Wind Turbine Maintenance Log Labelling Framework: LLM-Driven Data Correction and Enrichment via Semantic Extraction of Reliability Intelligence

ملخص تقني: تصحيح وإثراء البيانات المدفوع بالنماذج اللغوية الكبيرة لسجلات صيانة توربينات الرياح

بيان المشكلة
مع تقدم أعمار أساطيل توربينات الرياح، يصبح تحسين التشغيل والصيانة (O&M) أمراً بالغ الأهمية لإطالة عمر الخدمة وتقليل التكلفة المستوية للطاقة. ومع ذلك، توجد عقبة كبيرة في قطاع هندسة الموثوقية: حيث تظل معلومات الفشل القيمة محبوسة داخل مدخلات اللغة الطبيعية غير المهيكلة في سجلات الصيانة التاريخية. هذه السجلات، المخزنة في أنظمة إدارة الصيانة المحوسبة (CMMS)، تعاني من مشكلات منهجية في جودة البيانات، بما في ذلك الرموز الهيكلية للأنظمة المفقودة أو الخاطئة، والغموض الدلالي، وتصنيفات أنواع الصيانة العامة أو غير الدقيقة.

تعتمد منهجيات الموثوقية التقليدية، مثل تحليل أنماط الفشل وآثاره (FMEA)، بشكل كبير على التقدير الذاتي للخبراء لتحديد أنماط الفشل وتعيين معايير المخاطر، لأن الحقيقة التجريبية تظل حبيسة النصوص غير المهيكلة. علاوة على ذلك، فإن النهج المؤتمتة الحالية التي تستخدم معالجة اللغات الطبيعية (NLP) التقليدية وتعلم الآلة (ML) تتطلب مجموعات بيانات تدريبية ضخمة مصنفة يدوياً، وغالباً ما تؤدي إلى تصنيفات خوارزمية خاطئة تشوه حسابات الموثوقية اللاحقة. تفتقر الصناعة إلى مسار مؤتمت وقابل للتوسع قادر على تحويل الملاحظات الميدانية النوعية هذه إلى مقاييس موثوقية كمية قابلة للقراءة آلياً.

المنهجية
تقدم الورقة إطار عمل مبتكر ومستقل عن النماذج (model-agnostic) يستفيد من النماذج اللغوية الكبيرة (LLMs) لتصحيح وهيكلة وإثراء سجلات الصيانة ذاتياً. تعمل المنهجية على مجموعة بيانات مكونة من 16,316 سجل صيانة لـ 280 توربينة رياح عبر 32 مزرعة برية، تم مراقبتها على مدار تسع سنوات (2017–2026).

ينفذ المسار المؤتمت عملية متسلسلة متعددة المراحل:

1. تكامل قاعدة البيانات والمعالجة المسبقة: يقوم النظام بدمج البيانات من جداول WORKORDER و WORKLOG و FAILURECODE لإنشاء وصف زمني موحد لكل تدخل، مع إزالة الضجيج النحوي والمعرفات الحساسة.
2. محاذاة التصنيف وتصحيح رموز الأنظمة: باستخدام نظام التسمية المرجعي لمحطات الطاقة (RDS-PP) كخط أساس، يقوم النموذج اللغوي الكبير بإجراء تدقيق ثلاثي الخطوات: تصحيح التصنيفات الخاطئة لنظام التحكم في زاوية الشفرات (pitch system) (التي تُصنف غالباً بشكل خاطئ تحت شفرات الدوار)، واستعادة رموز الأنظمة المفقودة، وتدقيق التناقضات الدلالية بين الرموز المعينة والأوصاف النصية.
3. الاستخراج الدلالي للتصنيفات التجريبية: يتم تجميع السجلات حسب رموز الأنظمة المصححة وطوبولوجيا المكونات المحددة (مثل أنظمة التحكم الكهربائية مقابل الهيدروليكية). يقوم النموذج اللغوي بتحليل هذه المجموعات لبناء قواميس قائمة على الأدلة لإجراءات الصيانة وأنماط الفشل، حيث يتم تعريف أنماط الفشل من خلال الاسم، والآلية السائدة، والعرض الملحوظ، والسبب المحتمل.
4. التوسيم الدقيق: يعالج النموذج اللغوي السجلات الفردية لتطبيق التصنيفات المستخرجة. يقوم بإعادة تصنيف أنواع الصيانة (على سبيل المثال، التمييز بين الإصلاحات التصحيحية، وعمليات الفحص، وعمليات إعادة الضبط) ويخصص تسميات إجراءات محددة. والأهم من ذلك، يستخدم النظام إطار عمل "سلسلة الأفكد" (Chain-of-Thought)، مما يتطلب من النموذج توليد مبرر ودرجة ثقة ذاتية قبل اعتماد التسمية النهائية.
5. الضمانات والتحقق: يتضمن المسار قواعد حتمية للتعامل مع أحداث غير متعلقة بالفشل (مثل عمليات الفحص الروتينية) وفئات "الهروب" للبيانات غير المفيدة. تمت مراجعة عينة عشوائية من 300 سجل يدوياً، وأظهرت نسبة اتفاق تتراوح بين 80-90% بين مخرجات النموذج اللغوي الكبير وتقدير الخبراء.

