Adaptive Graph Construction and Feature-Enhanced Graph Neural Network for Few-Shot Bearing Fault Diagnosis under Variable Conditions

تخيل أنك محقق تحاول حل لغز، لكن ليس لديك سوى صورة واحدة ضبابية للمشتبه به، ومسرح الجريمة يتغير باستمرار—أحياناً تمطر، وأحياناً يكتسي بالضباب، والإضاءة تتبدل باستمرار. هذا هو الواقع اليومي للمهندسين الذين يحاولون إبقاء الآلات الضخمة، مثل التوربينات في محطة طاقة أو التروس في مصنع، تعمل بسلاسة. إنهم بحاجة لرصد صدع صغير أو مسمار مرتخٍ قبل أن يتسبب ذلك في كارثة. ولكن هنا تكمن المشكلة: عادة ما تعمل الآلات بشكل مثالي، لذا فإن العينات "المريضة" (البيانات التي تظهر جزءاً مكسوراً) نادرة للغاية. الأمر يشبه محاولة تعلم شكل السيارة المعطلة بينما لم ترَ سوى ألف سيارة مثالية فقط. علاوة على ذلك، يتغير سلوك الآلة بناءً على سرعة دورانها أو مدى ثقل الحمل الذي تحمله، مما يجعل إشارة "المرض" تبدو مختلفة في كل مرة. هذا هو عالم تشخيص الأعطال: وهو علم الاستماع إلى اهتزازات الآلات لمعرفة متى يكون هناك خطب ما. وللقيام بذلك، يستخدم العلماء الشبكات العصبية الرسومية (Graph Neural Networks)، والتي تشبه فريقاً من المحققين الذين لا يكتفون بمجرد النظر إلى دليل واحد بمعزل عن غيره؛ بل يرسمون خريطة تربط جميع الأدلة ببعضها البعض، ويشاركون المعلومات عبر الشبكة لفهم الصورة الأكبر.

تقدم هذه الورقة البحثية فريق تحقيق ذكي للغاية يسمى AG-MS-GNN (الشبكة العصبية الرسومية ذات البناء التكيفي وتعزيز الميزات) المصممة خصيصاً لحل هذه الألغاز "قليلة العينات" (few-shot) في ظل الظروف المتغيرة. وجد الباحثون، من خلال العمل مع بيانات مجموعة بيانات CWRU الشهيرة لـمحامل الكرات، أن طريقتهم الجديدة تُعد نقطة تحول جذري. فبينما عانت الطرق التقليدية في التخمين الصحيح عندما أُعطيت أمثلة قليلة فقط (حققت معدلات دقة تتراوح بين 31% إلى 48%)، تمكنت AG-MS-GNN من تحديد العطل الصحيح بدقة بلغت 95.5%، حتى عندما كان لديها حوالي 8 عينات تدريبية فقط لكل نوع من أنواع الأعطال. وتجادل الورقة صراحةً ضد استخدام خرائط بسيطة وثابتة لربط نقاط البيانات، موضحة أن الاتصالات الثابتة تفشل عندما تتغير ظروف تشغيل الآلة. وبدلاً من ذلك، أثبتوا أن النظام الذي يبني "خريطته" الخاصة بناءً على فيزياء الاهتزاز ويتعلم من سيناريوهات "ماذا لو" (دون الحاجة إلى كومة من الأمثلة السيئة للمقارنة بها) هو نظام متفوق بمراحل.

أدوات المحقق: كيف يعمل الأمر

لفهم كيف تحل هذه الطة الجديدة المشكلة، دعونا نفكك "خدعها" الثلاث الرئيسية، والتي يسميها المؤلفون "نماذج" (modules).

