صيانة ذكية للرافعة العلوية بالذكاء الاصطناعي وتشخيص الأعطال RAG

ما هو أكثر ما يُخشى عند تعطل الرافعة العلوية؟ ليس العطل بحد ذاته، بل صعوبة إيجاد من يصلحه. فعندما يتقاعد الفني المخضرم الذي كان يعرف المعدات القديمة جيدًا، يجد المتدرب الجديد نفسه يتصفح دليلًا يتجاوز 300 صفحة دون أن يصل إلى الصفحة الصحيحة، وقد يستغرق التعامل مع إنذار محول التردد صباحًا كاملًا في الموقع. هذا هو أكثر ما نسمعه من شكاوى أثناء أعمال الصيانة والتحديث.

شهدت نماذج اللغة الكبيرة (LLM) تطورًا متسارعًا في العامين الأخيرين، وبدمجها مع بيانات نظام التوأم الرقمي للرافعة العلوية يمكن توفير سياق أكثر ثراءً لتشخيص الأعطال، من الدردشة العامة إلى التطبيقات الصناعية المتخصصة، وقد أصبح المسار التقني مجديًا. وتُعد صيانة الرافعات العلوية بيئة مثالية لتطبيق نماذج اللغة الكبيرة — فالمعرفة فيها محدودة نسبيًا (تقتصر على كتيبات المعدات وأدلة الصيانة)، وأنماط الأعطال قابلة للاستنتاج (رموز الإنذار الشائعة لا تتجاوز 100 نوع)، والقرارات قابلة للتحكم (الذكاء الاصطناعي يقدم اقتراحات والإنسان يتخذ القرار).

يستعرض هذا المقال خطة هندسية متكاملة من النشر إلى التطبيق الفعلي: تشغيل Ollama محليًا مع ربطه بقاعدة معرفة RAG، ليصبح تشخيص أعطال الرافعة العلوية متاحًا ببحث واحد. تتراوح تكلفة الأجهزة بين 30,000 و80,000 درهم، ويمكن لحاسوب صناعي واحد تشغيل 20 إلى 30 محطة صيانة، وقاعدة المعرفة لا تنتهي صلاحيتها بعد إنشائها.

نظرة عامة على بنية النظام

يعتمد نظام مساعد الصيانة الذكي على بنية ثلاثية الطبقات، حيث تتولى كل طبقة مهامها المحددة، وتتواصل الطبقات فيما بينها عبر واجهات برمجة تطبيقات (API) قياسية:

تفاصيل التنفيذ الفني

يتكوّن بناء النظام بالكامل من أربع خطوات، ولكل خطوة أدواتها ومعاملات ضبطها المحدّدة بوضوح.

2.1 نشر النموذج الكبير: Ollama + Qwen2.5

يُعدّ Ollama حاليًا الإطار الأكثر نضجًا لتشغيل النماذج اللغوية الكبيرة محليًا، ويدعم أنظمة Linux وWindows، ويمكن تثبيت النموذج وتشغيله بأمر واحد ثم استدعاء الواجهة البرمجية مباشرة. ننصح باستخدام نموذج Qwen2.5 14B من علي بابا (14 مليار معامل) — يتمتع بقدرة فهم قوية للغة العربية والصينية، ومتطلباته من العتاد متوسطة، والنسخة الكمية 4-bit تحتاج فقط 8GB من ذاكرة الرسوميات لتعمل بسلاسة.

أمر النشر:

# التركيبOllama（دعمGPUكشف تلقائي） curl -fsSL https://ollama.com/install.sh | sh # سحبQwen2.5 14B（حوالي8.5GB） ollama pull qwen2.5:14b # بدء الخدمة（افتراضي127.0.0.1:11434） ollama serve

