Operating-Condition-Decoupled Sparse Order-Domain Gear Fault Monitoring for Range-Extended Hybrid Agricultural Machinery in Hilly and Mountainous Areas

في التضاريس الوعرة وغير المستوية للتلال والجبال، تواجه الآلات الثقيلة تحديًا فريدًا: فالأرض ليست مستوية أبدًا، والعمل ليس مستقرًا أبدًا. فعندما يتسلق جرار أو حصادة منحدرًا أو يحرث تربة كثيفة، يجب على محركه ونظام ناقل الحركة لديه أن يتكيف باستمرار، مما يتسبب في تذبذب سرعة أجزائه الدوارة بشكل كبير. وبالنسبة للمهندسين الذين يحتاجون إلى الاستماع إلى هذه الآلات للكشف عن العلامات المبكرة للتآكل أو التلف، فإن هذا التباين يشكل عقبة رئيسية. تعتمد الطرق التقليدية للاستماع إلى المشكلات على إيجاد أصوات محددة ومستقرة تشير إلى ترس مكسور أو محمل متآكل. ومع ذلك، عندما تتغير سرعة الآلة، تتغير طبقة (pitch) تلك الأصوات وتتداخل، مما يجعل من الصعب التمييز بين ما إذا كان الصوت الغريب علامة على عطل خطير أو مجرد رد فعل طبيعي لمنحدر شديد. يؤدي هذا عدم اليقين إلى إنذارات كاذبة، حيث يتم تصنيف آلة سليمة على أنها معطلة، أو حالات تفويت للكشف، حيث تمر مشكلة حقيقية دون ملاحظة حتى تتسبب في عطل في الميدان.

ولحل هذه المشكلة، طور باحثون من جامعة هنان للعلوم والتكنولوجيا ومختبر لونغمن طريقة جديدة لمراقبة صحة التروس في الآلات الزراعية الهجينة المصممة لهذه المناظر الطبيعية الصعبة. فبدلاً من محاولة الاستماع إلى أصوات الآلة كما تحدث في الوقت الفعلي، ابتكروا طريقة تترجم بيانات الاهتزاز إلى تنسيق يظل مستقرًا حتى عندما تزيد سرعة الآلة أو تنقص. ومن خلال محاكاة آلاف الساعات من التشغيل على تلال افتراضية، قاموا بتدريب نظام لتجاهل الضوضاء الناتجة عن تغير المنحدرات والأحمال، والتركيز فقط على الأنماط المحددة التي تشير إلى وجود تلف في الترس. نجح نهجهم في التمييز بين التروس السليمة والمعيبة، حتى عندما كانت الآلة تعمل في ظروف لم ترها من قبل، مما يوفر مسارًا واعدًا للحفاظ على تشغيل المعدات الزراعية الهجينة بأمان وكفاءة في أكثر حقول العالم تحديًا.

يعالج جوهر هذا العمل نوعًا محددًا من المركبات: الآلة الزراعية الهجينة ذات المدى الممتد. هذه الجرارات والحصادات القوية تستخدم محركًا صغيرًا لتوليد الكهرباء، والتي تقوم بدورها بشحن بطارية أو تشغيل محرك كهربائي مباشرة لتدوير العجلات. يسمح هذا التصميم لها بالعمل بقدرة عالية وانبعاثات منخفضة، ولكنه يؤدي أيضًا إلى اهتزازات معقدة. فالمحرك يبدأ ويتوقف، والبطارية تُشحن وتتفرغ، والمحرك الكهربائي يغير أوضاع تشغيله، كل ذلك بينما تتسلق الآلة المنحدرات وتسحب أحمالًا ثقيلة. في جرار الديزل التقليدي، تكون أنماط الاهتزاز متوقعة نسبيًا. أما في هذه الآلات الهجينة، فإن الاهتزاز عبارة عن مزيج فوضوي من إيقاع المحرك، وطنين المحرك الكهربائي، وطحن التروس، والارتجاجات الناتجة عن الأرض غير المستوية. وعندما يبدأ ترس داخل ناقل الحركة في الفشل، غالبًا ما تُدفن علامات تحذيره تحت هذه الضوضاء الخلفية الفوضوية.