1. الخريطة التكيفية (بناء الروابط الصحيحة)
تخيل أنك تحاول معرفة أي الطلاب في المدرسة هم أصدقاء. قد تقول طريقة بسيطة: "أي شخص يجلس في نفس الصف هو صديق". لكن هذا ليس صحيحاً دائماً؛ فأحياناً يجلس الأصدقاء في صفوف مختلفة، وأحياناً يكون الأشخاص في نفس الصف خصوماً. في عالم اهتزازات الآلات، حاولت الطرق القديمة ربط نقاط البيانات (العينات) باستخدام قواعد رياضية بسيطة، مثل قياس المسافة المستقيمة بينها. وتجادل الورقة بأن هذا جامد للغاية. فإذا زادت سرعة الآلة، فإن "المسافة" بين عينتين سليمتين قد تتغير، مما يؤدي إلى كسر الاتصال.

تقوم AG-MS-GNN ببناء خريطة ديناميكية. فهي تنظر إلى إشارات الاهتزاز من خلال ثلاث "عدسات" مختلفة:

• المجال الزمني (Time-domain): مدى قوة وطاقة الإشارة.
• مجال التردد (Frequency-domain): "النغمات" أو الدرجات الصوتية المحددة التي تصدرها الآلة (مثل الوتر الموسيقي).
• مجال تعديل السعة (Demodulation-domain): طريقة خاصة للاستماع تسلط الضوء على علامات التحذير الضعيفة والمبكرة، مثل الهمس في غرفة صاخبة.

من خلال مزج هذه الرؤى الثلاث، ينشئ النظام خريطة "قابلة للتفسير فيزيائياً". فهو لا يخمن فحسب؛ بل يستخدم الفيزياء الفعلية لكيفية عمل الآلة ليقرر من يتصل بمن. إذا تغيرت سرعة الآلة، تعيد الخريطة تشكيل نفسها للحفاظ على الاتصالات الصحيحة، مما يضمن أن المحققين يتحدثون دائماً إلى الأشخاص المناسبين.

2. محاكي "ماذا لو" (التعلم بدون أمثلة سيئة)
عادةً، لتعليم الكمبيوتر كيفية رصد آلة معطلة، تحتاج إلى آلاف الأمثلة للآلات المعطلة. ولكن في العالم الحقيقي، نادراً ما تمتلك أي منها. غالباً ما تتطلب "التعلم التبايني" التقليدي (وهي طريقة لتعليم الذكاء الاصطناعي عبر إظهار أزواج من الأشياء) وجود "عينات سلبية"—وهي أمثلة لأشياء ليست هي الهدف. وتشير الورقة إلى أن اختيار هذه الأمثلة "السلبية" هو فخ؛ فإذا اخترت الأمثلة الخاطئة، سيصاب الذكاء الاصطناعي بالارتباك ويتعلم دروساً خاطئة.

بدلاً من ذلك، تستخدم هذه الطريقة استراتيجية ذكية خالية من العينات السلبية. فهي تأخذ إشارة اهتزاز صحية واحدة وتنشئ نسختين مختلفتين قليلاً منها، مثل التقاط صورة ثم إضافة القليل من التشويش أو جعلها أكثر سطوعاً قليلاً. تسمى هذه "الرؤى المعززة". ثم يُقال للذكاء الاصطناعي: "هاتان النسختان تأتيان من نفس الآلة، لذا يجب أن تكونا متطابقتين". يتعلم النظام تجاهل الضوضاء وتغيرات السطوع والتركيز فقط على الهوية الجوهرية للآلة. وهذا يسمح للنموذج بتعلم ميزات قوية باستخدام الكم الهائل من البيانات غير المصنفة المتاحة لديه، دون الحاجة أبداً للعثور على مثال "سيء" للمقارنة به.

3. المكبر متعدد المقاييس (التقريب والتبعيد)
بمجرد بناء الخريطة وتعلم الميزات، يحتاج الذكاء الاصطناعي إلى النظر في البيانات عن كثب. تستخدم الورقة نهج التلافيف الرسومي متعدد المقاييس. تخيل أنك تنظر إلى غابة:

• الخطوة الأولى (محلي): النظر إلى الأشجار المجاورة لك مباشرة لترى ما إذا كان هناك غصن واحد مكسور.
• الخطوة الثانية (إقليمي): النظر إلى بقعة الأشجار بأكملها لترى ما إذا كان هناك مرض ينتشر.
• المستوى العالمي (Global): النظر إلى الغابة بأكملها لرؤية الشكل العام.

