في عصر تكنولوجيا الطاقة المتقدمة، تعتبر التوربينات الغازية ذات الدورة المركبة (CCGT) واحدة من أبرز الحلول في مجال إنتاج الطاقة، حيث تتميز بقدرتها العالية على الكفاءة وتقليل الأثر البيئي. ولكن، على الرغم من مزاياها، فإن التعقيدات المتعلقة بتفاعلاتها الحرارية والسوائل الميكانيكية تجعل مهمة كشف الأعطال صعبة، وخاصةً في ظل نقص البيانات المعلمة.

تقدم هذه المقالة نموذجاً جديداً يُعرف بشبكة كالمان النموذجية (KPN)، وهي إطار عمل مبني على التعلم القليل (Few-shot Learning) مخصص خصيصاً لتشخيص أعطال CCGT. يعتمد هذا النموذج على تصور تطور نماذج الفئات كحالات عشوائية كامنة في نظام ديناميكي، مما يساهم في تقليل التباين العرضي وتحسين المتانة في تمثيل البيانات.

تم استخدام مجموعات بيانات اصطناعية تم توليدها بواسطة محاكاة ديناميكية تعتمد على نموذج Modelica لنظام CCGT بحري، حيث تم محاكاة كل من العمليات الطبيعية والأعطال التسريبية في ظروف انتقالية. أظهرت التطبيقات العملية للإطار المقترح في مهام كشف الأعطال التسريبية تفوق شبكة KPN على الطرق التقليدية في التعلم القليل، مثل الشبكات المطابقة، الشبكات التكرارية، وMAML، من حيث الدقة والثبات تحت تكوينات دعم واستفسار متنوعة.

إن الإطار المقترح يُحدث تحسناً كبيراً في تقارب التدريب والتعميم من خلال استقرار تمثيلات الفئات، مما يجعله ملائماً لنماذج كاشف الأعطال CCGT في العالم الحقيقي حيث تكون البيانات المعلمة محدودة. إن هذا التطور يعد بمثابة خطوة كبيرة نحو تحسين إدارة صيانة التوربينات الغازية، مما يُعزز من كفاءة الإنتاج ويقلل من الأعطال المحتملة.