقوق الدقيقة.

بعد تصحيح اللاتجانُس والمعايرة الإشعاعية للصور الحرارية بالأشعة تحت الحمراء، تُستخرج سمات منها إحداثيات أعلى نقطة حرارة، وقيمة أعلى حرارة، وأقصى ارتفاع حراري ΔT، ونسبة المساحة الشاذة (نسبة البكسلات التي تتجاوز حرارتها درجة حرارة المحيط بـ 15 K). وتُستخرج سمات الصورة على هيئة متجه دلالي بصري من 512 بُعداً باستخدام ResNet-50 (مُدرَّب مسبقاً على ImageNet، مع استبدال الطبقة الأخيرة بـ GAP+FC). ثم تُخفَّض متجهات السمات لكل مصدر بـ PCA إلى فضاء المكوّنات الرئيسية بمساهمة تباين تراكمية ≥95%، لإزالة الأبعاد الزائدة. أما معالجة البيانات المفقودة فتتم على النحو الآتي: تُكمَّل حالات الفقدان القصيرة (<30 min) بالاستيفاء عبر الشرائح التكعيبية؛ وتُوسَم حالات الفقدان الطويلة (>30 min) مفقودةً دون استيفاء، ويُعبَّر عنها في الدمج اللاحق بدالة الكتلة الخاصة بعدم اليقين الشامل في BPA ذلك المصدر، تجنّباً للانحياز الذي يجلبه الاستيفاء الزائف.

الفصل 4. طرق دمج البيانات غير المتجانسة متعددة المصادر

4.1 الدمج على مستوى البيانات

يعالج الدمج على مستوى البيانات تكاملَ البيانات الخام بين المستشعرات المتكررة من النوع نفسه. فبالنسبة إلى مستشعرات تيار التسرب الموزَّعة تناظرياً على طرفي العازل المقطعي، يُنجَز دمج البيانات وكبت الضوضاء بمرشّح Kalman: معادلة الحالة x(k)=Ax(k-1)+w(k)، ومعادلة الرصد z(k)=Hx(k)+v(k)، حيث تُحدَّد مصفوفتا التغاير لضوضاء العملية w~N(0,Q) وضوضاء الرصد v~N(0,R) من بيانات معايرة المستشعر. ويتلاءم البناء التكراري لمرشّح Kalman بطبيعته مع التحديث الآني نقطةً بنقطة، بحجم حسابي O(n²) (n بُعد الحالة)، ما يجعله ملائماً للنشر على جانب البوابة.

أما القياسات المتكررة في الأنظمة غير الديناميكية (كالمستشعرات الاهتزازية ذات القناتين)، فتُعالَج بالمتوسط المرجَّح بمقلوب التباين: الوزن w_i=1/σ_i²/(Σ1/σ_j²)، والنتيجة المرجَّحة x̂=Σw_i·x_i. وتمنح هذه الاستراتيجية المستشعرَ الأدقّ وزناً أكبر، وتتفوّق على المتوسط المتساوي الأوزان حين تكون فروق الدقة بين المستشعرات واضحة. وفيما يخصّ المزامنة الزمنية، تُوحَّد مصادر البيانات ذات معدلات أخذ العيّنات المختلفة عند تردد أساسي قدره 1 Hz بالاستيفاء عبر الشرائح التكعيبية، مع ضبط بواقي الاستيفاء ضمن 1/3 من دقة كل مصدر. وتُسقِط المزامنة المكانية إحداثياتِ المستشعرات على نظام الإحداثيات الخاص بجسم المعدة، لإزالة أثر اختلاف مواضع التركيب على سمات التوزيع المكاني.

4.2 الدمج على مستوى السمات

يعيد الدمج على مستوى السمات إسقاطَ متجهات السمات، بعد المعالجة المسبقة لكل مصدر بيانات، في فضاء دلالي موحّد. فتُدخَل السمات الزمنية أحادية البُعد (الكهربائية والميكانيكية) إلى شبكة 1D-CNN: 4 طبقات التفاف بأحجام نوى 7/5/3/3 على الترتيب، وعدد قنوات 32/64/128/256، تتبع كلَّ طبقة BatchNorm وتنشيط ReLU، ويُمرَّر خرج الطبقة الرابعة عبر التجميع المتوسط الشامل (GAP) للحصول على تمثيل مدمج من 256 بُعداً. وتُدخَل سمات الصور الحرارية ثنائية البُعد إلى شبكة 2D-CNN: 3 طبقات التفاف (نواة 3×3، قنوات 64/128/256) تتبعها GAP، فتُخرِج 256 بُعداً. أما السمات البصرية فتُؤخذ مباشرة من خرج GAP في ResNet-50 (512 بُعداً). وبعد ربط متجهات السمات الثلاثة، تُدخَل إلى مُرمِّز BiLSTM (طبقتان، 128 وحدة لكل طبقة، باتجاهين) لالتقاط علاقات الاعتماد الزمني بين سمات المصادر المختلفة. ثم يُخفَّض خرج BiLSTM بـ PCA إلى 50 بُعداً (تباين تراكمي >98%)، فيُنتَج متجه السمات المدمج النهائي، ويُستخدم مدخلاً لنموذجي التقييم والتنبؤ.

ويرجع اختيار هذا البحث لمسار «الربط ثم BiLSTM ثم PCA» بدلاً من الربط المباشر أو الترجيح بالانتباه إلى ما يلي: الربط المباشر يحتفظ بجميع الأبعاد لكنه يتجاهل الاعتماد الزمني بين المصادر، وارتفاع الأبعاد يعرّض النموذج للإفراط في الملاءمة؛ والترجيح بالانتباه وإن أبرز المصادر المفتاحية فإنه يستلزم تعلّم معاملات الانتباه، ويضعف استقراره عند محدودية عيّنات التدريب؛ أما BiLSTM فيختار المعلومات وينساها تكيّفياً عبر آلية البوابات، فقدرته على نمذجة العلاقات الزمنية بين المصادر أقوى، وبنيتُه ثنائية الاتجاه تستفيد في الوقت نفسه من السياق الأمامي والسياق الخلفي.