بدأ الباحثون ببناء محاكاة حاسوبية مفصلة لكيفية سلوك هذه الآلات في التضاريس التلية. لم يعتمدوا على البيانات الواقعية وحدها، لأن جمع أمثلة كافية لتروس مكسورة فعلية على معدات زراعية باهظة الثمن هو أمر صعب وخطير. بدلاً من ذلك، أنشأوا بيئة افتراضية تحاكي العالم الحقيقي بدقة عالية. قاموا ببرمجة المحاكاة لتوليد دورات قيادة طويلة تتضمن الحرث، ونقل البضائع، والتنقل في طرق تلية مختلطة. راعت المحاكاة كل عامل يغير اهتزاز الآلة: شدة المنحدر، ومقاومة التربة، وسرعة المركبة، ومستوى شحن البطارية، وحالة محرك المدى الممتد. والأهم من ذلك، استخدموا استراتيجية "مزدوجة"؛ فلكل رحلة محاكاة واحدة، قاموا بتوليد نسختين من بيانات الاهتزاز: نسخة تمثل آلة سليمة تمامًا، وأخرى تمثل نفس الآلة مع وجود عطل محدد في الترس. تعرضت كلتا النسختين لنفس التل، ونفس الحمل، وتغيرات السرعة نفسها. كان الفرق الوحيد هو وجود العطل. وقد ضمن ذلك أنه عندما يتعلم الكمبيوتر التمييز بينهما، فإنه يتعلم التعرف على العطل نفسه، وليس مجرد الفرق بين منحدر شديد وطريق مستوٍ.

بمجرد توليد 2000 من هذه العينات المزدوجة، واجه الباحثون مهمة استخراج المعلومات المفيدة من إشارات الاهتزاز الخام. في التحليل القياسي، ينظر المهندسون إلى تردد الاهتزازات، وهو ما يشبه الاستماع إلى طبقة الصوت. ولكن نظرًا لأن سرعة الآلة كانت تتغير باستمرار، فإن طبقة صوت عطل الترس كانت ترتفع وتنخفض، مما يؤدي إلى انتشار طاقتها عبر نطاق واسع ويجعل من الصعب رصدها. استخدم الفريق تقنية تسمى "تتبع الترتيب المحسوب" (computed order tracking) لإصلاح ذلك. فبدلاً من قياس الاهتزاز عند فترات زمنية متساوية، قاموا بقياسه عند زوايا متساوية من دوران عمود الإدارة. تخيل عجلة دوارة: إذا التقطت صورة في كل مرة تدور فيها العجلة مقدارًا معينًا، فإن صورة صدع على الحافة ستكون دائمًا في نفس المكان، حتى لو كانت العجلة تدور بشكل أسرع أو أبطأ. ومن خلال تطبيق هذا المنطق على بيانات الاهتزاز، حول الباحثون الإشارات المتغيرة والمتذبذبة إلى خريطة مستقرة حيث يظهر العطل دائمًا في نفس المكان، بغض النظر عن سرعة الآلة.

بعد تنظيم البيانات الآن في هذه الخريطة المستقرة، كانت الخطوة التالية هي العث % على الميزات المحددة التي تهم. استخرج الباحثون عشرات القياسات من أجزاء مختلفة من هذه الخريطة، بحثًا عن ذروات الطاقة، وتغيرات في المستويات المتوسطة، والقوة النسبية للإشارات مقارطة بمحيطها. خلق هذا قائمة ضخمة من القرائن المحتملة، وكثير منها كان مجرد ضوضاء أو تفاصيل غير ذات صلة ناتجة عن البطارية أو المحرك. ولتجاوز هذا الارتباك، استخدموا أداة رياضية تختار تلقائيًا فقط القرائن الأكثر أهمية وتتخلص من البقية. هذه العملية، المعروفة باسم "اختيار الميزات المتناثرة" (sparse feature selection)، عملت مثل مرشح (فلتر) أزال ضوضاء تشغيل الآلة، تاركة وراءها مجموعة صغيرة ودقيقة من المؤشرات المرتبطة بقوة بعطل الترس وغير المرتبطة تمامًا بشحن البطارية أو ميل المنحدر.