التحقق من سلامة الخدمة:

curl http://localhost:11434/api/generate -d '{"model": "qwen2.5:14b","prompt": "عاكس تردد الرافعة العلوية يُبلغ عنOCالأسباب المحتملة لخلل التيار الزائد？اذكر خمسة أسباب","stream": false}'

from langchain_community.vectorstores import Chroma from langchain_community.embeddings import HuggingFaceEmbeddings import requests embeddings = HuggingFaceEmbeddings( model_name="BAAI/bge-small-zh-v1.5") db = Chroma(persist_directory="./crane_kb", embedding_function=embeddings) question = "عاكس تردد الرافعة العلوية يُبلغ عنOUكيفية معالجة خلل الجهد الزائد？" docs = db.similarity_search(question, k=4) context = "\\\\n\\\\n".join([d.page_content for d in docs]) prompt = f"""أجب على سؤال المستخدم بناءً على دليل صيانة الرافعة العلوية التالي。 إذا لم يكن موجودًا في الدليل，قل"لم يتم العثور على محتوى مطابق في الدليل"。 محتوى الدليل： {context} أجب على سؤال المستخدم بناءً على دليل صيانة الرافعة العلوية التالي：{question}""" resp = requests.post( "http://localhost:11434/api/generate", json={"model": "qwen2.5:14b", "prompt": prompt, "stream": False}) print(resp.json()["response"])

يكمن جوهر هذا السير في تجميع الاستعلامات (Prompt). فجودة نتائج RAG لا تعتمد بشكل أساسي على النموذج الكبير (حيث يكفي Qwen2.5)، بل على مدى صلة المستندات المسترجعة بالموضوع. ويُنصح أثناء الاختبار بتقييم كل سؤال نموذجي يدويًا (نسبة الإصابة، دقة الإجابات)، وإذا كانت النسبة أقل من 80%، فيجب تعديل استراتيجية التقطيع أو نموذج التضمين.

البرنامج النصي الموصى به للتقييم:

def evaluate_rag(test_qs, db, llm_url): results = [] for q, expected in test_qs: docs = db.similarity_search(q, k=4) hit = any(expected in d.page_content for d in docs) results.append({"q": q, "hit": hit}) rate = sum(1 for r in results if r["hit"]) / len(results) print(f"Retrieval hit rate: {rate:.1%}") return results

ثالثًا: سيناريوهات التطبيق النموذجية

3.1 التشخيص المساعد للأعطال (السيناريو الأكثر شيوعًا)

يقوم فني الصيانة بإدخال أعراض العطل على الهاتف المحمول أو الجهاز اللوحي، ويقدم الذكاء الاصطناعي الأسباب المحتملة وخطوات المعالجة. على سبيل المثال، عند حدوث عطل زيادة التيار (OC) في محول التردد:

٣.٢ دليل الصيانة (مع خطوات تفصيلية)

لا يكتفي الذكاء الاصطناعي بإخبارك بطبيعة المشكلة، بل يرشدك أيضًا إلى أي برغي يجب فكه أولاً. يتم توثيق كل عملية صيانة في قاعدة المعرفة بخطوات موحدة:

يسأل المستخدم：كيفية استبدال بطانة فرامل الرافعة العلوية？ AIالإجابة：فيما يلي خطوات الاستبدال—— 1. افصل التيار الكهربائي وعلّق لوحة التحذير，تأكد من أن المكبح في حالة تحرير 2. فك براغي تثبيت غطاء الغبار（M8 x 4） 3. اضغط نابض الفرامل باستخدام أداة خاصة 4. اسحب دبوس تموضع بطانة الاحتكاك 5. أخرج بطانة الاحتكاك القديمة（انتبه للاتجاه الصحيح للتركيب） 6. ركّب بطانة الاحتكاك الجديدة（تأكد من تطابق السماكة） 7. حرر النابض，أعد تركيب غطاء الغبار 8. اضبط خلوص الفرامل（القيمة المميزة0.5~1.0mm） 9. شغّل الكهرباء واختبر التشغيل：حركة تدريجية للرفع3مرة，تأكد من عدم وجود ضوضاء غير طبيعية

٣.٣ تحليل سجل الأعطال واتجاهاتها

يستطيع الذكاء الاصطناعي تحليل سجل الأعطال على مدار العام الماضي وتحديد المشكلات الأكثر تكرارًا. عند ربطه بواجهة بيانات منصة المراقبة عن بعد للرافعة العلوية، وعندما يبحث فني الصيانة عن عطل معين، يقوم الذكاء الاصطناعي تلقائيًا بإضافة ملاحظة: "هذه الرافعة العلوية شهدت ٤ أعطال مماثلة خلال الأشهر الثلاثة الماضية، يُنصح بإخطار الشركة المصنعة لإجراء فحص شامل".

