Bayesian-Optimized VMD and Attention-Based CNN- BiLSTM for Early Gearbox Fault Diagnosis

في الآلات الثقيلة التي تشغل عالمنا الحديث، من التوربينات التي تولد الكهرباء إلى القطارات التي تتحرك عبر القارات، يمثل صندوق التروس (الجيربوكس) قلباً حيوياً؛ فهو ينقل القدرة ويضبط السرعة، متحملًا ضغوطًا واهتزازات وصدمات مستمرة. ومثل أي نظام ميكانيكي، لا تدوم هذه المكونات للأبد، إذ تظهر عليها علامات التآكل والشقوق بمرور الوقت. وغالباً ما تبدأ أخطر الأعطال في شكل عيوب دقيقة، تكاد تكون غير مرئية—شقوق أصغر من مليمتر واحد أو نقرات على سن الترس يصعب اكتشافها. وإذا فُقدت هذه العلامات المبكرة، يمكن لمشكلة بسيطة أن تتفاقم لتصبح انهياراً كارثياً، مما يتسبب في خسائر اقتصادية هائلة ومخاطر على السلامة. لعقود من الزمن، حاول المهندسون الاستماع إلى همهمة هذه الآلات لسماع هذه التحذيرات المبكرة، لكن الإشارات غالباً ما تُغمر بالضجيج الصاخب والفوضوي للتشغيل الطبيعي. وتكافح الطرق التقليدية للاستماع إلى المشكلات في الفصل بين الهمس الخافت لخلل ناشئ وبين زئير الآلة، خاصة عندما تتغير سرعة المعدات وحملها باستمرار.

ولحل هذه المعضلة، طور فريق من الباحثين في جامعة "تشيتشهار" طريقة جديدة للاستماع، تجمع بين معالجة الإشارات المتقدمة ونوع من الذكاء الاصطناعي المصمم للتعلم من الأنماط. يتعامل نهجهم مع بيانات الاهتزاز الناتجة عن صندوق التروس ليس كمجرد فوضى صاخبة، بل كإشارة متعددة الطبقات يمكن تقشيرها بعنابة. يستخدمون أولاً تقنية رياضية لتفكيك الاهتزاز المعقد إلى قطع أبسط وأنظف، مما يعزل الترددات المحددة التي قد يختبئ فيها الخلل. ومع ذلك، فإن القيام بذلك يدوياً يعد عملية بطيئة وغالباً ما تفتقر للدقة، لذا فهم يستخدمون خوارزمية بحث ذكية تجد تلقائياً الإعدادات المثالية لفصل هذه الطبقات، تماماً مثل ضبط جهاز الراديو للعثور على أوضح محطة دون تشويش. وبمجرد تنظيف الإشارة، يقومون بتغذيتها في نظام تعلم عميق يحاكي قدرة الدماغ البشري على التعرف على الأنماط. ينظر هذا النظام إلى البيانات بطريقتين في آن واحد: فهو يفحص شكل الإشارة في أي لحظة مفردة، ويدرس أيضاً كيف تتغير الإشارة بمرور الوقت، باحثاً عن الإيقاع المحدد لشق أو سن متآكل. ولضمان تركيز النظام على أهم الأدلة، أضافوا آلية تعمل مثل "كشاف الضوء"، حيث تسلط الضوء على الميزات الرئيسية وتتجاهل ضوضاء الخلفية.

اختبر الباحثون هذه الطة الجديدة باستخدام مجموعة كبيرة من بيانات الاهتزاز من قاعدة بيانات لصندوق تروس مقدمة من جامعة "تسينغهوا". تضمنت هذه البيانات آلاف العينات التي تمثل خمس حالات مختلفة: صندوق تروس سليم، وتروس بها تآكل طفيف، وتروس بها شقوق صغيرة، وتروس بها نقرات على كل من الحلقات الداخلية والخارجية. أُجريت هذه الاختبارات تحت تسعة ظروف عمل مختلفة، لمحاكاة سرعات وأحمال متنوعة لضمان عمل الطريقة في سيناريوهات العالم الحقيقي. كانت النتائج واضحة ودقيقة؛ حيث حدد النظام الجديد نوع الخلل بشكل صحيح في حوالي 90% من الحالات، وهو تحسن ملحوظ مقارنة بالطرق الحالية. وعند مقارنته بنماذج أخرى استخدمت جزءاً واحداً فقط من العملية—مثل تنظيف الإشارة فقط أو التعرف على الأنماط فقط—أظهر النظام الكامل أداءً أفضل بكثير. وأظهرت الدراسة أنه بدون البحث الذكي لضبط فصل الإشارة، تنخفض الدقة، وبدون آلية كشاف الضوء للتركيز على الميزات الرئيسية، يصبح النظام أقل موثوقية. وحتى عندما تغيرت سرعة الآلة، ظل النظام ثابتاً، مما أثبت قدرته على التعامل مع الطبيعة غير المتوقعة للبيئات الصناعية.

إن ما يجعل هذا العمل قيماً بشكل خاص هو كيفية تعامله مع الجزء الأكثر صعوبة من المشكلة: الأعطال "البسيطة". وهي المشكلات في مراحلها المبكرة التي يصعب اكتشافها لأن إشاراتها ضعيفة جداً. وجد الباحثون أن طريقتهم يمكنها التمييز بين آلة سليمة وآلة بها عيوب محددة، مثل شق في جذر السن بطول 0.3 ملم أو تآكل في السن بعمق 0.1 ملم، حتى عندما كانت الآلة تعمل تحت حمل ثقيل. ومن خلال تفكيك إشارة الاهتزاز إلى مكوناتها الأساسية ثم استخدام نظام ذكاء هجين لتحليل كل من الشكل المكاني والتطور الزمني لتلك المكونات، نجحت الطريقة في تصفية التداخل الذي يخفي عادةً هذه التحذيرات المبكرة. وقد استبعدت الدراسة صراحةً فكرة أن نوعاً واحداً من التحليل قد يكون كافياً؛ فلا أداة بسيطة لمطابقة الأنماط ولا منظف إشارة أساسي يعمل بشكل جيد بمفرده. بدلاً من ذلك، كان الجمع بين الفصل التكيفي للإشارة والشبكة العصبية ذات التركيز المزدوج ضرورياً لتحقيق دقة عالية.

إن تداعيات هذا الاكتشاف عملية وفورية للصناعات التي تعتمد على الآلات الدوارة. فمن خلال توفير وسيلة للكشف عن الأعطال مبكراً بثقة عالية، يقدم هذا النهج مساراً نحو الصيانة التنبؤية، حيث يتم صيانة الآلات قبل أن تتعطل بدلاً من الإصلاح بعد وقوع العطل. أثبت الباحثون أن نظامهم ليس مجرد تمرين نظري، بل هو أداة قوية قادرة على العمل عبر سرعات وأحمال مختلفة، وهو أمر ضروري للتطبيق في العالم الحقيقي. وتخلص الدراسة إلى أن هذا النهج المتكامل يوفر حلاً موثوقاً لمراقبة الأنظمة الصناعية الحرجة، مما قد يوفر مليارات الدولارات من تجنب الحوادث وتوقف العمل. إنه يمثل تحولاً من الإصلاحات التفاعلية إلى السلامة الاستباقية، مما يضمن استمرار الآلات الثقيلة التي تحرك اقتصادنا في العمل بسلاسة وأمان.