أخيرًا، اختبر الباحثون نظامهم لمعرفة ما إذا كان بإمكانهم تحديد الأعطال بالفعل. قاموا بتقسيم بيانات المحاكاة الخاصة بهم إلى مجموعات تدريب ومجموعات اختبار، طارحين على الكمبيوتر مهمة التعلم من مجموعة ثم التنبؤ بصحة المجموعة الأخرى. قارنوا منهجهم الجديد بعدة تقنيات قديمة ومعيارية. كانت النتائج واضحة: تفوق النهج الجديد، الذي جمع بين الخريطة المستقرة القائمة على الزاوية وفلتر الميزات الذكي، بشكل كبير على الطرق التقليدية. في الاختبارات المتكررة، حدد النظام حالة الترس بدقة بلغت حوالي 94 بالمائة. كان هذا أفضل بشكل ملحوظ من الطرق القائمة على التردد المعياري، والتي كافحت لمواكبة السرعات المتغيرة. وربما الأهم من ذلك، أثبت النظام متانته عند مواجهة ظروف لم يرها من قبل. فعندما اختبر الباحثون النظام على بيانات تتضمن سرعات أو أحمالًا أو منحدرات خارج نطاق بيانات التدريب، حافظت الطريقة الجديدة على دقة عالية، بينما انخفض أداء الطرق القديمة بشكل حاد.

كشفت الدراسة أيضًا أن الميزات المحددة التي اعتمد عليها النظام كانت مرتبطة بالفعل بالتروس وليس بأنظمة الآلة الأخرى. فقد تركزت المؤشرات المختارة في مناطق محددة من خريطة الاهتزاز التي تتوافق مع دوران عمود الإدارة، ولم تظهر أي اتصال تقريبًا بحالة شحن البطارية أو دورات تشغيل وإيقاف المحرك. أكد هذا أن الطريقة نجحت في عزل العطل الميكانيكي عن نظام الدفع الهجين المعقد. وجد الباحثون أنه حتى النوع الأبسط من المصنفات الحاسوبية يمكن أن يحقق دقة عالية بمجرد إعداد البيانات بشكل صحيح، مما يشير إلى أن الاختراق الحقيقي كان في كيفية تنظيم البيانات وتنظيفها، وليس في تعقيد أداة اتخاذ القرار النهائية.

بينما تعد النتائج واعدة، يلاحظ المؤلفون بحذر أن هذه النتائج تأتي من محاكاة. فالبيئة الافتراضية، رغم تفصيلها، لا يمكنها محاكة الواقع الفوضوي للمزرعة الحقيقية بدقة تامة، حيث قد يتم تركيب المستشعرات بشكل مختلف، أو حيث قد يتأثر مسار ناقل الحركة بالصدأ أو الأوساخ بطرق لم يتوقعها النموذج الحاسوبي. تعمل الدراسة كإثبات لمفهوم، مما يوضح أن النهج سليم نظريًا وقادر على التعامل مع التباين الشديد للزراعة في التلال. الخطوة التالية، كما يوضح الباحثون، هي بناء آلة حقيقية مجهزة بالمستشعرات اللازمة واختبار النظام في الميدان. إذا صمدت هذه الطريقة في العالم الحقيقي، فقد توفر للمزارعين وسيلة موثوقة لمراقبة معداتهم الهجينة الباهظة، مما يمنع الأعطال غير المتوقعة ويضمن استمرار هذه الآلات المتقدمة في العمل في الحقول المنحدرة الصعبة التي تميز الزراعة الحديثة.