الذكاء الاصطناعي بإشراف بشري لقرارات استدامة المحوّلات

نادراً ما تكون قرارات استدامة محوّلات القدرة مجرّد قرارات تعتمد على عتبة بسيطة. فقد تبدو إشارة تشخيصية مثيرة للقلق، لكنّ الإجراء يعتمد على تاريخ الأصل والتحميل وجودة أخذ العيّنات وحالة العزل وعواقب العطل واستراتيجية الوحدات الاحتياطية ونوافذ الانقطاع وحكم المهندسين المؤهّلين.

يهمّ الذكاء الاصطناعي بإشراف بشري لأنّه يُبقي ذلك الحكم مرئياً. صُمِّم GridAPM لاستخدام وكلاء الذكاء الاصطناعي في مهام استدامة محدودة النطاق: جمع الأدلّة ومقارنة الاتجاهات وتحديد عدم اليقين وصياغة التوصيات وإعداد حزم المراجعة. ويقرّر المهندسون ما تعنيه الأدلّة وأيّ إجراء يتناسب معها.

لماذا يحتاج الذكاء الاصطناعي للمحوّلات إلى تحكّم هندسي

يجمع تشخيص المحوّلات عدّة مسارات من الأدلّة. فقد يُفسَّر تحليل الغازات المذابة (DGA) بالرجوع إلى IEEE C57.104 وIEC 60599. وقد تتطلّب مراجعة التفريغ الجزئي انضباطاً في القياس وسياقاً للتداخل يتوافق مع IEC 60270. ويمكن أن تستند مراجعة حركة الملفّات إلى ممارسات تحليل الاستجابة الترددية مثل IEEE C57.149. كما تُناقَش موضوعات تقييم الحالة والمراقبة الذكية في مواد CIGRE العامة بما في ذلك TB 761 وTB 630.

وهذه المراجع ليست بديلاً عن المراجعة الهندسية. بل هي البنية التي تجعل المراجعة أكثر اتساقاً. وينبغي أن يساعد الذكاء الاصطناعي الفرق على إيجاد الأدلّة بسرعة أكبر، لا أن يُخفي الأساس الذي يقوم عليه القرار.

نمط GridAPM للذكاء الاصطناعي بإشراف بشري

ينبغي أن يفصل سير عمل الذكاء الاصطناعي المفيد لاستدامة المحوّلات بين أربع مسؤوليات:

1. تأتي البيانات من تقارير المختبر وأجهزة المراقبة المتّصلة والاختبارات الكهربائية وسياق التشغيل وعمليات التفتيش وأنظمة الصيانة.
2. تنظّم رؤى الذكاء الاصطناعي الحالات الشاذّة وتغيّرات الاتجاه وأنماط الأعطال المحتملة وعدم اليقين.
3. يتحقّق المهندسون من السياق ويطبّقون المعايير ويقيّمون المخاطر ويوثّقون المبرّرات.
4. تُسجَّل القرارات والإجراءات على أنّها مراقبة أو تحقيق أو خطة قائمة على الحالة أو إجراء صيانة أو استمرار في الملاحظة.

يحوّل هذا النمط مُخرَجات الذكاء الاصطناعي إلى سجلّ هندسي قابل للمراجعة. كما يمنع المنصّة من تقديم توصية وكأنّها سلطة نهائية.

ما الذي يجب أن يكون قابلاً للتتبّع

لا تكون توصية استدامة المحوّل مفيدة إلّا إذا استطاع الفريق فهم مصدرها. ولكلّ توصية، يهدف GridAPM إلى الاحتفاظ بسجلّ واضح لما يلي:

• بيانات المصدر المستخدَمة في التوصية.
• البيانات المفقودة وملاحظات جودة البيانات.
• نوافذ الاتجاه وخطوط الأساس للمقارنة.
• الطريقة التشخيصية أو عائلة القواعد التي جرى النظر فيها.
• ملاحظات ثقة الذكاء الاصطناعي وعوامل عدم اليقين.
• تعليقات المهندس والتغييرات وحالة الموافقة والمسؤول عن الإجراء.

ويتوافق هذا مع موضوعات حوكمة الذكاء الاصطناعي المسؤول الواردة في NIST AI Risk Management Framework ومع أعمال أوسع في حوكمة الذكاء الاصطناعي المتمحورة حول الإنسان من مؤسّسات مثل Berkman Klein Center بجامعة هارفارد. والخلاصة العملية بسيطة: تحتاج قرارات الأصول عالية العواقب إلى مساءلة وقابلية للمراجعة وملكية واضحة.

ينبغي أن يؤدّي الذكاء الاصطناعي الوكيلي عملاً محدود النطاق

في GridAPM، ليس الوكيل سلطة صيانة ذاتية التحكّم. بل هو عامل محدود النطاق يمكنه أداء جزء محدّد من سير عمل الاستدامة. فقد يعمل أحد الوكلاء على توحيد سجلّات DGA. وقد يقارن آخر أنماط PRPD. وقد يُعِدّ ثالث ملخّص مراجعة يراعي المعايير. وقد يصوغ رابع خطة إجراء مع الافتراضات وملاحظات الثقة.

يساعد هذا التقسيم للعمل المهندسين على فحص السلسلة من الدليل الخام إلى التوصية. وإذا اعتُرِض على استنتاج تشخيصي أثناء مراجعة داخلية، يمكن للفريق فحص كلّ خطوة بدلاً من إجراء هندسة عكسية لمُخرَج صندوق أسود.

نموذج تشغيل أكثر متانة للاستدامة

لا تقتصر فائدة الذكاء الاصطناعي بإشراف بشري على تسريع كتابة التقارير. بل هي عملية استدامة أكثر انضباطاً:

• حزم أدلّة متّسقة لكلّ محوّل تجري مراجعته.
• تسليم أفضل بين مديري الأصول وأخصّائيي التشخيص وفرق الميدان.
• قرارات أقلّ تُبنى على نقاط بيانات منعزلة.
• تعبير أوضح عن عدم اليقين عندما تكون الأدلّة غير مكتملة.
• مبرّرات أوضح لمؤشّر الصحة ودورة الحياة قبل اعتماد العمل.
• مسار تدقيق قابل للدفاع عنه يوضّح سبب قيام الفريق بالمراقبة أو التحقيق أو التأجيل أو اتّخاذ الإجراء.

يتمثّل التوجّه المنتَجي لـ GridAPM في جعل الذكاء الاصطناعي مفيداً على وجه التحديد حيث يكون عمل استدامة المحوّلات أكثر تطلّباً: أدلّة متعدّدة المصادر وعواقب مرتفعة وحكم الخبراء والحاجة إلى قرارات قابلة للتتبّع.