يقوم النموذج بتكديس هذه الطبقات، مستخدماً آليات الانتباه (attention mechanisms) لتحديد الأجزاء الأكثر أهمية من الغابة. إنه يشبه امتلاك مكبر يمكنه الانتقال فوراً من التفاصيل الدقيقة إلى الرؤية الواسعة، وتركيز طاقته على القنوات "الحساسة للأعطال" مع تجاهل الضوضاء.

النتائج: نجاح باهر

اختبر الباحثون طريقتهم مقابل الأدوات التقليدية مثل آلات المتجهات الداعمة (SVM) ونماذج التعلم العميق القياسية (1D-CNN, GCN, GAT). وكانت النتائج صارخة.

• الاختبار الأقصى: في سيناريو "العدد القليل جداً من العينات" (استخدام 3% فقط من البيانات للتدريب، أي حوالي 8 عينات لكل نوع عطل)، فشلت الطرق القديمة فشلاً ذريعاً. حققت SVM دقة 48.57%، و1D-CNN دقة 43.30%، وبالكاد نجحت الشبكة العصبية الرسومية القياسية (GCN) بنسبة 31.68%. لقد كانوا في حالة تخمين فعلي.
• الفائز: ومع ذلك، حققت AG-MS-GNN دقة بلغت 95.55%. لم تكن تخمن فحسب، بل فهمت النمط.
• بيانات أكثر: عندما أعطوا النموذج المزيد من البيانات (حتى 70% من مجموعة البيانات)، ارتفعت الدقة إلى 99.6%، لكن السحر الحقيقي كان في مدى جودة أدائه مع وجود بيانات شبه معدومة.

كما أجرت الورقة "دراسات الاستئصال" (ablation studies)، وهي أشبه بتفكيك محرك سيارة لمعرفة وظيفة كل جزء. ووجدوا أن إزالة الاتصالات المتبقية (residual connections) (وهي وسيلة لمساعدة الذكاء الاصطناعي على تذكر ما تعلمه سابقاً) تسببت في أكبر انخفاض في الأداء (بمقدار 4.03%)، مما يثبت أن هذه الاتصالات حيوية للاستقرار. كما أن إزالة الانتباه متعدد الرؤوس أو تعزيز البيانات أثر أيضاً على النتائج، مما يؤكد أن جميع أجزاء النظام تعمل معاً مثل آلة مشحمة جيداً.

لماذا يهم هذا (وما لا يفعله)

تشير هذه الطريقة إلى وسيلة جديدة وقوية للتعامل مع مشكلة "ندرة البيانات" في البيئات الصناعية. فهي تثبت أنك لست بحاجة إلى جبل من بيانات الآلات المعطلة لبناء مشخص ذكي؛ بل تحتاج فقط إلى طريقة ذكية لربط القطع القليلة التي تملكها وطريقة للتعلم من البيانات السليمة المتوفرة بكثرة.

ومع ذلك، يوضح المؤلفون حدود هذه الطريقة بعناية. فقد تم اختبار هذه الطريقة على مجموعة بيانات محددة (CWRU) وتفترض أن أنواع الأعطال معروفة مسبقاً (سيناريو "المجموعة المغلقة"). إذا ظهر نوع جديد تماماً وغير معروف من الأعطال لم يره النموذج من قبل، فقد يحاول إدخاله في فئة قديمة، مما يؤدي إلى خطأ. كما تشير الورقة إلى أنه على الرغم من قدرتها على التعامل مع بعض الضوضاء، إلا أن الضوضاء الصناعية الشديدة (أقل من 0 ديسيبل من نسبة الإشارة إلى الضوضاء) قد تزال قادرة على إرباك النظام.

في النهاية، تقدم AG-MS-GNN حلاً قوياً وعالي الدقة لمشكلة "التعلم من عينات قليلة"، محولةً وضعاً تكون فيه الآلات عادةً في حالة فشل إلى وضع يمكنها فيه التنبؤ بصحة عملها بموثوقية، حتى عندما لا يملك المحقق سوى حفنة من الأدلة.