Frequency-domain-based Bayesian-optimized 1-D CNN feature learning for integrated bearing fault diagnosis and remaining useful life prediction
تقترح هذه الدراسة إطاراً موحداً يستفيد من التحسين البايزي لضبط شبكة عصبية تلافيفية أحادية الأبعاد في المجال الترددي لاستخراج الميزات العميقة، والتي تُستخدم بعد ذلك لتشخيص أعطال المحامل بدقة عالية والتنبؤ القوي بالعمر النافع المتبقي عبر مجموعات بيانات ناسا (IMS) المتعددة.
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
تعتمد الآلات التي تدور، من التوربينات الضخمة في محطات الطاقة إلى المحركات الهادئة في روبوتات المصانع، على مكون صغير ولكنه حيوي للحفاظ على دورانها بسلاسة: وهو المحمل ذو العناصر المتدحرجة (rolling-element bearing). هذه المحامل عبارة عن حلقات من الكرات الفولاذية أو الأسطوانات التي تستقر بين عمود دوران وهيكل ثابت، مما يسمح للأجزاء بالحركة بأقل قدر من الاحتكاك. ومثل أي جزء ميكانيكي، فإنها تتآكل بمرور الوقت. فعندما يتشكل عيب صغير على سطح كرة أو على المسار الذي تتدحرج عليه، فإنه يُحدث خبطة إيقاعية متكررة أثناء دوران المحمل. وتولد هذه الخبطات اهتزازات تنتقل عبر الآلة. ولعقود من الزمن، استمع المهندسون إلى هذه الاهتزازات لتخمين متى أوشك المحمل على الفشل. ومع ذلك، غالبًا ما تكون الإشارات مشوشة ودقيقة، خاصة في المراحل الأولى من التآكل، مما يجعل من الصعب التمييز بين آلة سليمة وأخرى تحتلضل تحتضر ببطء. وكان التحدي يكمن في إيجاد طريقة لقراءة هذه الاهتزازات المعقدة بشكل تلقائي ودقيق، ليس فقط لرصد العطل، بل للتنبؤ بدقة بمقدار العمر المتبقي في الجزء قبل أن ينكسر.
لقد طور فريق من الباحثين في جامعة "أولد دومينيون" (Old-Dominion University) طريقة جديدة لحل هذه المشكلة من خلال تعليم الكمبيوتر الاستماع إلى الاهتزازات بطريقة مختلفة. فبدلاً من النظر إلى إشارات الاهزاز الخام كما تحدث بمرور الوقت، قام الباحثون أولاً بتحويلها إلى خريطة ترددية. تخيل أخذ أغنية معقدة وتفكيكها إلى قائمة بجميع النوتات الموسيقية المحددة التي تحتوي عليها؛ هذا ما فعله الباحثون مع ضجيج الآلة. ثم استخدموا نوعاً من الذكاء الاصطناعي، وتحديداً الشبكة العصبية التلافيفية أحادية الأبعاد (one-dimensional convolutional neural network)، لدراسة هذه الخرائط الترددية. هذا النموذج الحاسوبي مصمم للعثور تلقائياً على الأنماط الأكثر أهمية التي تشير إلى وجود مشكلة، مثل وجود صدع في الحلقة الداخلية أو عيب في كرة متدحرجة. والابتكار الرئيسي في عملهم هو كيفية تعليم هذا النموذج الحاسوبي؛ فبدلاً من التخمين للوصول إلى أفضل الإعدادات للنموذج، استخدموا تقنية بحث ذكية تسمى "التحسين البايزي" (Bayesian optimization). تقوم هذه الطريقة باختبار مجموعات مختلفة من الإعدادات بشكل منهجي، والتعلم من كل محاولة للوصول إلى التكوين المثالي لمجموعة البيانات المحددة، تماماً مثل طاهٍ يتذوق الصلصة مراراً ويعدل التوابل حتى يصل إلى النكهة المطلوبة تماماً.
اختبر الباحثون نهجهم باستخدام ثلاث مجموعات مختلفة من البيانات الواقعية من وكالة "ناسا" (NASA)، حيث تم تشغيل المحامل حتى تعطلت تماماً. تضمنت هذه المجموعات بيانات لمحامل أصيبت بتشققات في حلقاتها الداخلية، وحلقاتها الخارجية، وفي الكرات المتدحرجة نفسها. وقد أثبتت الطريقة الجديدة دقة استثنائية في تحديد هذه الأعطال. ففي مجموعة الاختبار الأولى، شخصت حالة المحامل بدقة بلغت 99.85% من المرات. وفي المجموعة الثانية، حققت درجة مثالية بنسبة 100%، حيث حددت بدقة كل محمل سليم ومعطل. وفي المجموعة الثالثة، وصلت الدقة إلى 99.98%. وعند مقارنتها بطريقة قياسية مستخدمة على نطاق واسع تجمع بين نوعين مختلفين من الشبكات العصبية، كانت الطريقة الجديدة أفضل باستمرار، لا سيما في رصد العلامات الدقيقة لإخفاقات الحلقة الخارجية، وهي أعطال يصعب اكتشافها عادةً. فقد فات النوع القياسي عدداً كبيراً من هذه الأعطال، بينما رصدها النظام الجديد جميعها.
وبعيداً عن مجرد تشخيص ما هو الخطأ، استخدم الباحثون أيضاً هذا النظام للتنبؤ بالوقت المتبقي للمحمل قبل أن يفشل. لقد أخذوا الأنماط التي تعلمها الكمبيوتر وحولوها إلى "درجة صحة" (health score) تتبع حالة المحمل من كونه سليماً إلى كونه معطلاً. ومن خلال رسم هذه الدرجة بمرور الوقت، استطاعوا رؤية التدهور التدريجي لصحة الآلة. ثم استخدموا نموذجاً إحصائياً لرسم خط عبر هذا التدهور والتنبؤ متى ستصل درجة الصحة إلى نقطة الفشل الحرجة. وأظهرت النتائج أن طريقتهم أنتجت صورة أكثر سلاسة وواقعية لعملية التدهور. في المقابل، غالباً ما أظهرت الطريقة القياسية درجة الصحة وهي تقفز صعوداً وهبوطاً أو تصل إلى سقف مبكراً جداً، مما يجعل من الصعب معرفة متى ستتوقف الآلة عن العمل بالضبط. أما النهج الجديد فقد حافظ على إشارة واضحة وتدريجية، مما سمح بتقدير أكثر موثوقية للعمر النافع المتبقي.
يُظهر هذا العمل أنه من خلال الجمع بين طريقة ذكية لتحليل ترددات الصوت وعملية مؤتمتة لضبط النماذج الحاسوبية، يمكن إنشاء نظام موحد يشخص أعطال الآلات ويتنبأ بمستقبلها في آن واحد. وقد وجد الباحثون أن ترك الكمبيوتر يجد أفضل إعداداته بنفسه، بدلاً من الاعتماد على التخمين البشري، يؤدي إلى أداة أكثر قوة ودقة للصيانة. وتعد هذه التكنولوجيا حيوية للصناعات التي تعتمد على الآلات الثقيلة، حيث تنقل الصيانة من ممارسة رد فعل — أي إصلاح الأشياء بعد انكسارها — إلى ممارسة استباقية، حيث يتم استبدال الأجزاء قبل فشلها مباشرة، مما يوفر المال ويمنع التوقف غير المتوقع عن العمل. وتؤكد الدراسة أنه مع البيانات الصحيحة واستراتيجية التعلم الصحيحة، يمكن جعل الآلات تخبرنا بدقة متى تحتاج إلى المساعدة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.