٤. جدول اختيار المعايير التقنية الرئيسية

خامسًا: نقاط تنفيذ المشروع

1. جودة قاعدة المعرفة هي الأساس. النموذج الكبير هو مجرد محرك، أما ما ينجز العمل فعليًا فهو قاعدة المعرفة. قبل البدء، خصص أسبوعًا على الأقل لجمع جميع مستندات الرافعة العلوية: دليل التشغيل، المخطط الكهربائي، تعليقات برنامج PLC، وسجل الأعطال التاريخي. إذا لم تكن سجلات الصيانة السابقة متوفرة إلكترونيًا، فكلّف شخصًا بإدخال سجلات الصيانة الورقية بصيغة Markdown. جودة قاعدة المعرفة تحدد مباشرة دقة إجابات الذكاء الاصطناعي، وأي وقت تستثمره فيها لن يضيع هباءً.

2. قوالب التعليمات (Prompt) تحتاج إلى ضبط مستمر. لنفس السؤال، الفرق بين إجابة بدون تعليمات نظام وإجابة بتعليمات مصممة بعناية يعادل مستويين كاملين. الصيغة الموصى بها: يجب أن تتضمن تعليمات النظام لمساعد الذكاء الاصطناعي للرافعة العلوية تعريف الدور (مثل: "أنت مهندس صيانة رافعات علوية بخبرة 15 عامًا") + قواعد الإجابة (مثل: "اذكر السبب الأكثر احتمالاً أولاً، ثم أدرج خطوات الفحص مع تقدير الوقت لكل خطوة") + إخلاء المسؤولية (مثل: "هذه توصيات مساعدة من الذكاء الاصطناعي، يرجى اعتماد فنيين مرخصين لإجراء عمليات الصيانة النهائية").

3. النشر المحلي ليس مكلفًا كما تتصور. يعتقد الكثيرون أن النماذج الكبيرة تتطلب بطاقات A100، لكن في الواقع، نسخة Qwen2.5 7B بعد الضغط تعمل بسلاسة على RTX 3060، وحاسوب صناعي واحد يكفي لتشغيل 20 إلى 30 جهازًا طرفيًا متزامنًا. إذا كانت متطلبات السرية في المصنع منخفضة، يمكن النظر في الحلول السحابية — مثل Qwen عبر API من Alibaba Cloud أو DeepSeek API، مع الدفع حسب الاستهلاك. لكن في البيئات الصناعية، ما زلت أوصي بالنشر المحلي: البيانات لا تغادر الشبكة الداخلية، وزمن الاستجابة ثابت بين 1 إلى 3 ثوانٍ.

4. لا تتوقع أن يحل الذكاء الاصطناعي محل البشر. دور النموذج الكبير في صيانة الرافعات العلوية هو "أداة مساعدة" — لتقليل وقت البحث عن المعلومات، وتقديم أفكار للإصلاح، وتقليل الاعتماد على الخبرة الفردية. أما التنفيذ الفعلي واتخاذ القرار النهائي، فيبقى مسؤولية فني الصيانة. إذا أوضحت هذا الدور بوضوح للعاملين في المصنع، سيزداد تقبلهم للنظام.

5. ابدأ بسيناريوهات بسيطة، ولا تحاول تغطية كل شيء من البداية. في المرحلة الأولى، يُنصح بالتركيز على وظيفتين فقط: "الاستعلام عن رموز أعطال محول التردد" و"البحث الذكي في دليل الصيانة"، مع تخصيص أسبوع إلى أسبوعين لتشغيلهما وجمع الملاحظات وتحسين قاعدة المعرفة. للمزيد حول الإطار العام للصيانة التنبؤية للرافعات، يمكنك الرجوع إلى مقالنا السابق حول الصيانة التنبؤية للرافعات ونظام PHM. في المرحلة الثانية، قم بتوسيع النطاق ليشمل تشخيص أعطال جسر الرافعة والعربة. وفي المرحلة الثالثة، أضف تحليل البيانات التاريخية. من خلال إطلاق النظام على مراحل، مع تحقيق نتائج ملموسة في كل مرحلة، سيزداد إقبال المستخدمين على استخدامه.

