Research on Rolling Bearing Degradation Modeling and Remaining Useful Life Prediction Based on TCN and an Improved Transformer Algorithm

ملخص تقني: نمذجة تدهور المحامل التدحرجية والتنبؤ بالعمر النافع المتبقي بناءً على شبكة TCN ومحول (Transformer) مُحسَّن

بيان المشكلة
تتناول الورقة ثلاثة تحديات حرجة في التنبؤ بالعمر النافع المتبقي (RUL) للمحامل التدحرجية تحت ظروف تشغيل معقدة:

1. التعقيد الحسابي: تُظهر نماذج "المحول" (Transformer) القياسية تعقيداً حسابياً تربيعياً ($O(T^2)$) بالنسبة لطول التسلسل، مما يخلق اختناقات في الكفاءة عند نمذجة مسارات التدهور فائقة الطول التي تميز بيانات دورة الحياة الكاملة للمحامل.
2. عدم الحساسية للميزات المحلية: تفتقر بنيات "المحول"، التي تعتمد على الانتباه الذاتي العالمي، غالباً إلى التحيز الاستقرائي اللازم لالتقاط التقلبات الزمنية قصيرة المدى، والتأثيرات العابرة، وأنماط التدهور المحلية، وهي أمور بالغة الأهمية للكشف المبكر عن الأعطال.
3. ضعف التعميم في سيناريوهات العينات الصغيرة: في البيئات الصناعية، غالباً ما تكون البيانات المصنفة لظروف تشغيل جديدة (مثل أحمال أو سرعات مختلفة) نادرة. وتواجه نماذج التعلم العميق القياسية صعوبة في التكيف بسرعة مع هذه الظروف غير المرئية دون إعادة تدريب مكثفة، مما يؤدي إلى تدهور الأداء.

المنهجية
يقترح المؤلفون إطار عمل هجين يدمج شبكة التلافيف الزمنية (TCN) مع خوارزمية "محول" مُحسَّنة، مدعومة باستراتيجية التعلم التلوي المستقل عن النموذج (MAML).

• دمج TCN للميزات المحلية: تم دمج طبقة تلافيفية أحادية الأبعاد في مرحلة المدخلات. ومن خلال استخدام التلافيف السببية والمتسعة (Causal and Dilated Convolutions)، تقوم هذه الوحدة باستخراج الميزات الزمنية المحلية وأنماط التقلب قصيرة المدى، مما يعزز حساسية النموذج لأحداث الصدمات العابرة قبل دخول البيانات إلى "المحول".
• بنية المحول المُحسَّنة:
  • الانتباه المتفرق المجزأ (Segmented Sparse Attention): للتخفيف من تعقيد $O(T^2)$، يتم تقسيم تسلسل المدخلات إلى أجزاء غير متداخلة. ويتم تطبيق الانتباه الذاتي الكثيف داخل كل جزء لالتقاط التطور المحلي الدقيق. أما بين الأجزاء، فتسهل مصفوفة ذاكرة مضغوطة التفاعلات المتفرقة. يقلل هذا من التعقيد الحسابي إلى مستوى قريب من الخطي ($O(S^2 + SL)$، حيث $S$ هو عدد الأجزاء) مع الحفاظ على إدراك الاتجاه العالمي.
  • التلافيف المعزز محلياً: تم تقديم وحدة تعزيز التلافيف الزمني (TCE) لتعويض نقص التحيز الاستقرائي المحلي في "المحول"، مما يضمن نمذجة التبعيات قصيرة المدى بفعالية.
• استراتيجية التعلم التلوي (MAML): لمعالجة مشكلة التكيف مع العينات الصغيرة، تستخدم الطريقة استراتيجية MAML. حيث تُعامل البيانات من مختلف ظروف التشغيل كمهام تلوية (Meta-tasks). ويتعلم النموذج معاملات تهيئة عامة للمهام من خلال تحسين ثنائي المستوى، مما يسمح بالتكيف السريع مع النطاقات المستهدفة الجديدة باستخدام خطوات تحديث تدرج قليلة وبيانات مصنفة محدودة.

المساهمات الرئيسية

1. إطار عمل موحد: تقدم الورقة بنية مبتكرة توحد التحيز الاستقرائي المحلي لشبكة TCN مع قدرة النمذجة العالمية لـ "المحول" المُحسَّن، مما يوازن بفعالية بين التقاط التفاصيل المحلية ونمذجة التبعيات طويلة المدى.
2. نمذجة فعالة للتسلسلات الطويلة: نجحت آلية الانتباه المتفرق المجزأ المقترحة في تقليل التعقيد الحسابي من التربيعي إلى الخطي، مما يجعل نمذجة دورة الحياة الكاملة ممكنة للنشر الصناعي.
3. التكيف مع العينات الصغيرة: من خلال دمج MAML، أظهرت الطريقة القدرة على تعلم معاملات تهيئة قابلة للتعميم، مما يسمح بنقل سريع للتعلم إلى ظروف تشغيل جديدة باستخدام مجموعات دعم صغيرة.

النتائج التجريبية
تم التحقق من صحة الطريقة باستخدام 2,400 مجموعة بيانات اهتزاز لدورة حياة كاملة جُمعت من منصة اختبار عمر متسارع ذاتية البناء تحت ثلاثة ظروف تشغيل متميزة (سرعات وأحمال متغيرة).

• دقة التنبؤ: في ظرف تشغيل النطاق المستهدف، حققت الطريقة المقترحة متوسط خطأ مطلق (MAE) قدره 0.13، وجذر متوسط مربع الخطأ (RMSE) قدره 0.22، ومتوسط مربع الخطأ (MSE) قدره 0.05، مع معامل تحديد ($R^2$) بلغ 0.99.
• المقارنة: تمثل هذه النتائج تحسناً بأكثر من رتبتين عشريتين في الدقة مقارنة بنماذج CNN وLSTM وGRU الأساسية. وتحديداً، انخفضت مقاييس الخطأ بنسبة 96.24% (MAE)، و94.01% (RMSE)، و99.63% (MSE) مقارنة بأفضل نموذج أساسي (LSTM).
• الكفاءة: بلغ وقت التدريب 34.36 ثانية، وهو أعلى قليلاً فقط من النماذج الأساسية (24–28 ثانية)، مما يشير إلى زيادة طفيفة في العبء الحسابي مقابل مكاسب كبيرة في الدقة.
• التعميم: أكدت اختبارات النقل عبر الظروف المختلفة قدرة النموذج على التكيف مع سيناريوهات التشغيل الجديدة باستخدام مجموعات دعم صغيرة فقط (5%–20% من بيانات الهدف).

الأهمية والادعاءات
يزعم المؤلفون أن هذا البحث يقدم حلاً عالي الدقة وقابل للتعميم بقوة للتنبؤ بالعمر النافع المتبقي (RUL) للمحامل التدحرجية في البيئات الصناعية المعقدة. ومن خلال دمج استخراج الميزات المحلية مع النمذجة العالمية الفعالة والتعلم التلوي، تتغلب الطريقة المقترحة على المقايضات بين التكلفة الحسابية، والحساسية المحلية، وندرة البيانات. وتشير الدراسة إلى أن هذا النهج مناسب بشكل خاص لسيناريوهات الصيانة الذكية حيث تكون البيانات المصنفة محدودة وظروف التشغيل متغيرة، مما يوفر إطار عمل موحداً للحوسبة الفعالة، والإدراك طويل المدى، والتكيف السريع.