Adaptive unsupervised anomaly detection with dynamic recalibration for scalable industrial asset reliability monitoring

في عالم الصناعة الحديثة الواسع والنابض بالحركة، حيث تعمل المضخات الضخمة على تدوير المواد الكيميائية وإبقاء المصانع قيد التشغيل، غالبًا ما يكون الصمت هو الصوت الأكثر خطورة. فعندما يبدأ جزء من المعدات الحيوية مثل مضخة في الفشل، فإنه نادرًا ما يعطي تحذيرًا صاخبًا وواضحًا. بدلاً من ذلك، يبتعد ببطء عن سلوكه الطبيعي، مغيرًا إيقاعه بطرق طفيفة يسهل التغاضي عنها حتى وقوع عطل كارثي. لعقود من الزمن، حاول المهندسون رصد هذه العلامات المبكرة باستخدام إنذارات ثابتة، واضعين حدودًا صارمة لدرجة الحرارة أو الضغط أو الاهتزاز. فإذا تجاوزت القراءة خطًا معينًا، ينطلق الإنذار. لكن هذا النهج يعاني من خلل جوههري: فالآلات الصناعية ليست ثابتة؛ فهي تشيخ، وتخضع للإصلاح، وتتعامل مع مواد مختلفة، وتعمل في بيئات متغيرة. لذا، فإن الإعداد الذي قد يكون مثاليًا لآلة جديدة قد يؤدي إلى إطلاق إنذارات مستمرة وغير مجدية لآلة أقدم، أو الأسوأ من ذلك، قد يفشل في إطلاق الإنذار عندما تنحرف الآلة ببطء نحو حالة خطيرة لأن النطاق "الطبيعي" قد انزاح بهدوء. التحدي إذن، يكمن في بناء نظام يمكنه تعلم شكل "الطبيعي" لآلة معينة، ومراقبة الانحرافات، ثم تحديث فهمه الخاص لما هو طبيعي مع تغير الآلة بمرور الوقت، وكل ذلك دون الحاجة إلى مكتبة من سجلات الفشل السابقة لتعليمه.

هذه هي المشكلة التي سعى فريق من الباحثين من جامعة البترول والطاقة في الهند إلى حلها. لقد ركزوا على مضخة حيوية، تُعرف باسم P-101 A/B، وهي جزء من عملية إنتاج البولي إيثيلين عالي الكثافة. هذه المضخة حيوية للغاية؛ فهي تقوم بتدوير ملاط من المواد الكيميائية لإزالة الحرارة من المفاعل. إذا تعطلت، فقد تسخن العملية بشكل مفرط، أو قد يتصلب الملاط ويؤدي إلى انسداد المروحة (المنفث)، مما قد يؤدي إلى إغلاق المصنع بالكامل. أراد الباحثون معرفة ما إذا كان بإمكانهم إنشاء "كلب حراسة رقمي" يمكنه رصد العلامات المبكرة لمثل هذا الفشل دون أن يُعرض عليه مثال واحد لمضخة معطلة. وبدلاً من تعليم الكمبيوتر كيف يبدو الفشل، علموه كيف تبدو المضخة السليمة، ثم طلبوا منه رصد أي شيء يبتعد كثيرًا عن ذلك النمط الصحي.

المنهج الذي طوروه بسيط بشكل مدهش، ويعتمد على خطوات رئيسية قليلة لتحويل البيانات الخام إلى تحذير واضح. أولاً، يجمع النظام بيانات من عشرة مستشعرات مختلفة مثبتة على المضخة، تقيس أشياء مثل الاهتزاز، ومعدل التدفق، والضغط، ودرجة الحرارة. ولأن هذه المستشعرات تقيس أشياء مختلفة بوحدات مختلفة، يقوم النظام أولاً بتطبيع البيانات (normalization)، ووضع كل شيء على مقياس مشترك حتى يتمكن الكمبيوتر من مقارنتها بشكل عادل. بعد ذلك، يستخدم تقنية إحصائية لتبسيط هذا الشبكة المعقدة من المعلومات، لإيجاد الأنماط الرئيسية التي تصف كيفية عمل المضخة عندما تعمل بشكل صحيح. ومن خلال التركيز على هذه الأنماط الجوهرية، ينشئ النظام خريطة ذهنية للتشغيل "الصحي". فهو يحسب متوسط موقع هذه الحالة الصحية، ثم يقيس مدى ابتعاد سلوك المضخة الحالي عن هذه النقطة المركزية. إذا كانت المضخة تعمل بشكل طبيعي، يكون المسافة صغيرة، أما إذا حدث خطأ ما، فإن المسافة تزداد.

