Temporal Degradation Pattern Learning for Aircraft Engine Remaining Useful Life Prediction

في عالم الطيران عالي المخاطر، تُعد صحة المحرك النفاث مسألة حياة أو موت، ومع ذلك تعمل هذه الآلات الضخمة في بيئة متغيرة باستمرار. تواجه المحركات حرارة شديدة، واهتزازات عنيفة، وضغوط هواء متغيرة بشكل كبير أثناء الصعود، والتحليق، والهبوط. ولهذا السبب، فإن التآكل والتهالك الذي يصيب المحرك لا يتبع خطاً مستقيماً يمكن التنبؤ به؛ بل هو قصة معقدة ومتطورة تُكتب من خلال البيانات المتدفقة من مئات المستشعرات. لعقود من الزمن، حاول المهندسون التنبؤ بدقة بالوقت الذي سيتعطل فيه المحرك، وهو مفهوم يُعرف باسم تقدير "العمر النافع المتبقي". وإذا تمكنوا من تخمين هذا الوقت بدقة، فيمكنهم جدولة الصيانة قبل حدوث أي عطل، مما يوفر المال، والأهم من ذلك، يمنع الكوارث. ومع ذلك، غالباً ما تعاني النماذج الحاسوبية التقليدية في فهم هذه البيانات الفوضوية، خاصة عندما يعمل المحرك في ظروف مختلفة، حيث تخفق كثيراً في رصد الأنماط الدقيقة طويلة الأمد للتحلل التي تشير إلى اقتراب الآلة من نهاية عمرها.

ولحل هذه المشكلة، طور الباحثان أديتي جاو ودي فيشناش مور من معهد نارسيه مونجي لإدارة الدراسات في الهند طريقة جديدة لتمكين الحواسيب من "قراءة" تاريخ المحرك. لقد أنشأوا نظاماً يسمى "الشبكة العصبية التلافيفية الزمنية القائمة على التضمين الزمني"، وهو اسم طويل ومعقد يصف جوهراً أداة ذكية مصممة لتعلم كيفية تقادم المحرك بمرور الوقت. فبدلاً من مجرد النظر إلى لقطة ثابتة لبيانات المستشعرات، تولي هذه الأداة اهتماماً كبيراً لتسلسل الأحداث، وتتعلم التعرف على الإيقاع المحدد للتدهور. اختبر الباحثون طريقتهم على أربع مجموعات مختلفة من بيانات المحركات المحاكات المقدمة من وكالة ناسا، والتي تمثل كل شيء بدءاً من العمليات البسيطة والمستقرة وصولاً إلى السيناريوهات المعقدة ذات الأنواع المتعددة من الأعطال وظروف الطقس المتغيرة. كان هدفهم هو معرفة ما إذا كان نهجهم الجديد يمكنه التنبؤ بالعمر المتبقي للمحرك بشكل أكثر موثوقية من الطرق الموجودة، لا سيما عندما تكون ظروف التشغيل صعبة وغير متوقعة.

يكمن جوهر ابتكارهم في كيفية فهم الكمبيوتر للزمن. في العديد من المحاولات السابقة، كانت الحواسيب تُعطى طريقة ثابتة وجامدة لفهم ترتيب نقاط البيانات، تشبه ساعة تدق بنفس السرعة بغض النظر عما يحدث. أدرك الباحثون أن تدهور المحرك ليس بهذا الجمود؛ فالطريقة التي يتآكل بها المحرك تتغير بناءً على كيفية استخدامه. ولإصلاح ذلك، قدموا "تضميناً زمنياً قابلاً للتعلم". تخيل هذا التضمين كمسطرة مرنة يعدلها الكمبيوتر بنفسه أثناء دراسته للبيانات. فبينما يتدرب النموذج، تتمدد هذه المسطرة وتتحرك لتناسب أنماط التآكل المحددة التي يراها في تاريخ المحرك. وهذا يسمح للنظام بالتكيف مع القصة الفريدة لكل محرك، بدلاً من حشر كل محرك في قالب جاهز وموحد. وقد دمجوا هذا الإحساس المرن بالزمن مع شبكة خفيفة الوزن تمسح بيانات المستشعرات بحثاً عن الأنماط المحلية، مما خلق نظاماً يتسم بالذكاء والكفاءة في آن واحد.

