Vibrations forecasting using physics informed machine learning: case-study of self-lubricated hydrodynamic journal bearings
تقدم هذه الدراسة إطار عمل هجين للتعلم الآلي المستند إلى الفيزياء يتنبأ بفعالية بحالات الاهتزاز في كراسي التحميل الهيدروديناميكية ذاتية التشحيم من خلال دمج النماذج الفيزيائية التقريبية مع تصحيح المعلمات البايزي، محققاً دقة عالية وقدرة عالية على التعميم حتى مع محدودية بيانات التدريب والمعرفة الفيزيائية غير المكتملة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تُعد الآلات التي تدور، وتنزلق، وتطحن هي خيول العمل الصامتة في الصناعة الحديثة، بدءاً من المحامل الصغيرة في مولد السيارة وصولاً إلى التوربينات الضخمة التي تمد المدن بالطاقة. لعقود من الزمن، اعتمد المهندسون على الفيزياء للتنبؤ بكيفية تآكل هذه الأجزاء، باستخدام معادلات تصف قوى الاحتكاك والحرارة والضغط. لكن الآلات الحقيقية فوضوية؛ فهي تعمل في بيئات متغيرة، وبأجزاء تتدهور بطرق لا يمكن التنبؤ بها، مما يجعل المعادلات المثالية للماضي غالباً ما تقصر عن مواكبة واقع اليوم. وعندما تفشل الآلة، يكون الوقت قد فات غالباً؛ حيث يقع الضرر، وتكون التكلفة باهظة. لطالما كان التحدي الذي يواجه العلماء هو سد الفجوة بين قوانين الفيزياء النظيفة والواقع الفوضوي الغني بالبيانات لآلة تتفكك ببطء.
لقد طور فريق من الباحثين طريقة جديدة للنظر إلى هذه المشكلة، تجمع بين موثوقية القوانين الفيزيائية وقدرة التعلم الحاسوبي الحديث على التكيف. فبدلاً من محاولة بناء نموذج واحد مثالي للآلة أو الاعتماد كلياً على كميات هائلة من البيانات التاريخية، ابتكروا نظاماً هجيناً يتعلم مع تقدم عمر الآلة. ومن خلال اختبار هذا النهج على نوع معين من المحامل (الرولمان بلي) المستخدم في مساحات الزجاج وصمامات التحكم، أثبتوا أنه من الممكن التنبؤ بكيفية اهتزاز الآلة لساعات في المستقبل، حتى عندما تتغير الآلة بطرق لم يتوقعها المهندسون الأصليون. يقدم هذا الأسلوب مساراً للتنبؤ بالأعطال قبل وقوعها، باستخدام بيانات أقل بكثير مما تتطلبه تقنيات الذكاء الاصطناعي التقليدية.
ركز الباحثون دراستهم على "محمل جرنيال ذاتي التشحيم" (self-lubricating journal bearing)، وهو مكون حيث يدور عمود داخل غلاف مبطن بمادة تحتفظ بالزيت مثل الإسفنج. صُممت هذه المحامل لتعمل بسلاسة لفترة طويلة، ولكن في النهاية، يتسبب الاحتكاك والحرارة في تآكل المواد، مما يغير طريقة حركة الآلة. ولفهم هذه العملية، بنى الفريق منصة اختبار تحاكي ظروف التشغيل (التوقف والتشغيل) التي تواجهها هذه المحامل في العالم الحقيقي. وضعوا المحامل على إعداد يشبه البندول وأخضعوها لدورات متكررة من تغيير السرعات، مما أدى إلى تسخينها لمحاكاة سنوات من الاستخدام في فترة زمنية وجيزة. ومع تآكل المحامل، قام الفريق بقياس الاهتزازات وعزم الدوران، أو قوة الالتواء، الناتجة عن دوران العمود.
