Digital Twin Feedback for Predictive Maintenance in Industrial IoT Environments

في قلب مصنع حديث، حيث الضجيج المستمر، تدور آلات ضخمة بدقة متناهية، محولة المواد الخام إلى السلع التي تملأ رفوفنا. لعقود من الزمن، كان الحفاظ على تشغيل هذه الآلات بمثابة لعبة تعتمد على رد الفعل والروتين. كان العمال ينتظرون حتى ينكسر جزء ما قبل إصلاحه، أو يقومون بإيقاف الخط وفق جدول زمني صارم لفحص المكونات، بغض النظر عما إذا كانت الآلة تحتاج بالفعل إلى اهتمام. هذا النهج مكلف، إذ يؤدي إلى توقفات غير متوقعة تعطل الإنتاج وتُهدر الأموال. ومع مرور الوقت، حاول المهندسون تحسين ذلك عبر ربط مستشعرات بالآلات للاستماع إلى اهتزازاتها أو الشعور بحرارتها، آملين في رصد المشكلات قبل وقوعها. ومع ذلك، فإن إرسال كل هذه البيانات إلى مركز كمبيوتر بعيد لتحليلها غالبًا ما يستغرق وقتًا طويلاً؛ فبحلول الوقت الذي يصل فيه التحذير، قد يكون الضرر قد وقع بالفعل. علاوة على ذلك، فإن البرامج الحاسوبية البسيطة التي تبحث عن الأنماط في البيانات غالبًا ما تغفل عن العلامات الدقيقة للتآكل لأنها لا تفهم الفيزياء الفعلية لكيفية إجهاد المعدن أو كيفية تراكم الحرارة داخل المحمل (bearing).

قام فريق من الباحثين من جامعات في الهند بتطوير طريقة جديدة لحل هذا اللغز، حيث ابتكروا نظامًا يعمل كدماغ محلي مفكر بجانب الآلة مباشرة. أطلقوا على ابتكارهم اسم "التوأم الرقمي" (digital twin)، وهو نسخة افتراضية من الآلة الفيزيائية تعيش داخل الكمبيوتر. هذه النسخة الافتراضية لا تكتفي بمحاكاة الآلة فحسب، بل تتعلم منها في الوقت الفعلي، باستخدام قوانين الفيزياء للتنبؤ بكيفية سلوك الآلة تحت الضغط. ومن خلال دمج هذا النموذج الافتراضي مع مستشعرات ذكية تعالج البيانات فورًا في أرض المصنع، بنى الباحثون نظامًا يمكنه رصد الجزء المتعطل قبل أن ينكسر بفترة طويلة، دون انتظار اتصال بطيء بخادم مركزي. ويشير عملهم إلى أنه من خلال السماح للآلة بالتحدث إلى ظلها الرقمي، يمكن للمصانع تجنب المفاجآت المكلفة والحفاظ على خطوط إنتاجها تتحرك بسلاسة.

ركز الباحثون، بقيادة ميغا باتيل، ويوجيش بيرود، وداناشري باربول، جهودهم على نوع محدد من المعدات الصناعية: الآلات الدوارة مثل المحركات الكهربائية والمضخات. هذه الآلات هي عصب الصناعة، لكن محاملها (bearings) — وهي الأجزاء التي تسمح للأعمدة بالدوران بحرية — عرضة للتآكل والتهالك. ولتجربة فكرتهم، أقام الفريق تجربة منضبطة باستخدام محرك كهربائي بقدرة 250 واط. لقد أدخلوا عمدًا عيوبًا صغيرة ودقيقة في محامل المحرك، مما خلق سيناريو حيث تتدهور حالة الآلة ببطء من حالة جيدة إلى حالة تعطل. كما زودوا المحرك بأربعة أنواع مختلفة من المستشعرات: واحد ليشعر بالاهتزازات الناتجة عن الارتجاج، وآخر لقياس درجة حرارة المحمل، وثالث لتتبع التيار الكهربائي المتدفق عبر المحرك، وميكروفون للاستماع إلى صوت حركة الهواء حوله.

بدلاً من إرسال سيل هائل من البيانات الخام من هذه المستشعرات إلى خادم سحابي بعيد، وضع الفريق حاسوبًا صغيرًا وقويًا بجوار المحرك مباشرة. يعمل هذا الجهاز، المعروف باسم "بوابة الحافة" (edge gateway)، كمرشح محلي؛ فهو يستمع إلى المستشعرات، ويستخلص أهم الأدلة حول صحة الآلة، ويتخذ قرارًا فوريًا بشأن ما إذا كان هناك خطأ ما. تتم عملية المعالجة المحلية هذه في جزء من الثانية، وتحديدًا بمتوسط 18.3 مللي ثانية، وهو ما يكفي للإمساك بالخلل في اللحظة التي يبدأ فيها في التكون. ثم يرسل النظام ملخصًا موجزًا لنتائجه إلى التوأم الرقمي. هذا النموذج الافتراضي، الذي يفهم فيزياء كيفية سلوك المحمل، يقارن البيانات الواقعية بتوقعاته الخاصة. فإذا بدأت الآلة الحقيقية في التصرف بشكل مختلف عما يتوقعه نموذج الفيزياء، يعلم النظام أن مشكلة ما قيد التطور، حتى لو لم تطلق المستشعرات صرخة إنذار بعد.