4.3 الدمج على مستوى القرار

يجري الدمج على مستوى القرار بعد أن يقدّم كل مصدر بيانات نتيجة حكمه باستقلال، فيُجمَع عدد من الأحكام في قرار نهائي. وقد أصبحت نظرية الأدلة D-S، بقدرتها على التوصيف الصريح لعدم اليقين، الأداة المحورية للدمج على مستوى القرار في هذا البحث. ولنفترض أن إطار التمييز Θ={N, A, B, S}، حيث ترمز هذه العناصر على الترتيب إلى الحالات الأربع: طبيعية، وملاحظة، وشاذة، وجسيمة. ودالة الإسناد الاحتمالي الأساسية (BPA) m: 2^Θ→[0,1] تحقق m(∅)=0 وΣm(A)=1 (A⊆Θ). وتقيس دالة الاعتقاد Bel(A)=Σm(B) (B⊆A) مجموع الدعم للقضية A، وتقيس دالة الإمكان Pl(A)=1-Bel(Ā) مدى عدم معارضة A، ويشكّل [Bel(A), Pl(A)] فترة احتمالية. أما قاعدة التركيب D-S فهي m₁₂(A)=[Σm₁(B)·m₂(C)]/[1-K] (B∩C=A، A≠∅)، حيث K=Σm₁(B)·m₂(C) (B∩C=∅) معامل التعارض.

تُظهر قاعدة التركيب D-S الكلاسيكية مشكلة مفارقة Zadeh عندما تتعارض الأدلة تعارضاً شديداً: فحين يدعم مصدران، كلٌّ على حدة، قضيتين متنافيتين دعماً قوياً، يصبح ناتج التركيب رهناً بالأقلية، وهو أمر غير معقول بوضوح. وليس هذا الإشكال افتراضاً نظرياً في تقييم معدات شبكة التلامس: فمثلاً قد تدعم BPA لمستشعر اهتزازي حالةَ «شاذة» دعماً قوياً (بسبب رصد قفزة مفاجئة في المكوّنات عالية التردد)، بينما تدعم BPA لمستشعر حراري حالةَ «طبيعية» دعماً قوياً (لأن الارتفاع الحراري لم يتجاوز الحد)، وعندها يقترب K من 1، وقد يمنح ناتج التركيب الكلاسيكي احتمالاً بالغ الارتفاع لحالة «جسيمة» — وهو ما يخالف الواقع الفيزيائي جلياً. ولذلك تستلزم الخوارزمية المحسّنة تعديل موثوقية الأدلة عالية التعارض قبل الدمج، وهو تحديداً ما تعالجه الفقرة 4.4.

4.4 خوارزمية دمج محسّنة لنظرية الأدلة D-S

تُنفَّذ الخوارزمية المحسّنة في هذا البحث على ثلاث خطوات. الخطوة الأولى: حساب المسافة بين الأدلة لتقدير درجة التعارض. فبالنسبة إلى أي BPA اثنين m_i وm_j، تُعرَّف مسافة الدليل وفق Jousselme بأنها d(m_i,m_j)=[(m_i-m_j)·D·(m_i-m_j)/2]^(1/2)، حيث D مصفوفة مسافات Jousselme، وD(A,B)=|A∩B|/|A∪B|. وكلما كبرت المسافة كان التعارض بين الدليلين أشدّ. الخطوة الثانية: حساب التشابه Sim(m_i,m_j)=1-d(m_i,m_j) ووزن الموثوقية w_i=Σ_{j≠i}Sim(m_i,m_j)/(n-1) انطلاقاً من المسافة، فالدليل ذو الموثوقية العالية يأتي من مستشعر يحقق اتساقاً جيداً مع أغلبية المصادر الأخرى.

الخطوة الثالثة: تصحيح BPA بالخصم وفق وزن الموثوقية: m_i^α(A)=w_i·m_i(A) (A≠Θ)، وm_i^α(Θ)=1-w_i·(1-m_i(Θ)). ويخفّض هذا التصحيح قوة دعم المصادر منخفضة الموثوقية لكل عنصر مركّز، ويُسنِد كتلة الاحتمال المُحرَّرة إلى عدم اليقين الشامل Θ، تفادياً لتضخّم تشويش المصادر منخفضة الموثوقية في التركيب. ولتوصيف البنية الهرمية لعدم اليقين بصورة أدقّ، يُدخِل البحث نموذج السحابة لتعديل عدم اليقين في BPA بعد الخصم: إذ تُوصَف درجة عدم يقين المفهوم النوعي بثلاث سمات رقمية هي التوقّع Ex، والإنتروبيا En، والإنتروبيا الفائقة He. ويُؤخذ Ex بقيمة احتمال العنصر المركّز الرئيسي في BPA بعد الخصم، وتعكس En درجة تشتّت التوزيع الاحتمالي، وتصف He عدم يقين En ذاتها. وبفضل تعديل نموذج السحابة لا يُخرِج الدمج قيمة نقطية لـ BPA فحسب، بل يُرفقها بفترة عدم يقين [Ex-3En, Ex+3En]، لتكون مرجعاً للثقة في قرارات التقييم اللاحقة.

تبلغ التعقيدية الحسابية لهذه الخوارزمية المحسّنة O(n²·2^|Θ|)، حيث n عدد مصادر الأدلة و|Θ| أساس إطار التمييز. وفي تطبيق هذا البحث n=6 (ست فئات من مصادر البيانات) و|Θ|=4، فيبلغ الحجم الحسابي نحو 3.7×10³ عملية ضرب، ويستغرق زمناً <5 ms على معالج ARM في جانب البوابة، بما يحقق متطلبات الزمن الحقيقي.

