Remaining useful life prediction using a nonlinear state-space model under random stress

تعتمد الآلات الضخمة التي تحول الرياح إلى كهرباء على مفاصل دوارة ضخمة تسمى محامل الانزلاق (slewing bearings) لتثبيت مكوناتها الثقيلة في مكانها. وتعد هذه المحامل بمثابة "العمال الصامتون" في صناعة طاقة الرياح، حيث تتحمل وزن التوربين وتسمح له بالدوران باتجاه الرياح. ومع ذلك، فهي تعمل في بيئة قاسية حيث تتعرض باستمرار لقوى غير متوقعة. فالرياح لا تهب بشكل مستمر؛ بل تهب في هبات، وتتغير، وتتوقف، مما يخلق مزيجًا فوضويًا من الأحمال التي تضغط على المسارات المعدنية والعناصر المتدحرجة داخل المحمل. ومع مرور الوقت، يؤدي هذا الضرب العشوائي والمتواصل إلى تآكل المعدن وإجهاده، مما يؤدي في النهاية إلى الفشل. ويعد التنبؤ بالوقت الذي سينكسر فيه المحمل بدقة تحديًا حاسمًا للمهندسين؛ فإذا خمنوا مبكرًا جدًا، فإنهم يهدرون المال باستبدال أجزاء لا تزال صالحة، وإذا خمنوا متأخرًا جدًا، فإن المحمل سيفشل بشكل غير متوقع، مما يتسبب في توقف مكلف عن العمل ومخاطر محتملة على السلامة. والهدف هو النظر في علامات التآكل وحساب العمر النافع المتبقي بدقة كافية لجدولة الصيانة في الوقت المناسب تمامًا.

لعقود من الزمن، حاول العلماء حل هذا اللغز باستخدام نهجين رئيسيين. يعتمد أحد الأساليب على قوانين الفيزياء، عبر بناء نماذج رياضية معقدة لكيفية تشقق وتآكل المعدن. ورغم أنها سليمة من الناحية النظرية، إلا أن هذه النماذج غالبًا ما تكون صعبة التطبيق على الآلات في العالم الحقيقي لأن الظروف الدقيقة داخل محمل دوار أمر يستحيل قياسه بدقة تامة. أما النهج الآخر فيستخدم الأساليب القائمة على البيانات، حيث تتعلم الحواسيب من الإخفاقات الماضية للتنبؤ بالإخفاقات المستقبلية. وتعمل هذه الأساليب بشكل جيد عندما يتوفر قدر هائل من البيانات التاريخية، ولكن في العالم الحقيقي، غالبًا ما تكون مثل هذه البيانات نادرة أو غير مكتملة. وهناك مسار ثالث، يجمع بين عناصر من كليهما، يستخدم النماذج الإحصائية لتتبع كيفية تدهور الآلة بمرور الوقت. وتعامل هذه النماذج التآكل كرحلة عشوائية، مدركة أن الطريق نحو الفشل نادرًا ما يكون خطًا مستقيمًا. ومع ذلك، فإن معظم هذه النماذج الموجودة لديها نقطة عمياء: فهي غالبًا ما تفترض أن الإجهاد الواقع على الآلة ثابت أو يمكن التنبؤ به، وتفشل في مراعاة الطبيعة الفوضوية والعشوائية للرياح والأحمال التي تخلقها.

في دراسة حديثة، سعى الباحثون لإصلاح هذه النقطة العمياء من خلال تطوير طريقة جديدة للتنبؤ بعمر محامل الانزلاق في توربينات الرياح. وقد أدركوا أن الإجهاد العشوائي الناتج عن هبات الرياح والأحمال غير المتساوية يسرع عملية التدهور بطرق تغفل عنها النماذج القياسية. ولتجسيد هذا الواقع، أنشأوا إطار تنبؤ متطورًا يعامل تآكل المحمل كرحلة متأثرة ببيئة متغيرة باستمرار. وبدلاً من افتراض مسار ثابت، يتضمن نموذجهم مكون "الإجهاد العشوائي"، مدركًا أن القوى التي تضرب المحمل تتقلب بجنون من لحظة إلى أخرى. كما أدركوا أن المستشعرات المختلفة في الآلة — التي تقيس الاهتزاز ودرجة الحرارة وعزم الدوران المطلوب لتدوير الشفرات — تروي أجزاءً مختلفة من القصة. فقد يتفاعل بعض المستشعرات بسرعة مع صدمة مفاجئة، بينما تظهر أخرى ارتفاعًا بطيئًا وثابتًا في الحرارة. وقد بنى الباحثون نظامًا يستمع إلى كل هذه الإشارات في وقت واحد، ويفهم كيفية تفاعلها مع بعضها البعض ومع الحالة الداخلية الخفية للمحمل.