الخلاصة

الذكاء الاصطناعي في صيانة الرافعات العلوية ليس مجرد رفاهية — عندما يلتقط فني الصيانة هاتفه المحمول لتصوير إنذار محول التردد في موقع العطل، ويعيد الذكاء الاصطناعي خلال 30 ثانية سبب العطل وخطوات المعالجة، فإن قيمة هذا النظام لا تحتاج إلى شرح. جربنا النظام في ورشتين لمدة ثلاثة أشهر، وانخفض متوسط وقت تحديد العطل من 40 دقيقة إلى 15 دقيقة، مع تحقيق استجابة فورية تقريبًا للأعطال الشائعة في محولات التردد.

المتطلبات التقنية للنظام بأكمله ليست عالية: حاسوب صناعي ببطاقة رسوميات، وبرنامج Ollama، وقاعدة بيانات متجهات، وقاعدة معرفية منظمة. الجزء الأكثر استهلاكًا للوقت ليس تثبيت البرامج، بل نقل خبرات الصيانة من رؤوس الفنيين المخضرمين إلى قاعدة المعرفة — وهذا بالضبط هو الجزء الأكثر قيمة.

الأسئلة الشائعة

2.2 بناء قاعدة المعرفة RAG

الاعتماد على معرفة النموذج وحده غير كافٍ — فبالرغم من أن Qwen2.5 يملك فكرة عامة عن الرافعات العلوية، إلا أنه لا يعرف كيفية إعادة ضبط وحدة التحكم PLC لطرازك المحدد، ولا يعرف أيّ قطع الغيار تم استبدالها في السنة الماضية. تقنية RAG (التوليد المعزز بالاسترجاع) تحلّ هذه المشكلة: يتم إدخال أدلة التشغيل وسجلات الصيانة والرسومات الهندسية في قاعدة بيانات المتجهات، وعند كل استفسار يتم استرجاع المستندات ذات الصلة أولاً، ثم دمج نتائج الاسترجاع في الاستعلام (Prompt)، وبعدها يقدّم النموذج الإجابة.

مسار بناء قاعدة المعرفة:

يُعد ChromaDB الخيار الأمثل لقواعد بيانات المتجهات، حيث يعتمد على لغة Python الخالصة، ولا يتطلب نشرًا منفصلاً، ويدعم وضع الذاكرة، مما يجعله مناسبًا للتشغيل على الحواسيب الصناعية. أما بالنسبة لنموذج التضمين، فنوصي باستخدام BAAI BGE-small-zh-v1.5 (384 بُعدًا، 150MB فقط، زمن استدلال يبلغ حوالي 50ms على المعالج CPU)، ويتميز بأداء ممتاز في البحث الدلالي الصيني مع متطلبات أجهزة منخفضة.

2.3 سير عمل توليد الاسترجاع المعزز

يتم تنفيذ جلسة الأسئلة والأجوبة الكاملة على النحو التالي:

from langchain_community.vectorstores import Chroma from langchain_community.embeddings import HuggingFaceEmbeddings import requests embeddings = HuggingFaceEmbeddings( model_name="BAAI/bge-small-zh-v1.5") db = Chroma(persist_directory="./crane_kb", embedding_function=embeddings) question = "عاكس تردد الرافعة العلوية يُبلغ عنOUكيفية معالجة خلل الجهد الزائد？" docs = db.similarity_search(question, k=4) context = "\\\\n\\\\n".join([d.page_content for d in docs]) prompt = f"""أجب على سؤال المستخدم بناءً على دليل صيانة الرافعة العلوية التالي。 إذا لم يكن موجودًا في الدليل，قل"لم يتم العثور على محتوى مطابق في الدليل"。 محتوى الدليل： {context} أجب على سؤال المستخدم بناءً على دليل صيانة الرافعة العلوية التالي：{question}""" resp = requests.post( "http://localhost:11434/api/generate", json={"model": "qwen2.5:14b", "prompt": prompt, "stream": False}) print(resp.json()["response"])

يكمن جوهر هذا السير في تجميع الاستعلامات (Prompt). فجودة نتائج RAG لا تعتمد بشكل أساسي على النموذج الكبير (حيث يكفي Qwen2.5)، بل على مدى صلة المستندات المسترجعة بالموضوع. ويُنصح أثناء الاختبار بتقييم كل سؤال نموذجي يدويًا (نسبة الإصابة، دقة الإجابات)، وإذا كانت النسبة أقل من 80%، فيجب تعديل استراتيجية التقطيع أو نموذج التضمين.