الفصل 5. نموذج تقييم الحالة الصحية للمعدات

5.1 بناء منظومة المؤشرات

يبني هذا البحث لكل من نوعي المعدات منظومة مؤشرات هرمية من ثلاث طبقات: الطبقة الهدفية وتمثّل الحالة الصحية الشاملة للمعدة؛ وطبقة المعايير وتُقسَّم حسب أنماط الأعطال وأبعاد المراقبة؛ وطبقة المؤشرات وتضم كل بارامتر قابل للقياس. وبأخذ مفتاح العزل مثالاً، تشمل طبقة المعايير أربعة أبعاد هي حالة التلامسات، وحالة الآلية، وحالة العزل، وحالة المظهر الخارجي؛ ويندرج تحت حالة التلامسات مؤشرات ارتفاع حرارة التلامس ومقاومة التلامس وفارق اللاتزامن عند الإغلاق، ويندرج تحت حالة الآلية مؤشرات تيار عملية الفتح وزمن التشغيل والقيمة الجذرية المتوسطة للاهتزاز. أما أوزان المؤشرات فتُحدَّد بالترجيح المركّب بين AHP ووزن الإنتروبيا: يعكس AHP الحكم القبلي لخبراء المجال بشأن الأهمية النسبية لكل مؤشر، ويُحدَّد وزن الإنتروبيا موضوعياً من إنتروبيا المعلومات في البيانات المقيسة — فالمؤشر الأكثر تشتّتاً في البيانات ينال وزناً أعلى. والوزن المركّب w_i=α·w_i^AHP+(1-α)·w_i^entropy، وقد أُخذ α=0.6 في هذا البحث، مع إيلاء ثقل أكبر لخبرة الخبراء.

يعرض الجدول 1. التركيب المفصّل لمنظومة مؤشرات تقييم الحالة الصحية لمفتاح العزل.

الجدول 1. منظومة مؤشرات تقييم الحالة الصحية لمفتاح العزل

5.2 نموذج التقييم القائم على دمج المعلومات متعددة الأبعاد

يُنفَّذ نموذج التقييم وفق مسار دمج من مرحلتين. المرحلة الأولى هي الدمج داخل البُعد الواحد: ففي كل بُعد من أبعاد طبقة المعايير تُحوَّل قيم المؤشرات المتعددة التابعة لذلك البُعد إلى دوال إسناد أساسية BPA بواسطة دوال الانتماء. وعلى سبيل المثال، تُعرَّف دوال الانتماء μ_N(ΔT) وμ_A(ΔT) وμ_B(ΔT) وμ_S(ΔT) لارتفاع درجة حرارة الملامسات بدوال شبه منحرفة، وتُستخرج عتبات كل مستوى من بيانات اختبارات التعتيق المعجَّل ومن الخبرة التشغيلية. وتُدمج قيم BPA للمؤشرات المتعددة داخل البُعد الواحد بقاعدة دمج D-S المحسَّنة، فيُحصَل على BPA المركّبة لذلك البُعد. أما المرحلة الثانية فهي الدمج بين الأبعاد: تُدمج BPA المركّبة لأبعاد طبقة المعايير مرة أخرى بقاعدة D-S المحسَّنة، فيُحصَل على BPA المركّبة الكلية للمعدة. وتستعين المرحلتان معًا بالخوارزمية المحسَّنة الواردة في القسم 4.4 لمعالجة تعارض الأدلة.

وقد اختير في هذا البحث الدمج على مرحلتين بدلًا من الدمج الشامل في خطوة واحدة، وذلك لسببين. السبب الأول أن الصلة الفيزيائية بين مؤشرات البُعد الواحد وثيقة، إذ يرتبط ارتفاع درجة حرارة الملامسات ارتباطًا طرديًا قويًا بمقاومة التلامس، والدمجُ المسبق يزيل المعلومات الزائدة ويخفّض درجة تعارض الأدلة عند الدمج بين الأبعاد. والسبب الثاني أن البنية ذات المرحلتين تتيح التشخيص بحسب البُعد، فعندما تكون نتيجة التقييم الكلية «يستدعي الانتباه» يمكن التتبع رجوعًا إلى توزيع BPA في بُعد حالة الملامسات وتحديد مصدر الشذوذ. والدمج في خطوة واحدة أبسط من حيث الحساب، لكنه يفقد قابلية تفسير النتائج الوسيطة، وهو ما لا يخدم قرارات فرق التشغيل والصيانة.

5.3 التقييم بأربعة مستويات ومؤشر الصحة

بعد تحديد BPA المركّبة تُخرَج نتيجتان: وسم منفصل للحالة الصحية بأربعة مستويات، ومؤشر صحة HI متصل. وتُحدَّد الحالة ذات المستويات الأربعة وفق مبدأ أقصى ثقة: حالة المعدة=argmax_{s∈Θ} Bel({s})، أي أن المستوى ذا أكبر دالة ثقة هو نتيجة الحكم. وعندما يكون الفرق بين أكبر Bel وثاني أكبر Bel أقل من 0.15 يُوسم الحكم بأنه «ثقة منخفضة»، مع التنبيه إلى الحاجة إلى مراجعة يدوية.

يُعرَّف مؤشر الصحة HI بأنه المجموع الموزون لقيم BPA لكل مستوى: HI=w_N·m(N)+w_A·m(A)+w_B·m(B)+w_S·m(S)، حيث w_N=1.0 وw_A=0.7 وw_B=0.3 وw_S=0.0، ويأخذ HI قيمًا متصلة في المجال [0,1]، وكلما ارتفعت قيمته كان الجهاز أصح. وعتبات التصنيف هي: HI≥0.85 طبيعي، و0.60≤HI<0.85 يستدعي الانتباه، و0.35≤HI<0.60 غير طبيعي، وHI<0.35 حرج. وتتيح استمرارية HI انعكاسًا حساسًا لمسار التغيّر التدريجي في الحالة، بينما تسهّل الوسوم الرباعية الاستجابة المتدرجة في إدارة التشغيل والصيانة. والمخرج النهائي للنموذج ثلاثي: (وسم الحالة، قيمة HI، درجة الثقة)، وتُحسب درجة الثقة بالعلاقة 1—Pl(Ā)، حيث Ā مكمّلة المستوى المحدَّد؛ وكلما ارتفعت درجة الثقة كان دعم الأدلة لذلك المستوى أوفى.