المساهمات الرئيسية

• هيكلة البيانات ذاتياً: نجح الإطار في هيكلة أكثر من 70% من مجموعة البيانات، وصحح رموز الأنظمة الهيكلية ذاتياً، واستخرج ملفات تعريف أنماط الفشل الدقيقة دون الحاجة إلى بيانات تدريب مسبقة مصنفة يدوياً.
• تصحيح التصنيفات الخاطئة المنهجية: حددت الدراسة وحلت أخطاء واسعة الانتشار، مثل التصنيف الخاطئ لأعطال نظام التحكم في زاوية الشفرات تحت فئات أوسع لشفرات الدوار، وتسمية عمليات الفحص خطأً كإصلاحات تصحيحية.
• توليد تصنيف قائم على الأدلة: على عكس تحليل FMEA التقليدي الذي يعتمد على لجان خبراء ذاتية، تستمد هذه الطريقة قواميس أنماط الفشل مباشرة من الأدلة التاريخية المجمعة، مما يلتقط آليات التدهور السائدة والأسباب المحتملة الخاصة بكل طوبولوجيا للأجهزة.
• مسار قابل للتوسع ومنخفض التكلفة: يثبت هذا النهج أن النماذج اللغوية الكبيرة يمكنها معالجة البيانات الصناعية المعقدة بجزء بسيط من الوقت والتكلفة مقارنة بالمراجعة اليدوية للخبراء، بتكلفة معالجة إجمالية تبلغ حوالي 370 دولاراً لمجموعة البيانات بأكملها (حوالي 0.0226 دولار لكل سجل).

النتائج
أدى تطبيق المسار إلى تحولات كمية ونوعية كبيرة في البيانات:

• استعادة رموز الأنظمة: تمت إعادة تسمية 73.0% من السجلات ذات العيوب الهيكلية بنجاح. ومن الجدير بالذكر أن استخراج نظام التحكم في زاوية الشفرات حقق نسبة نجاح 99.1%، مما عزل الأعطال التي كانت مخفية سابقاً تحت رموز عامة.
• تصحيح نوع الصيانة: تم تصحيح نوع الصيانة لـ 24.50% من مجموعة البيانات العالمية. وكانت النتيجة الرئيسية هي إعادة تصنيف العديد من السجلات "التصحيحية" إلى فئات "وقائية" أو "فحص"، وهو أمر حيوي لحساب معدلات الفشل بدقة.
• دقة الإجراءات: استعاد المسار تسميات إجراءات محددة لـ 8.27% من السجلات التي كانت فارغة سابقاً، وعكس النسبة القديمة لـ "الإصلاحات" إلى "الاستبدالات"، مما كشف أن عمليات الاستبدال كانت أكثر شيوعاً مما توحي به تسميات "الإصلاح" العامة.
• استخراج أنماط الفشل: تم تخصيص ملف تعريف شامل لنمط الفشل لـ 71.5% من مجموعة البيانات. وسلط القاموس التجريبي الناتج الضوء على نقاط ضعف محددة، مثل تلف طلاء الشفرات وانفصال مستشعر الاهتزاز، وكشف عن ملفات تدهور متميزة بين الأنظمة الكهربائية والهيدروليكية.
• الأثر التحليلي: غيرت البيانات المهيكلة ترتيب معدلات الفشل للأنظمة الرئيسية. فعلى سبيل المثال، برز نظام التحكم في زاوية الشفرات كفئة مستقلة (9.67% من البيانات)، وانخفضت معدلات الفشل المتصورة لشفرات الدوار والأنظمة الهيدروليكية بشكل كبير بعد إزالة أحداث غير الفشل وتصحيح التصنيفات الخاطئة.

الأهمية
تدعي الورقة أن هذه المنهجية توفر مخططاً بيانياً عالي القابلية للتوسع ومنخفض التكلفة لترجمة الملاحظات الميدانية النوعية إلى مقاييس موثوقية كمية. ومن خلال الانتقال من مجرد تصنيف النصوص إلى التفكير الدلالي العميق، يعالج إطار العمل فجوة الذاتية المتأصلة في تحليل FMEA التقليدي وعقبات البيانات في نهج تعلم الآلة القديمة.

تكمن الأهمية في قدرتها على:

1. إطلاق البيانات التاريخية: جعل عقود من سجلات الصيانة غير المهيكلة متاحة لتحليلات الموثوقية المتقدمة وتحليل الأسباب الجذرية.
2. توحيد الممارسات الصناعية: تقديم مسار للانتقال من التصنيفات الثابتة والنظرية إلى تصنيفات صيانة ديناميكية وقائمة على الأدلة مستمدة من البيانات التشغيلية الفعلية.
3. تمكين التحليلات المتقدمة: وضع الأساس لتحليل الأسباب الجذرية المتكامل، وتحسين FMEA بمعايير مخاطر مقاسة بدقة (الحدوث، الشدة، الكشف)، واستراتيجيات الصيانة التنبؤية المتقدمة عبر قطاع الطاقة المتجددة.

يؤكد المؤلفون أنه بينما تركز هذه الدراسة على توربينات الرياح، فإن البنية الهيكلية للنموذج قابلة للتطبيق على الصناعات الثقيلة الأخرى التي تعتمد على أنظمة CMMS، بشرط توفير تصنيف خاص بالمجال. ويخلص العمل إلى أن هذا النهج يمثل تحولاً نظامياً نحو إدارة الأصول القائمة على الأدلة، مما يقلل الاعتماد على التقدير الذاتي للخبراء.