لضمان قياسهم لصحة المحرك بشكل صحيح، تعين على الفريق أولاً تنظيف البيانات الخام. تنتج المستشعرات الموجودة في المحرك فيضاً من الأرقام، والعديد منها يكون فائضاً عن الحاجة أو غير ذي صلة بعملية الانهيار الفعلية. قام الباحثون بتصفية الضجيج، محتفظين فقط بالإشارات التي تهم حقاً. ثم أنشأوا "مؤشر صحة" واحداً لكل محرك، وهو عبارة عن درجة تبدأ مرتفعة عندما يكون المحرك جديداً وسليماً، وتنخفض تدريجياً مع تآكل الآلة. ولجعل هذه الدرجة موثوقة، قاموا بتنعيم التقلبات الصغيرة والعشوائية في البيانات، وضمنوا أن الدرجة لا ترتفع أبداً مرة أخرى، مما يعكس واقع أن المحرك لا يصبح أكثر صحة مع تقدمه في العمر. أصبحت هذه الدرجة النظيفة والمستقرة هي الهدف لنموذج التنبؤ الخاص بهم، مما أعطى الكمبيوتر صورة واضحة لما يبدو عليه التدهول الطبيعي مقابل الفشل المفاجئ.

اختبر الباحثون نظامهم الجديد مقابل عدة طرق شائعة أخرى باستخدام مجموعات بيانات ناسا، والتي تضمنت سيناريوهات تحتوي على حالة تشغيل واحدة، أو اثنتين، أو حتى ست حالات تشغيل مختلفة. في السيناريوهات الأبسط، حيث يعمل المحرك في ظروف مستقرة، أدت العديد من الطرق أداءً جيداً. ومع ذلك، كان الاختبار الحقيقي في مجموعة البيانات الأكثر تعقيداً، والتي مزجت بين ظروف تشغيل متعددة وأنواع مختلفة من الأعطال. وهنا ظهرت قوة النظام الجديد؛ فبينما تعثرت النماذج الأخرى أحياناً أو قدمت تنبؤات مضطربة عندما تغيرت بيئة المحرك، حافظ النظام الجديد على تتبع مستقر ودقيق للعمر المتبقي للمحرك. لقد نجح في تتبع الاتجاه العام لتدهور المحرك حتى عندما كانت البيانات مشوشة أو الظروف فوضوية. ووجد الباحثون أن حجم "النافذة" التي يستخدمها الكمبيوتر للنظر في البيانات كان أمراً بالغ الأهمية؛ فالنافذة الصغيرة جداً تفوت الصورة الكبيرة، بينما النافذة الكبيرة جداً تطمس التفاصيل المهمة. واكتشفوا أن النافذة متوسطة الحجم، التي تنظر إلى نطاق زمني محدد، توفر أفضل توازن، مما يسمح للنموذج برؤية التغييرات الفورية والاتجاهات طويلة الأمد معاً.

كان أحد أهم النتائج هو أن مجرد جعل نموذج الكمبيوتر أكثر تعقيداً لم يجعله أفضل. حاولت النهج السابقة غالباً حل هذه المشكلات عن طريق إضافة المزيد من الطبقات أو جعل نوافذ البيانات أكبر، مما زاد من التكلفة الحسابية دون تحسين الدقة دائماً. في المقابل، حقق النظام الجديد نجاحه ليس من خلال زيادة ثقله أو تعقيده، بل من خلال كونه أكثر قدرة على التكيف. فقد سمح الإحساس الزمني القابل للتعلم للنموذج بفهم عملية التدهور بعمق دون الحاجة إلى موارد مفرطة. وعندما قارن الباحثون نتائجهم بالطرق المتقدمة الأخرى، أنتج نظامهم باستمرار معدلات خطأ أقل، مما يعني أن تنبؤاته كانت أقرب إلى العمر المتبقي الفعلي للمحركات. وكان هذا واضحاً بشكل خاص في مجموعات البيانات الصعبة حيث كافحت النماذج الأخرى للتمييز بين التغيرات التشغيلية العادية وعلامات الفشل الفعلية.