الفصل 6. طرق التنبؤ بالعمر المتبقي

6.1 نمذجة التدهور بعملية Wiener

تُنمذج عملية Wiener تدهور المعدات كحركة براونية ذات انحراف: X(t)=X(0)+μ·t+σ·B(t)، حيث μ معامل الانحراف (يعبّر عن معدل اتجاه التدهور)، وσ معامل الانتشار (يعبّر عن شدة التقلب العشوائي)، وB(t) حركة براونية قياسية. وعندما يبلغ مقدار التدهور X(t) العتبة المحددة مسبقًا L للمرة الأولى، تُعدّ المعدة فاشلة، ويخضع زمن الوصول الأول المناظر T_L=inf{t:X(t)≥L|X(0)<L} للتوزيع الغاوسي المعكوس: f(t)=(L-X(0))/(σ√(2πt³))·exp(-(L-X(0)-μt)²/(2σ²t)). ومن ذلك يمكن الحصول على دالة توزيع العمر المتبقي RUL وعلى التعبيرات التحليلية لمتوسطه وتباينه.

ويُعتمد في التحديث الآني للمعاملين μ وσ أسلوب Bayes: بافتراض وجود توزيع سابق مرافق μ~N(μ₀,σ₀²)، يُحدَّث التوزيع اللاحق μ|data~N(μ_n,σ_n²) بصيغة مغلقة بعد كل مجموعة جديدة من بيانات الرصد، دون الحاجة إلى أخذ عينات بطريقة MCMC، وبكفاءة حسابية عالية. ويُقدَّر معامل الانتشار σ من تباين زيادات التدهور، ويقترب تدريجيًا من القيمة الحقيقية مع زيادة حجم العينة. وتتيح آلية التحديث الآني هذه لنموذج Wiener تتبّع تغيّر معدل التدهور بصورة تكيفية — فعندما يتسارع تدهور المعدة بسبب تردّي ظروف التشغيل، يزداد المتوسط اللاحق للمعامل μ تبعًا لذلك، فيتقاصر تقدير العمر المتبقي تلقائيًا. ويرجع اختيار عملية Wiener بدلًا من عملية Gamma في هذا البحث إلى أن عملية Wiener تسمح بأن يكون مسار التدهور غير رتيب (إذ قد يؤدي ضجيج القياس أو التعافي المؤقت إلى انخفاض موضعي في X(t))، وهو أقرب إلى خصائص البيانات المقاسة فعليًا؛ في حين تفرض عملية Gamma تزايدًا رتيبًا، ومع أن التدهور غير قابل للعكس فيزيائيًا، فإن مقدار التدهور المقاس المحتوي على ضجيج ليس رتيبًا تمامًا.

6.2 التنبؤ الزمني باستخدام LSTM

تُستخدم شبكة LSTM للتنبؤ باتجاه التدهور على المدى القصير. ويعتمد هذا البحث بنية من طبقتين مخفيتين تضم كل منهما 128 خلية LSTM، مع معدل Dropout قدره 0.2 لمنع فرط التلاؤم. ويبلغ طول نافذة الإدخال 48 (بما يوافق 48 نقطة أخذ عينات)، وطول نافذة التنبؤ 12. ويُستخدم محسِّن Adam بمعدل تعلّم ابتدائي 0.001، وحجم دفعة 64، وقيمة صبر للتوقف المبكر 15 دورة تدريبية (epoch). وتتكون سمات الإدخال من متجه ذي 50 بُعدًا ناتج عن الدمج على مستوى السمات في الفصل الرابع، أما المخرجات المستهدفة فهي القيم المتنبأ بها لمؤشر الصحة HI وللمقادير الأساسية (مثل تيار التسرب وارتفاع درجة حرارة الملامس) خلال 12 خطوة مقبلة.

وقارن هذا البحث أيضًا بين بنيتين بديلتين. ففي CNN-LSTM-AM[11] تُستخرج السمات الموضعية بشبكة 1D-CNN ثم تُدخل إلى LSTM، وتقوم آلية الانتباه (AM) بترجيح الحالات المخفية لشبكة LSTM، فتبرز الخطوات الزمنية الأكثر ارتباطًا بالتنبؤ الحالي؛ أما FFT-LSTM[14] فتُجري أولًا تحويل فورييه السريع على متتابعة الإدخال، ثم تدمج سمات نطاق التردد مع سمات النطاق الزمني الأصلية وتُدخل الناتج إلى LSTM. وعلى بيانات معدات شبكة التلامس لم يكن الفرق في دقة التنبؤ بين البنى الثلاث ذا دلالة (فرق RMSE أقل من 5%)، غير أن بنية LSTM الصرفة تضم أقل عدد من المعاملات (نحو 350 k)، وهي الأسرع في الاستدلال عند النشر على جانب البوابة (أقل من 10 ms لكل خطوة). ونظرًا لقيود القدرة الحاسوبية في النشر الهندسي، اختار هذا البحث في النهاية بنية LSTM الصرفة بوصفها النموذج الأساسي للتنبؤ قصير المدى.

6.3 التنبؤ المدمج وحساب العمر المتبقي (RUL)

تتميّز عملية Wiener بقدرتها على وصف اتجاه التدهور طويل المدى (الخاضع للمعامل μ)، لكن دقتها في التنبؤ بالتقلبات قصيرة المدى (المتأثرة بالمعامل σ وبضجيج القياس) غير كافية؛ وفي المقابل تلتقط LSTM الأنماط قصيرة المدى بحساسية، لكنها تفتقر إلى القيود الفيزيائية فتتراكم أخطاء التنبؤ طويل المدى. ويدمج هذا البحث مخرجات النموذجين بترجيح تكيفي وفق تباين التنبؤ: الوزن w_W=1/σ_W²/(1/σ_W²+1/σ_L²)، وw_L=1-w_W، حيث σ_W² وσ_L² هما على الترتيب تباين التنبؤ لعملية Wiener ولشبكة LSTM عند الخطوة الزمنية الحالية. فالنموذج ذو التباين الأكبر يحصل على وزن أقل — فلا تُمنح الثقة العمياء لأي من النموذجين عند عدم اليقين.