ولجعل هذا النظام مفيدًا على المدى الطويل، أضاف الباحثون ميزة حاسمة: إعادة المعايرة الديناميكية. في الماضي، كان النموذج المدرب على آلة في عام 2017 يصبح عديم الفائدة بحلول عام 2020 لأن الآلة ستكون قد شاخت أو تغيرت. ومع ذلك، فإن هذا النظام الجديد يتحقق باستمرار من فترات التشغيل المستقر والصحي. فعندما يجد فترة زمنية طويلة يعمل فيها المضخة بسلاسة، يقوم بهدوء بتحديث تعريفه الخاص لـ "الطاليعي"، محركًا نقطته المركزية ومعدل حساسيته ليتناسب مع الحالة الراهنة للآلة. وهذا يعني أن النظام لا يحتاج إلى إعادة برمجة يدوية في كل مرة تتغير فيها ظروف تشغيل المحطة أو بعد عملية صيانة. إنه يتكيف من تلقاء نفسه، مما يضمن بقاءه حساسًا للمشاكل الجديدة مع تجاهل التغييرات الطبيعية غير الضارة التي تصاحب دورة حياة الآلة.

اختبر الفريق هذا النهج باستخدام ثلاث سنوات من البيانات التاريخية للمضخة، وهي فترة شملت عمليات التشغيل المستقر، وتسلسلات بدء التشغيل، وانتقالات الصيانة، والأهم من ذلك، أربعة وأربعين حالة فشل وظيفي موثقة. لم يستخدموا بيانات الفشل لتدريب النموذج؛ فقد رأى النظام فقط البيانات الصحية. وعندما قاموا بتشغيل النموذج على الجدول الزمني لثلاث سنوات، كانت النتائج مذهلة. نجح النظام في تحديد كل حالة من حالات الفشل الـ 44، محققًا سجلاً كاملاً في الكشف. والأهم من ذلك، أنه وفر متوسط وقت تحذير قدره اثنان وسبعون ساعة. هذه نافذة زمنية كبيرة، تمنح مشغلي المصنع ثلاثة أيام كاملة لفحص المعدات، أو تعديل الحمل، أو جدولة الإصلاح قبل وقوع توقف كارثي. كما تمكن النظام من إبقاء الإنذارات الكاذبة منخفضة نسبيًا، حيث سجل ثماني حالات فقط أشار فيها إلى وجود مشكلة لم يتضح أنها فشل.

ما يجعل هذا الاكتشاف قيماً بشكل خاص ليس فقط الدقة العالية، بل وضوح التشخيص. فعندما كان النظام يشير إلى وجود مشكلة، لم يكتفِ بالقول "هناك خطأ ما"، بل كان يحلل أي المستشعرات المحددة كانت تساهم أكثر في الانحراف. وفي حالات الفشل الحقيقية، حدد النظام بشكل صحيح أن المضخة كانت تعاني من انخفاض التدفق وتغيرات في ضغط التصريف، وهو ما يتوافق فيزيائياً مع زيادة كثافة الملاط وانسداد المروحة. وفي الحالات القليلة التي أطلق فيها إنذاراً كاذباً، أشار النظام بشكل صحيح إلى ارتفاعات مؤقتة في درجة الحرارة لم تؤدِ إلى فشل. هذه القدرة على توجيه المشغلين نحو السبب المرجح تحول الأداة من مجرد إنذار بسيط إلى مساعد تشخيصي، يساعد المهندسين على فهم ليس فقط أن الآلة تفشل، بل لماذا تفعل ذلك.

ويرى الباحثون أن هذا النهج يقدم مساراً عملياً نحو الموثوقية الصناعية. فبخلاف نماذج الذكاء الاصطناعي المعقدة التي تتطلب كميات هائلة من البيانات المصنفة للفشل وقوة حوسبة ضخمة، فإن هذه الطريقة خفيفة الوزن وقابلة للتفسير. فهي لا تحتاج إلى تاريخ من الآلات المعطلة لتتعلم؛ بل تحتاج فقط إلى تاريخ من الآلات السليمة. ومن خلال إعادة معايرة نفسها باستمرار، تظل ذات صلة مع تقادم المعدات وتطور العمليات. ورغم أن الدراسة أجريت على مضخة واحدة في عملية كيميائية محددة، إلا أن المنطق المصمم لها عام. ويقترح الفريق إمكانية تطبيق هذا الإطار نفسه على أنواع أخرى من المعدات الدوارة، مثل الضواغط أو المبادلات الحرارية، بشرط اختيار المستشعرات بعناية. إن هذا العمل يثبت أن نموذجاً بسيطاً وذاتي التحديث يمكن أن يكون فعالاً بقدر الأنظمة الأكثر تعقيداً، مما يوفر حلاً قابلاً للتوسع لمشكلة لطالما أرقت صيانة الأصول الصناعية الحيوية. وتشير النتائج إلى أن مستقبل الصيانة التنبؤية قد لا يكمن في الخوارزميات الأكثر تعقيداً، بل في الأنظمة الذكية بما يكفي للتعلم والتكيف مع الواقع المتغير للآلات التي تراقبها.