ولاتخاذ هذه القرارات، يستخدم النظام فريقًا متطورًا من الخبراء الرقميين الذين يعملون معًا. فهو يستخدم أنواعًا مختلفة من الذكاء الاصطناعي، بدءًا من الأساليب الإحصائية التقليدية وصولاً إلى شبكات التعلم العميق المتقدمة التي يمكنها التعرف على الأنماط المعقدة بمرور الوقت. يتعلم جزء من النظام من الإخفاقات الماضية، بينما يستخدم جزء آخر طريقة تسمى "التعلم التعزيزي" لمعرفة أفضل مسار للعمل. وهذا يعني أن النظام لا يكتفي بالقول "هناك خطأ ما"، بل يقرر ما يجب فعله حيال ذلك؛ إذ يمكنه اختيار الاستمرار في المراقبة، أو جدولة فحص روتيني، أو إجراء صيانة، أو استبدال جزء بالكامل، بناءً على ما سيوفر أكبر قدر من المال والوقت. اختبر الباحثون هذا الإعداد بالكامل على مدار فترة زمنية مدتها 150 ثانية حيث راقبوا تدهور الآلة، ونجح النظام في تحديد الأعطال المتطورة بدقة بلغت 96.8 بالمائة.

كانت نتائج هذه التجربة مذهلة. فعند مقارنتها بالطرق القديمة التي تعتمد على مستشعر واحد أو عتبات بسيطة، أخطأ النظام الجديد في رصد حالات الفشل الحرجة بنسبة أقل بكثير. في الواقع، قلل النظام من معدل الأعطال المفقودة بأكثر من 37 بالمائة مقارنة بأفضل نهج يعتمد على مستشعر واحد. وهذا أمر بالغ الأهمية لأنه في المصنع، يمكن أن يؤدي تفويت علامة تحذير إلى تعطل كارثي يوقف الإنتاج لساعات. ومن خلال رصد المشكلة مبكرًا، توقع النظام أيضًا إمكانية تقليل وقت التوقف غير المخطط له بأكثر من 32 بالمائة. ووجد الباحثون أن الجمع بين "الاستماع" عبر حواس متعددة — الاهتزاز، والحرارة، والصوت، والكهرباء — وتغذية تلك المعلومات في نموذج افتراضي قائم على الفيزياء، خلق شبكة أمان أقوى بكثير من أي طريقة منفردة.

كما بحثت الدراسة في المقايضات المترتبة على تشغيل مثل هذا النظام المعقد على حاسوب صغير. وبينما تطلبت المعالجة المتقدمة طاقة أكثر قليلاً من الفحص البسيط، إلا أن كمية الطاقة كانت لا تزال منخفضة للغاية، وكانت سرعة اتخاذ القرار سريعة بما يكفي للاستخدام الصناعي في الوقت الفعلي. أثبت النظام إمكانية الحصول على دقة عالية وسرعة عالية دون الحاجة إلى إرسال كميات هائلة من البيانات إلى السحابة. وقد وفر التوأم الرقمي ميزة حاسمة خلال المراحل المبكرة من الفشل، عندما تكون علامات الخطر خفية للغاية بحيث لا تستطيع المستشعرات القياسية اكتشافها بمفردها. ومن خلال استخدام قوانين الفيزياء لسد الفجوات، منح النموذج الافتراضي النظام الثقة للتحرك قبل وقوع الكارثة.

يمثل هذا العمل خطوة كبيرة إلى الأمام في كيفية إدارتنا للمعدات الصناعية. فهو يتجاوز الفكرة القديمة المتمثلة في انتظار تعطل الآلة أو فحصها وفق جدول زمني جامد، وبدلاً من ذلك، يقدم نهجًا ديناميكيًا وذكيًا يتكيف مع الحالة الفعلية للآلة. لقد أثبت الباحثون أنه من خلال جلب الذكاء إلى حافة الشبكة وربطه بتوأم رقمي مدرك للفيزياء، يمكن للمصانع تحقيق مستوى من الموثوقية كان من الصعب الوصول إليه سابقًا. وبينما أُجريت التجربة في بيئة مختبرية منضبطة باستخدام محرك واحد، فإن المبادئ الموضحة هنا تشير إلى مسار نحو مستقبل تكون فيه الآلات الصناعية واعية بذاتها، وقادرة على تشخيص أمراضها، وقادرة على جدولة إصلاحاتها الخاصة قبل أن تتوقف خطوط الإنتاج تمامًا. وتؤكد النتائج أن هذا النهج المتكامل ليس مجرد مفهوم نظري، بل هو حل عملي وفعال يمكن تطبيقه اليوم لجعل الصناعة أكثر أمانًا وكفاءة.