ويُعطى العمر المتبقي المدمج RUL بخليط مرجَّح لتوزيعي العمر المتبقي للنموذجين: f_RUL(t)=w_W·f_W(t)+w_L·f_L(t)، حيث f_W كثافة غاوسية معكوسة، وf_L توزيع تجريبي لمخرجات LSTM (يُحصل عليه بأخذ 100 عينة بطريقة Monte Carlo Dropout على متتابعة تنبؤات LSTM). ويُؤخذ التقدير النقطي للعمر المتبقي وسيطَ التوزيع المدمج (لأنه أكثر متانة من المتوسط إزاء القيم الشاذة)، ويُؤخذ مجال الثقة 90% بين المئين 5% والمئين 95%. أما عتبة التدهور L فتُعاير من بيانات اختبارات التعتيق المتسارع: إذ تُجرى اختبارات تدهور متسارع لعوازل مقطعية ومفاتيح العزل في ظروف مضبوطة من درجة الحرارة والرطوبة والجهد، وتُسجَّل مسارات تدهور المقادير المختلفة من قيمها الابتدائية حتى القيمة الحرجة للفشل، ويُعتمد مقدار المعامل المقابل لنقطة انعطاف المسار (حيث يتحول معدل التدهور من خطي إلى متسارع) أساسًا لمعايرة العتبة L.

الفصل 7. التحقق العملي وتحليل النتائج

7.1 مصادر البيانات وإعداد التجربة

تأتي البيانات التجريبية من سجلات التشغيل لنظام الرصد الآني لشبكة التلامس في أحد خطوط السكك الحديدية عالية السرعة خلال الفترة من يناير 2022 إلى يونيو 2025، وتشمل بيانات الرصد التي جُمعت من 86 عازلًا مقطعيًا و72 مفتاح عزل تتوزع على 12 مقطع شد. وبعد تنظيف البيانات ووسمها بلغ مجموع العينات الصالحة 2137 عينة (تُجمَّع كل 6 ساعات في عينة سمات واحدة لكل معدة)، منها 189 عينة عطل (102 عطل في عوازل مقطعية و87 عطلًا في مفاتيح العزل) و1948 عينة سليمة. وقُسِّمت مجموعة البيانات بنسبة 7:1.5:1.5 إلى مجموعة تدريب (1496 عينة) ومجموعة تحقق (321 عينة) ومجموعة اختبار (320 عينة)، مع أخذ عينات طبقية يضمن أن تكون نسبة عينات العطل في كل مجموعة فرعية مطابقة لنسبتها في المجموعة الكاملة.

وتشمل مؤشرات التقييم الدقة التصنيفية (Accuracy) والإحكام (Precision) والاستدعاء (Recall) وقيمة F1، وتُستخدم لمقارنة أداء تقييم الحالة الفنية؛ كما تشمل الجذر التربيعي لمتوسط مربع الخطأ (RMSE) ومتوسط الخطأ المئوي المطلق (MAPE)، ويُستخدمان لمقارنة أداء التنبؤ بالعمر. وأُجريت جميع التجارب في بيئة حوسبة تضم وحدة معالجة رسومات NVIDIA RTX 4090 وذاكرة بسعة 64 GB، وجرى تدريب النماذج باستخدام إطار PyTorch 2.1.

7.2 نتائج تقييم الحالة الفنية

يقارن الجدول 2 أداء تقييم الحالة الفنية بالاعتماد على الدمج متعدد المصادر مقابل الاعتماد على مصدر واحد. فقد بلغت دقة نموذج الدمج متعدد المصادر 93.6% وقيمة F1 لديه 0.921، وكلتاهما أفضل بدرجة معتبرة من جميع الطرائق أحادية المصدر. وفيما بين المصادر الأحادية كان أداء التصوير الحراري بالأشعة تحت الحمراء الأفضل (دقة 80.8%)، لأنه حساس لنوعي الأعطال الرئيسيين معًا: فرط حرارة الملامسات والتفريغ الجزئي؛ وجاء تيار التسرب في المرتبة التالية (دقة 76.5%)، وهو حساس للأعطال العازلة لكنه لا يكاد يعبّر عن الأعطال الميكانيكية؛ أما الاستشعار بالاهتزاز فكان فعّالًا في الأعطال الميكانيكية وغير حساس لأعطال العزل (دقة 72.3%)؛ وكان الكشف بالصور الأدنى دقةً لتقيّده بظروف الإضاءة (68.9%). وقد ارتفع معدل كشف جميع أنواع الأعطال بعد الدمج، إذ ارتفع استدعاء الأعطال الميكانيكية من 71.2% عند الاعتماد على مصدر الاهتزاز وحده إلى 94.1% بعد الدمج.

الجدول 2 مقارنة أداء تقييم الحالة بين مصادر البيانات المختلفة

تظهر ميزة الخوارزمية D-S المحسّنة على نظيرتها الكلاسيكية بشكل خاص في سيناريوهات تعارض الأدلة. وتوضح ذلك حالة مفتاح عزل معيّن: فعندما يمنح مستشعر الاهتزاز قيمة BPA مقدارها 0.72 لحالة «غير طبيعي»، ويمنح مستشعر التصوير الحراري قيمة 0.68 لحالة «طبيعي»، يبلغ احتمال حالة «خطير» بعد الدمج بالطريقة الكلاسيكية 0.54 (مفارقة Zadeh)، في حين يبلغ احتمال حالة «تنبيه» بعد الدمج بالطريقة المحسّنة 0.51 (تسوية معقولة). ومن بين 32 عينة عالية التعارض في مجموعة الاختبار، بلغت نسبة صحة الحكم بالطريقة المحسّنة 87.5%، مقابل 53.1% فقط للطريقة الكلاسيكية. أما من حيث زمن تحديد موقع العطل، فقد استغرق نموذج الدمج متعدد المصادر 1.5 ساعة في المتوسط من لحظة تحفّز الشذوذ حتى تحديد مصدر العطل، أي أقصر بنسبة 64% من 4.2 ساعة اللازمة للفحص البندي التقليدي، وهو ما يرفع كفاءة استجابة الصيانة والتشغيل رفعًا ملحوظًا.

