تطبيقات التعلم الآلي في التنبؤ بأعطال الرافعات وتشخيصها
لماذا تحتاج الرافعات إلى التنبؤ بالأعطال بالتعلم الآلي؟
تعد الرافعات من المعدات التي تتطلب موثوقية عالية، حيث قد يؤدي أي عطل مفاجئ إلى توقف خط الإنتاج بالكامل أو حتى وقوع حوادث كبيرة. يعاني نموذج "الصيانة الدورية" التقليدي من عيبين رئيسيين: الإفراط في الصيانة يهدر الموارد، بينما يؤدي القصور فيها إلى أعطال مفاجئة. يحقق التعلم الآلي (ML) نقلة نوعية من "الصيانة المجدولة" إلى "الصيانة على أساس الحالة" من خلال تحليل بيانات تشغيل المعدات.
▲ بنية نظام التنبؤ بأعطال الرافعات المعتمد على التعلم الآلي
مسار التنفيذ التقني للصيانة التنبؤية
1. جمع البيانات والمعالجة الأولية
يتم جمع البيانات من متحكم PLC ومحول التردد وشبكة المستشعرات في الرافعة، وتشمل: تيار المحرك/الجهد/القدرة، تسارع الاهتزاز، درجة الحرارة، سعة الرفع، مسار التشغيل، وتكرار الاستخدام. تخضع البيانات عالية التردد (معدل أخذ عينات تيار المحرك 1kHz) لاستخراج الخصائص عبر عقد حوسبة الحافة، بينما يتم رفع البيانات منخفضة التردد (القيم المجمعة كل ساعة) مباشرة إلى السحابة.
2. اختيار النموذج والتدريب
يتم اختيار خوارزميات مختلفة حسب هدف التنبؤ:
- مشاكل التصنيف الثنائي (طبيعي/غير طبيعي): أشجار الانحدار المعززة (XGBoost, LightGBM) بدقة تصل إلى 95% أو أكثر
- التنبؤ بالعمر المتبقي (RUL): شبكات عصبية تسلسلية (LSTM, TCN) بهامش خطأ ±15%
- تصنيف نوع العطل: الغابات العشوائية، آلات المتجهات الداعمة (SVM) بدقة تصنيف متعدد تتجاوز 90%
- كشف الشذوذ: المشفر الذاتي (Autoencoder) أو الغابة المعزولة، ومناسب للحالات التي تكون فيها البيانات المصنفة قليلة
▲ عملية تدريب نموذج التنبؤ بالأعطال والتحقق منه
3. النشر على الحافة والاستدلال في الوقت الفعلي
يتم تصدير النموذج المُدرَّب بتنسيق ONNX ونشره على أجهزة الحوسبة الحافة المحلية للرافعة (مثل NVIDIA Jetson أو نسخة Raspberry Pi الصناعية). يتم التحكم في زمن الاستدلال ليكون أقل من 50ms، مما يلبي متطلبات المراقبة في الوقت الفعلي. وتتولى العقدة الحافية أيضاً تخزين البيانات مؤقتاً واستئناف الإرسال عند انقطاع الاتصال، لضمان عدم فقدان البيانات في حالات الشبكة غير المستقرة.
نماذج التنبؤ بالأعطال النموذجية للرافعات
| نوع العطل | خصائص التنبؤ | توصية الخوارزمية | أفق التنبؤ الزمني |
|---|---|---|---|
| محملاهتراء | تسارع الاهتزازRMS,معامل الذروة | LSTM | 10-14يوم |
| انزلاق المكبح | توافقيات تيار المحرك، شوط الكبح | XGBoost | 5-7يوم |
| انقطاع أسلاك الحبل السلكي | إشارة الكشف الكهرومغناطيسي، منحنى سعة الرفع | CNN | 7-10يوم |
| تقادم عزل المحرك | مقاومة العزل,مقدار التفريغ الجزئي | الغابة العشوائية | 15-30يوم |
| اهتراء علبة التروس | تحليل الطيف الحديدي للزيت,نطاق الاهتزاز الجانبي | LightGBM | 20-45يوم |
رابعًا: توصيات التنفيذ
يُنصح بتنفيذ نظام التنبؤ بالأعطال القائم على التعلم الآلي على ثلاث مراحل متتالية:
- المرحلة التجريبية: اختيار 3-5 رافعات عالية التردد في التشغيل، وتركيب مستشعرات مع بوابات حافة (Edge Gateways)، وتجميع بيانات تدريبية لمدة 6 أشهر.
- مرحلة التحقق: تدريب النماذج والتحقق من دقتها بناءً على البيانات التجريبية، ثم تعميمها بعد تحقيق دقة تتجاوز 90%.
- مرحلة التوسع: نشر النظام في جميع أنحاء المصنع وإنشاء منصة موحدة لإدارة صحة المعدات.
▲ لوحة عرض الصيانة التنبؤية على منصة التشغيل الذكي
الأسئلة الشائعة حول الصيانة التنبؤية للرافعات
س: ما هي أبرز تطبيقات التعلم الآلي في التنبؤ بأعطال الرافعات؟
ج: تشمل التطبيقات النموذجية: التنبؤ بالعمر المتبقي لمحامل علبة التروس (باستخدام CNN/LSTM)، وتشخيص أعطال المحرك (عبر طيف الاهتزاز مع خوارزمية Random Forest)، والتعرف على تكسر أسلاك الحبل السلكي (باستخدام الرؤية الحاسوبية وCNN)، والتنبؤ باتجاه تدهور أداء المكبح (باستخدام السلاسل الزمنية وخوارزمية GBDT).
س: ما حجم البيانات التدريبية المطلوبة لنماذج التنبؤ بأعطال الرافعات؟
ج: لمهام التصنيف، يلزم عادةً 500 إلى 2000 عينة لكل نوع من أنواع الأعطال، بينما يتطلب التنبؤ بالانحدار بيانات تشغيل مستمرة لمدة تتراوح بين 3 و6 أشهر. يمكن أن يؤدي التعلم بالنقل (Transfer Learning) وتعزيز البيانات إلى تقليل متطلبات البيانات بنسبة 30% إلى 50%. ويُنصح بالتدريب المسبق على مجموعات بيانات عامة ثم الضبط الدقيق.
س: ما هي قدرات كيلود للصناعات الثقيلة في تشخيص الأعطال بالذكاء الاصطناعي؟
ج: تتعاون كيلود للصناعات الثقيلة مع معاهد بحثية متخصصة في الذكاء الاصطناعي، وتقدم حلولاً لتشخيص أعطال علب التروس والمحامل تعتمد على تحليل طيف الاهتزاز وشبكات 1D-CNN، بالإضافة إلى حلول الكشف البصري عن عيوب الحبل السلكي باستخدام خوارزمية YOLOv8.