كما بحثت الدراسة في كيفية أداء النموذج على محركات فردية، وتتبع عمرها المتوقع مقابل عمرها الفعلي. وفي السيناريوهات المعقدة، تبعت تنبؤات النموذج المسار الحقيقي لتدهور المحرك باتساق ملحوظ؛ فهي لم تكتفِ بتخمين رقم ما، بل تتبعت منحنى صحة المحرك، مدركةً متى يتسارع التآكل. وهذه القدرة على تتبع مسار الفشل أمر بالغ الأهمية للصيانة في العالم الحقيقي، لأنها تسمح للمهندسين بالتخطيط للتدخلات قبل الوصول إلى نقطة حرجة. وأشار الباحثون إلى أنه على الرغم من فعالية النموذج العالية، إلا أنه لم يكن مثالياً؛ إذ لا تزال هناك فروق صغيرة بين القيم المتوقلة والفعلية، خاصة في السيناريوهات الأكثر فوضوية. ومع ذلك، كانت هذه الفروق أصغر من تلك التي تنتجها الطرق الرائدة الأخرى، مما يشير إلى تحسن حقيقي في كيفية مراقبة الآلات لعملية تقادمها.

وبالنظر إلى المستقبل، يرى الباحثون عدة طرق للبناء على هذا العمل. فهم يقترحون دمج نهج تعلم الزمن المرن هذا مع أنواع أخرى من الذكاء الاصطناعي لتحسين القدرة على رصد الأنماط المعقدة. كما يقترحون إضافة القوانين الفيزيائية لكيفية فشل المحركات في النموذج لجعل التنبؤات أكثر قوة، خاصة عندما تكون البيانات مفقودة أو مشوشة. وهناك أيضاً اهتمام قوي باختبار النظام على بيانات من العالم الحقيقي من طائرات فعلية، بدلاً من البيانات المحاكات المستخدمة في هذه الدراسة، لمعرفة كيفية تعامله مع فوضى الحياة الواقعية. علاوة على ذلك، يهدفون إلى تطوير طرق يمكنها إخبار المهندسين ليس فقط متى سيفشل المحرك، بل أيضاً مدى تأكد الكمبيوتر من ذلك التنبؤ، مما يضيف طبقة من الثقة إلى عملية اتخاذ القرار.

في نهاية المطاف، يقدم هذا البحث مساراً أوضح نحو طيران أكثر أماناً وكفاءة. فمن خلال تعليم الحواسيب فهم اللغة الخفية والمتطورة لتآكل المحركات، قدم الباحثون أداة يمكنها رؤية مستقبل الآلة بوضوح أكبر. يوضح هذا العمل أن أفضل طريقة لحل مشكلة معقدة ليست دائماً ببناء آلة أكبر أو أقوى، بل ببناء آلة أذكى يمكنها التعلم والتكيف مع العالم الذي تراقبه. ومع استمرار اعتماد الطيران على آلات تزداد تعقيداً، تصبح القدرة على التنبؤ بالفشل قبل وقوعه ليس مجرد إنجاز تقني، بل مطلباً أساسياً للسلامة. ويقف المنهج الجديد كخطوة واعدة في هذا الاتجاه، مثبتاً أنه مع النهج الصحيح، يمكن للآلات بالفعل أن تتعلم كيف تروي قصص تقادمها وتدهورها.