7.3 نتائج التنبؤ بالأعطال والتنبؤ بالعمر الإنتاجي المتبقي (RUL)

يقارن الجدول 3 أداء التنبؤ بالعمر الإنتاجي المتبقي (RUL) بين نماذج تنبؤ مختلفة على مجموعة الاختبار. فبلغت قيمة MAPE لنموذج الدمج Wiener-LSTM نسبة 8.7%، وقيمة RMSE 12.3 ساعة، أي أقل بمقدار 5.3 نقطة مئوية من نموذج Wiener المنفرد (MAPE 14.0%)، وأقل بمقدار 2.5 نقطة مئوية من نموذج LSTM المنفرد (MAPE 11.2%). ومصدر هذا التحسّن واضح: فعملية Wiener تتميز بالمتانة في التنبؤ بالاتجاهات الطويلة (إذ تكون قيمة RMSE أدنى بكثير من LSTM عند خطوة تنبؤ >24 h)، بينما يتميز LSTM بالحساسية في تتبّع التقلبات القصيرة (إذ تكون قيمة RMSE أدنى بكثير من Wiener عند خطوة تنبؤ <12 h)، ويسمح الترجيح التكيفي لكل من النموذجين بإظهار ما يتميز به.

الجدول 3. مقارنة أداء التنبؤ بالعمر المتبقي (RUL) بين النماذج المختلفة

كمّمت تجارب الاستبعاد مساهمة كل مصدر بيانات في التنبؤ بالدمج بمزيد من الدقة. وباتخاذ نموذج الدمج Wiener+LSTM خط أساس، بلغت الزيادة في MAPE عند إزالة كل فئة من مصادر البيانات على حدة: إزالة الصور الحرارية +3.2 نقطة مئوية (وهي أكبر مساهمة، لأن الصورة الحرارية تعكس مباشرة درجة تدهور نقاط التلامس)، وإزالة البيانات الكهربائية +2.1 نقطة مئوية، وإزالة بيانات الاهتزاز +1.8 نقطة مئوية، وإزالة البيانات البيئية +1.2 نقطة مئوية، وإزالة الصور +0.8 نقطة مئوية، وإزالة البيانات التاريخية +1.5 نقطة مئوية. ولم يكن أي من مصادر البيانات الستة قابلًا للإزالة دون خسارة، وهو ما يؤكد ضرورة إطار الدمج متعدد المصادر. وبتقدير الانحراف المعياري لخطأ التنبؤ، تتقدم نافذة الإنذار المبكر بالأعطال في نموذج الدمج على نوعي المعدات بنحو 72 ساعة في المتوسط، أي بزيادة تبلغ ستة أضعاف مقارنة بمقدار التقدم في الإنذار التقليدي القائم على العتبة (نحو 12 ساعة).

الفصل الثامن. المناقشة وتحليل القيود

يمكن فهم ميزة دمج البيانات متعددة المصادر في تقييم الحالة الفنية لمعدات شبكة التلامس من زاويتين. فمن زاوية نظرية المعلومات، يقدّم كل مصدر بيانات إسقاطًا لعملية تدهور المعدة في فضاء رصد مختلف، ويعمل الدمج على توسيع فضاء الرصد من بُعد منخفض إلى بُعد مرتفع، ويتجلّى كسب المعلومات مباشرةً في تحسّن قابلية فصل حدود التصنيف، وهذا هو الجوهر الرياضي لارتفاع الدقة بعد الدمج من 68.9%–80.8% إلى 93.6%. ومن الزاوية الهندسية، تتكامل حساسية مصادر البيانات المختلفة تجاه أنماط الأعطال، فبعد الدمج يستطيع مصدران أو أكثر الكشف عن أي نمط عطل، مما يقلّل خطر فوات الكشف الناتج عن تعطّل مصدر واحد (مثل تدهور الصور ليلًا).

تتضمن منهجية هذا البحث أيضًا عددًا من القيود. فمن حيث جودة البيانات، يؤدي الانحراف طويل الأمد للمستشعرات الميدانية والأعطال العارضة إلى عدم استقرار جودة البيانات، إذ تبلغ نسبة العينات عالية الجودة في مجموعة التدريب نحو 85%، بينما تعاني النسبة المتبقية 15% من درجات متفاوتة من الضجيج أو النقص، وهو ما يفرض حدًا أعلى على أداء النموذج. وفي مقاطع الشد ذات الجودة الرديئة للبيانات (مستشعرات مضى على تشغيلها أكثر من 3 سنوات دون معايرة)، تنخفض دقة التقييم بنحو 5 نقاط مئوية. أما من حيث تعميم النموذج، فقد ثبتت فعالية النموذج المقترح على العازل المقطعي من الطراز FQX-25 وعلى مفتاح العزل من الطراز GW-27.5، إلا أن قدرته على الانتقال إلى طرازات أخرى (مثل FQX-35 وGN-27.5) لم تُتحقق منها بشكل كافٍ؛ فأنماط الأعطال في نوعي المعدات تشترك في خصائص عامة، لكن معاملات التدهور والعتبات تختلف بينها، وقد يؤدي الانتقال دون أي عينات من النطاق الهدف إلى خسارة في الدقة تتراوح بين 10% و15% تقريبًا.