ولفهم هذه البيانات المعقدة والمشوشة، استخدم الفريق تقنية حسابية قوية تُعرف باسم "المرشح الجسيمي" (particle filter). تخيل أنك تحاول تتبع جسم متحرك في غرفة ضبابية عن طريق رمي آلاف السهام الصغيرة غير المرئية في المكان الذي تعتقد أن الجسم موجود فيه. قد ترمي الطريقة القياسية كل السهام في بقعة واحدة، وإذا كانت تلك البقعة خاطئة، فإن التخمين بأكمله سيفشل. لقد طور الباحثون هذه العملية باستخدام خوارزمية "مُحسّنة تكيفيّة". هذا الإصدار الأكثر ذكاءً يتحقق باستمرار من تخميناته الخاصة؛ فإذا لاحظ أن سهامه تتجمع بشكل ضيق جدًا في مكان خاطئ، فإنها تقوم تلقائيًا بتشتيتها مرة أخرى لاستكشاف احتمالات أخرى. وهذا يمنع النظام من التعلق بتخمين سيء ويضمن استمراره في الاحتفاظ بمجموعة متنوعة من النتائج المحتملة في ذهنه. ومن خلال الجمع بين طريقة التتبع الذكية هذه ونموذج يفهم الإجهاد العشوائي والتفاعلات بين المستشعلات المتعددة، أنشأوا أداة يمكنها رؤية حالة المحمل بوضوح أكبر من الطرق السابقة.

اختبر الباحثون إطار عملهم الجديد باستخدام بيانات حقيقية جُمعت من محمل انزلاق لتوربين رياح، بما في ذلك قياسات الاهتزاز ودرجة الحرارة وعزم الدوران. وقارنوا طريقتهم بعدة استراتيجيات تنبؤ أخرى، بما في ذلك النماذج الأبسط التي تجاهلت الإجهاد العشوائي والنماذج التي لم تأخذ في الاعتبار التفاعلات بين المستشعرات المختلفة. وكانت النتائج واضحة: النهج الجديد، الذي أخذ في الاعتبار الطبيعة الفوضوية للرياح والعلاقة المعقدة بين إشارات المستشعرات، قدم التنبؤات الأكثر دقة. ومع جمع المزيد من البيانات بمرور الوقت، تقلصت نسبة عدم اليقين في تنبؤاتهم، وأصبح الوقت المقدر حتى الفشل أكثر دقة بشكل متزايد. وفي الواقع، تفوق نموذجهم حتى على نظام ذكاء اصطناعي متطور تم تدريبه على نفس البيانات، مقدمًا تقديرًا أكثر موثوقية لموعد وصول المحمل إلى نهاية عمره.

كما سلطت الدراسة الضوء على مقايضة محددة. فبينما يتميز النموذج الجديد بدقة عالية، فإنه أيضًا أكثر تعقيدًا في التشغيل مقارنة بالأساليب الأبسط؛ إذ يتطلب قوة حوسبة أكبر لمعالجة متغيرات الإجهاد العشوائي والتفاعلات بين المستشعلة المتعددة. ومع ذلك، بالنسبة للبنية التحتية الحيوية مثل توربينات الرياح، حيث يمكن أن يكون الفشل مكلفًا وخطيرًا، فإن هذا التعقيد الإضافي يعد استثمارًا يستحق العناء. وقد أثبت الباحثون أنه من خلال الاعتراف بعشوائية العالم الحقيقي بدلاً من محاولة تنعيمها، يمكن للمهندسين اتخاذ قرارات أفضل بشأن موعد صيانة معداتهم. ويشير هذا العمل إلى أن مستقبل مراقبة صحة الآلات لا يكمن فقط في جمع المزيد من البيانات، بل في بناء نماذج تفهم حقًا القوى الفوضوية وغير المتوقعة التي تواجهها الآلات كل يوم.