يكمن جوهر ابتكارهم في كيفية استخدام هذه القياسات. فبدلاً من تغذية بيانات الاهتزاز الخام مباشرة في برنامج حاسوبي لتخمين المستقبل، استخدموا البيانات أولاً لتحديث نموذج فيزيائي مبسط للآلة. فكر في هذا النموذج كمجموعة من القواعد التي تصف كيف ينبغي للبندول أن يتحرك بناءً على الجاذبية، والاحتكاك، وصلابة المواد. في البداية، كان النموذج مجرد تخمين جيد، ولكن مع تآكل المحمل، بدأت الآلة الحقيقية تتصرف بشكل مختلف عما توقعه النموذج. استخدم الباحثون طريقة إحصائية لتعديل الأرقام داخل النموذج باستمرار، وتكييفها لتتطابق مع الاهتزازات الحقيقية التي يقيسونها. سمح هذا للنموذج بالبقاء دقيقاً حتى مع تغير حالة الآلة.
بمجرد تحديث النموذج ليعكس الحالة الراهنة للآلة، استخدم الفريق نوعاً متخصصاً من الذكاء الاصطناًعي للنظر إلى الأمام. هذا الذكاء الاصطناعي، المعروف باسم "المشغل العصبي" (neural operator)، لم يحاول التنبؤ بإشارة الاهتزاز الدقيقة لكل ثانية في المستقبل، بل تعلم كيف ستتطور الأرقام داخل النموذج الفيزيائي بمرور الوقت. ومن خلال التنبؤ بكيفية تغير معاملات (parameters) النموذج خلال الثماني ساعات القادمة، استطاع النظام بعد ذلك تشغيل النموذج الفيزيائي للأمام لتوليد توقع لما ستبدو عليه الاهتزازات. هذا النهج قوي لأنه يحافظ على المعنى الفيزيائي للآلة مع استخدام قدرة التعلم للذكاء الاصطناعي للتعامل مع تعقيدات التآكل والتهالك.
كانت نتائج هذه التجربة مذهلة. فعندما اختبر الباحثون نظامهم على بيانات من محامل لم تتعرض للفشل بعد، تنبأ أسلوبهم باهتزازات المستقبل بمعدل خطأ يقل عن 25% لآفاق زمنية تمتد لأكثر من ثماني ساعات. وكان هذا أفضل بكثير من طرق التعلم الآلي الأخرى التي حاولت التنبؤ بالاهتزازات مباشرة دون استخدام النموذج الفيزيائي كدليل؛ حيث واجهت تلك الطرق صعوبات، وغالباً ما أنتجت أخطاءً تبلغ ضعف أو ثلاثة أضعاف حجم أخطاء النهج الجديد. كما تمكن النظام الهجين من "التعميم"، مما يعني أنه عمل بشكل جيد حتى عندما كانت الآلة تعمل في ظروف مختلفة قليلاً عن تلك التي رآها أثناء التدريب.
ولعل الاختبار الأكثر دلالة جاء عندما طبق الباحثون نظامهم على محمل تعطل في النهاية. لقد دربوا النظام فقط على بيانات من محامل سليمة، ولم يظهروا له أبداً كيف تبدو الآلة المعطلة. وعندما بدأ المحمل في الاختبار بالفشل، بدأت تنبؤات النظام تبتعد عن واقع الاهتزازات. ومع ذلك، لم يكن هذا الانحراف فشلاً للنظام، بل كان إشارة؛ إذ نمت الفجوة بين ما يتوقعه النظام وما يحدث بالفعل لتصبح كبيرة بما يكفي لتكون إنذاراً مبكراً بوجود خطأ ما. نجح النظام في التقاط السلوك العام للآلة حتى أثناء تعطلها، مما يشير إلى أن هذا النهج يمكن استخدامه للكشف عن الأعطال التي لم يسبق رؤيتها من قبل.
يُظهر هذا العمل أن مستقبل مراقبة الآلات قد لا يكمن في الاختيار بين الفيزياء والبيانات، بل في نسجهما معاً. فمن خلال السماح للنموذج الفيزيائي بالتطور مع الآلة واستخدام الذكاء الاصطناعي للتنبؤ بهذا التطور، أنشأ الباحثون أداة تتسم بالمتانة والقدرة على التكيف. إنها تتطلب بيانات أقل من التعلم الآلي الصرف، وتوفر رؤية أعمق من الفيزياء الصرفة. وبالنسبة للصناعات التي تعتمد على التشغيل المستمر للآلات المعقدة، قد يعني هذا الفرق بين التوقف المخطط له للصيانة وبين الانهيار الكارثي، محولاً التآكل الصامت للمعدن إلى قصة مقروءة عن صحة الآلة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.