أما من حيث الحساب الزمني الحقيقي، فإن العبء الحسابي لدمج D-S المحسّن والتنبؤ بنموذج Wiener+LSTM يلبي متطلبات الزمن الحقيقي على جانب البوابة (<50 ms)، غير أن استدلال BiLSTM في الدمج على مستوى السمات يستغرق نحو 80 ms على معالج ARM، وإذا ازداد عدد المعدات داخل مقطع الشد (>30 وحدة)، فقد لا تكفي القدرة الحسابية للبوابة، ما يستدعي إدخال تكميم النموذج أو تحسين التقليم. وبالمقارنة مع الإطار الخماسي المراحل للصيانة التنبؤية (PdM) الذي قدّمه Hamza وآخرون [6]، فإن منهجية هذا البحث أكثر تحديدًا في مرحلتي دمج البيانات وتكميم عدم اليقين؛ فإطار Hamza يقدّم تقسيم المراحل دون تقديم خوارزمية الدمج، في حين توفر خوارزمية D-S المحسّنة ونموذج السحابة في هذا البحث حلًا للدمج قابلًا للحساب.

أما من حيث قابلية التوسع، فيبلغ العبء الرأسمالي للمستشعرات حاليًا نحو 120 ألف يوان صيني لكل كيلومتر من المقاطع المرصودة (بتغطية كاملة لأنواع المستشعرات الستة)، ويبلغ حجم البيانات المرتجعة نحو 500 MB لكل يوم ولكل مقطع شد، وهو ما يفرض متطلبات على عرض نطاق الاتصالات والتخزين السحابي. وفي المقاطع ذات التمويل المحدود، يمكن النشر المتدرج وفق أهمية المعدات: تغطية كاملة بالمصادر الستة في مقاطع الشد الحرجة، والاقتصار في مقاطع الشد العادية على ثلاثة مصادر منخفضة التكلفة هي الكهرباء والصور الحرارية والصور، مع التضحية بقدر قليل من الدقة مقابل الجدوى الاقتصادية. ويشكّل توافر بيانات اختبارات التعتيق المُسرّع قيدًا واقعيًا آخر؛ فمعايرة عتبة التدهور L والقيم القبلية لمعاملات Wiener تعتمد على اختبارات التعتيق المُسرّع، وهذه الاختبارات طويلة الدورة (تتراوح عادة بين 6 و12 شهرًا) ومرتفعة التكلفة (نحو 50 ألف يوان صيني للمعدة الواحدة)، كما يصعب الحصول على عينات اختبار للمعدات القديمة المتوقف إنتاجها، وعندئذ يلزم تحديد L استنادًا إلى خبرة الخبراء، وهو ما يُدخل عدم يقين ذاتيًا.

الفصل التاسع. الاستنتاجات وآفاق البحث

يعالج هذا البحث مسألة تقييم الحالة الفنية والتنبؤ بالأعطال لعوازل المقاطع ومفاتيح العزل في شبكة التلامس للسكك الحديدية عالية السرعة، وقد بنى إطارًا تقنيًا متكاملًا يمتد من جمع البيانات متعددة المصادر ودمج البيانات غير المتجانسة إلى تقييم السلامة والتنبؤ بالعمر المتبقي، وتتلخص مساهماته الرئيسية ونتائجه الكمية فيما يلي.

(1) إنشاء منظومة لجمع البيانات غير المتجانسة من ستة مصادر وبنية شبكة استشعارية ثلاثية المستويات موجّهة لنوعي المعدات؛ وقد عالجت مزامنة الزمن وفق IEEE 1588 PTP واستخلاص السمات متعدد المقاييس مشكلتي عدم تناظر الترددات واختلاف وحدات القياس، فأتاحت بذلك مدخلات سِمات معيارية متوائمة زمنيًا ومكانيًا لعملية الدمج اللاحقة.

(2) اقتراح خوارزمية دمج في إطار نظرية الأدلة D-S محسّنة استنادًا إلى مسافة الأدلة ونموذج السحابة. فعلى 32 عينة اختبارية عالية التعارض، بلغت نسبة صحة الحكم بالخوارزمية المحسّنة 87.5%، بزيادة 34.4 نقطة مئوية عن 53.1% للخوارزمية الكلاسيكية؛ وبلغت دقة التقييم بالدمج على كامل مجموعة الاختبار 93.6%، بزيادة 12.8 نقطة مئوية عن أفضل مصدر منفرد.

(3) تصميم طريقة تنبؤ بالدمج تعتمد وزنًا تكيفيًا بين عملية Wiener وشبكة LSTM. فبلغ MAPE للتنبؤ بالدمج 8.7%، بانخفاض 5.3 نقطة مئوية عن نموذج Wiener المنفرد و2.5 نقطة مئوية عن LSTM المنفرد، وبلغت نسبة تغطية فاصل الثقة 90% مقدار 91.2%، بما يلبي متطلبات الموثوقية في التنبؤ الهندسي.

(4) التحقق من شمولية الإطار لأنواع المعدات على نوعي المعدات. فقد تقلص زمن تحديد موقع العطل من 4.2 ساعة إلى 1.5 ساعة (بنسبة انخفاض 64%)، وتقدّمت نافذة الإنذار المبكر بالأعطال بنحو 72 ساعة مقارنة بالإنذار التقليدي القائم على العتبة، وهو ما يوفر أساسًا قابلًا للقياس الكمي للانتقال من الصيانة الدورية إلى الصيانة التنبؤية.

ستتقدم الأبحاث اللاحقة في ثلاثة اتجاهات. الأول هو التعلّم بالنقل: الاستفادة من النماذج المُدرَّبة مسبقًا على المعدات التي جرى التحقق منها، وتقليل الحاجة إلى بيانات موسومة للطرازات الجديدة عبر التكيّف النطاقي (مثل محاذاة CORAL أو قيد MMD)، بهدف تحقيق دقة تنبؤ مقبولة (MAPE<15%) باستخدام 50 عينة أو أقل من النطاق الهدف. والثاني هو التكامل مع التوأم الرقمي: بناء توأم رقمي للمحاكاة متعددة المجالات الفيزيائية للعازل المقطعي ومفتاح العزل، واستنتاج مسارات التدهور في ظروف تشغيل افتراضية داخل بيئة افتراضية، لتكميل العينات المفقودة من ظروف التشغيل القصوى في البيانات المقيسة. والثالث هو النشر الذكي على الحافة: ضغط نموذج الدمج والتقييم والتنبؤ إلى أقل من 5 MB عبر التقطير المعرفي والتكميم INT8، ونشره على معالج ARM في جانب البوابة، بحيث تُنجز سلسلة الاستدلال كاملة في حلقة مغلقة على الحافة، بما يقلل الاعتماد على الاتصالات السحابية؛ ثم إدخال آلية التعلّم الفيدرالي لتحقيق تدريب تعاوني على بيانات مواقع متعددة دون تبادل البيانات الخام، وتوسيع حجم عينات التدريب مع الالتزام بمتطلبات خصوصية البيانات وأمنها.