البرنامج النصي الموصى به للتقييم:

def evaluate_rag(test_qs, db, llm_url): results = [] for q, expected in test_qs: docs = db.similarity_search(q, k=4) hit = any(expected in d.page_content for d in docs) results.append({"q": q, "hit": hit}) rate = sum(1 for r in results if r["hit"]) / len(results) print(f"Retrieval hit rate: {rate:.1%}") return results

ثالثًا: سيناريوهات التطبيق النموذجية

3.1 التشخيص المساعد للأعطال (السيناريو الأكثر شيوعًا)

يقوم فني الصيانة بإدخال أعراض العطل على الهاتف المحمول أو الجهاز اللوحي، ويقدم الذكاء الاصطناعي الأسباب المحتملة وخطوات المعالجة. على سبيل المثال، عند حدوث عطل زيادة التيار (OC) في محول التردد:

٣.٢ دليل الصيانة (مع خطوات تفصيلية)

لا يكتفي الذكاء الاصطناعي بإخبارك بطبيعة المشكلة، بل يرشدك أيضًا إلى أي برغي يجب فكه أولاً. يتم توثيق كل عملية صيانة في قاعدة المعرفة بخطوات موحدة:

يسأل المستخدم：كيفية استبدال بطانة فرامل الرافعة العلوية？ AIالإجابة：فيما يلي خطوات الاستبدال—— 1. افصل التيار الكهربائي وعلّق لوحة التحذير，تأكد من أن المكبح في حالة تحرير 2. فك براغي تثبيت غطاء الغبار（M8 x 4） 3. اضغط نابض الفرامل باستخدام أداة خاصة 4. اسحب دبوس تموضع بطانة الاحتكاك 5. أخرج بطانة الاحتكاك القديمة（انتبه للاتجاه الصحيح للتركيب） 6. ركّب بطانة الاحتكاك الجديدة（تأكد من تطابق السماكة） 7. حرر النابض，أعد تركيب غطاء الغبار 8. اضبط خلوص الفرامل（القيمة المميزة0.5~1.0mm） 9. شغّل الكهرباء واختبر التشغيل：حركة تدريجية للرفع3مرة，تأكد من عدم وجود ضوضاء غير طبيعية

٣.٣ تحليل سجل الأعطال واتجاهاتها

يستطيع الذكاء الاصطناعي تحليل سجل الأعطال على مدار العام الماضي وتحديد المشكلات الأكثر تكرارًا. عند ربطه بواجهة بيانات منصة المراقبة عن بعد للرافعة العلوية، وعندما يبحث فني الصيانة عن عطل معين، يقوم الذكاء الاصطناعي تلقائيًا بإضافة ملاحظة: "هذه الرافعة العلوية شهدت ٤ أعطال مماثلة خلال الأشهر الثلاثة الماضية، يُنصح بإخطار الشركة المصنعة لإجراء فحص شامل".

٤. جدول اختيار المعايير التقنية الرئيسية

خامسًا: نقاط تنفيذ المشروع

1. جودة قاعدة المعرفة هي الأساس. النموذج الكبير هو مجرد محرك، أما ما ينجز العمل فعليًا فهو قاعدة المعرفة. قبل البدء، خصص أسبوعًا على الأقل لجمع جميع مستندات الرافعة العلوية: دليل التشغيل، المخطط الكهربائي، تعليقات برنامج PLC، وسجل الأعطال التاريخي. إذا لم تكن سجلات الصيانة السابقة متوفرة إلكترونيًا، فكلّف شخصًا بإدخال سجلات الصيانة الورقية بصيغة Markdown. جودة قاعدة المعرفة تحدد مباشرة دقة إجابات الذكاء الاصطناعي، وأي وقت تستثمره فيها لن يضيع هباءً.