المراجع

[1] Nåvik P R, Rørdam H N, Gjerstad J O, et al. Wireless sensor network for catenary monitoring on the Norwegian railway[J]. IEEE Sensors Journal, 2016, 16(15): 6086-6094.

[2] Tang Tao, Guo Kai, Chen Guangxiong, وآخرون. طريقة لكشف عيوب مكونات شبكة التلامس على أساس RCID-YOLOv5s[J]. Journal of the China Railway Society, 2023, 45(8): 45-52.

[3] Zhong Z, Jin J, Zhang Z, et al. Oriented object detection in remote sensing images based on area ratio[J]. IEEE Trans. on Instrumentation and Measurement, 2020, 69(11): 8840-8851.

[4] IEEE Std C37.20.2-2015. IEEE Standard for Metal-Clad Switchgear[S]. New York: IEEE, 2016.

[5] Chen Zhijie, Zhang Jie, Han Zhiwei, وآخرون. مراجعة لأبحاث تقنيات مراقبة شبكة التلامس في السكك الحديدية عالية السرعة[J]. Sensors, 2024, 24(3): 892.

[6] Hamza M, Abdallah M, Karray F, et al. AI-driven predictive maintenance: A multi-stage review[J]. Engineering Applications of AI, 2025, 138: 109648.

[7] جامعة جنوب غرب جياوتونغ. الحل التقني لنظام PHM لمعدات شبكة التلامس في السكك الحديدية عالية السرعة[R]. تشنغدو: جامعة جنوب غرب جياوتونغ, 2023.

[8] الإدارة الوطنية للسكك الحديدية. المواصفات الفنية لنظام الفحص والمراقبة لتشغيل شبكة التلامس في السكك الحديدية عالية السرعة (نظام 6C)[TB/T 2076—2020][S]. بكين: دار النشر للسكك الحديدية الصينية, 2020.

[9] Li Ming, Wang Yong, Zhang Liang, وآخرون. تقييم شامل لحالة المحوّلات على أساس نظرية الأدلة D-S المحسّنة[J]. Power System Protection and Control, 2021, 49(15): 108-115.

[10] Liao Ruijin, Wang Qian, Guo Hanxiao, وآخرون. التنبؤ بالعمر المتبقي لعزل الورق-الزيت على أساس عملية Wiener[J]. Proceedings of the CSEE, 2020, 40(12): 4038-4047.

[11] Zhang Wei, Liu Zhigang, Yu Long, وآخرون. تطبيق نموذج التجميع الديناميكي CNN-LSTM-AM في التنبؤ بتدهور المعدات[J]. Journal of Mechanical Engineering, 2023, 59(7): 215-224.

[12] Zhao Xin, Li Jian, Chen Weigen, وآخرون. تشخيص أعطال المحوّلات على أساس دمج المعلومات متعددة المصادر بتقنية BiLSTM[J]. High Voltage Engineering, 2022, 48(6): 2234-2243.

[13] Gao Shibin, Wang Tao, Chen Tanglong, وآخرون. منظومة الصيانة والتشغيل الذكية لمحطات الجر الكهربائية بالسكك الحديدية على أساس التعاون بين السحابة والشبكة والحافة والطرف[J]. Journal of the China Railway Society, 2022, 44(5): 38-46.

[14] Liu Yang, Chen Minwu, Zhang Hai, وآخرون. تطبيق النموذج المركّب FFT-LSTM في تشخيص أعطال المعدات الكهربائية[J]. Electric Power Automation Equipment, 2026, 46(2): 156-163.

[15] Wang Xiaodong, Li Rui, Chen Zhiqiang, وآخرون. تحليل الوضع الراهن لإدارة صيانة العوازل المقطعية في السكك الحديدية عالية السرعة وسبل تحسينه[J]. Railway Quality Control, 2023, 51(4): 25-30.

[16] Jousselme A L, Grenier D, Bossé É. A new distance between two bodies of evidence[J]. Information Fusion, 2001, 2(2): 91-101.

[17] Li Deyi, Meng Haijun, Shi Xuemei. السحابة الانتمائية ومولّد السحابة الانتمائية[J]. Journal of Computer Research and Development, 1995, 32(6): 15-20.

[18] Si X S, Wang W B, Hu C H, et al. Remaining useful life estimation based on a nonlinear diffusion degradation process[J]. IEEE Trans. on Reliability, 2012, 61(1): 50-68.

[19] Peng W, Li Y F, Mi Z Y, et al. Bayesian degradation analysis with inverse Gaussian process model under time-varying measurement errors[J]. IEEE Trans. on Reliability, 2020, 69(2): 421-434.

[20] Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780.

[21] He K M, Zhang X Y, Ren S Q, et al. Deep residual learning for image recognition[C]//Proc. CVPR. Las Vegas: IEEE, 2016: 770-778.

[22] Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: Theory and applications[J]. Neurocomputing, 2006, 70(1-3): 489-501.

[23] Zadeh L A. A simple view of the dempster-shafer theory of evidence[J]. AI Magazine, 1986, 7(2): 90-95.

[24] Paris P, Erdogan F. A critical analysis of crack propagation laws[J]. Journal of Basic Engineering, 1963, 85(4): 259-271.

[25] IEC 60815-1:2021. Selection and dimensioning of insulators for pollution conditions[S]. Geneva: IEC, 2021.

[26] Arrhenius S A. Über die Dissociationswärme und den Einfluss der Temperatur auf den Dissociationsgrad der Elektrolyte[J]. Zeitschrift für Physikalische Chemie, 1889, 4(1): 96-116.