2. قوالب التعليمات (Prompt) تحتاج إلى ضبط مستمر. لنفس السؤال، الفرق بين إجابة بدون تعليمات نظام وإجابة بتعليمات مصممة بعناية يعادل مستويين كاملين. الصيغة الموصى بها: يجب أن تتضمن تعليمات النظام لمساعد الذكاء الاصطناعي للرافعة العلوية تعريف الدور (مثل: "أنت مهندس صيانة رافعات علوية بخبرة 15 عامًا") + قواعد الإجابة (مثل: "اذكر السبب الأكثر احتمالاً أولاً، ثم أدرج خطوات الفحص مع تقدير الوقت لكل خطوة") + إخلاء المسؤولية (مثل: "هذه توصيات مساعدة من الذكاء الاصطناعي، يرجى اعتماد فنيين مرخصين لإجراء عمليات الصيانة النهائية").

3. النشر المحلي ليس مكلفًا كما تتصور. يعتقد الكثيرون أن النماذج الكبيرة تتطلب بطاقات A100، لكن في الواقع، نسخة Qwen2.5 7B بعد الضغط تعمل بسلاسة على RTX 3060، وحاسوب صناعي واحد يكفي لتشغيل 20 إلى 30 جهازًا طرفيًا متزامنًا. إذا كانت متطلبات السرية في المصنع منخفضة، يمكن النظر في الحلول السحابية — مثل Qwen عبر API من Alibaba Cloud أو DeepSeek API، مع الدفع حسب الاستهلاك. لكن في البيئات الصناعية، ما زلت أوصي بالنشر المحلي: البيانات لا تغادر الشبكة الداخلية، وزمن الاستجابة ثابت بين 1 إلى 3 ثوانٍ.

4. لا تتوقع أن يحل الذكاء الاصطناعي محل البشر. دور النموذج الكبير في صيانة الرافعات العلوية هو "أداة مساعدة" — لتقليل وقت البحث عن المعلومات، وتقديم أفكار للإصلاح، وتقليل الاعتماد على الخبرة الفردية. أما التنفيذ الفعلي واتخاذ القرار النهائي، فيبقى مسؤولية فني الصيانة. إذا أوضحت هذا الدور بوضوح للعاملين في المصنع، سيزداد تقبلهم للنظام.

5. ابدأ بسيناريوهات بسيطة، ولا تحاول تغطية كل شيء من البداية. في المرحلة الأولى، يُنصح بالتركيز على وظيفتين فقط: "الاستعلام عن رموز أعطال محول التردد" و"البحث الذكي في دليل الصيانة"، مع تخصيص أسبوع إلى أسبوعين لتشغيلهما وجمع الملاحظات وتحسين قاعدة المعرفة. للمزيد حول الإطار العام للصيانة التنبؤية للرافعات، يمكنك الرجوع إلى مقالنا السابق حول الصيانة التنبؤية للرافعات ونظام PHM. في المرحلة الثانية، قم بتوسيع النطاق ليشمل تشخيص أعطال جسر الرافعة والعربة. وفي المرحلة الثالثة، أضف تحليل البيانات التاريخية. من خلال إطلاق النظام على مراحل، مع تحقيق نتائج ملموسة في كل مرحلة، سيزداد إقبال المستخدمين على استخدامه.

الخلاصة

الذكاء الاصطناعي في صيانة الرافعات العلوية ليس مجرد رفاهية — عندما يلتقط فني الصيانة هاتفه المحمول لتصوير إنذار محول التردد في موقع العطل، ويعيد الذكاء الاصطناعي خلال 30 ثانية سبب العطل وخطوات المعالجة، فإن قيمة هذا النظام لا تحتاج إلى شرح. جربنا النظام في ورشتين لمدة ثلاثة أشهر، وانخفض متوسط وقت تحديد العطل من 40 دقيقة إلى 15 دقيقة، مع تحقيق استجابة فورية تقريبًا للأعطال الشائعة في محولات التردد.

المتطلبات التقنية للنظام بأكمله ليست عالية: حاسوب صناعي ببطاقة رسوميات، وبرنامج Ollama، وقاعدة بيانات متجهات، وقاعدة معرفية منظمة. الجزء الأكثر استهلاكًا للوقت ليس تثبيت البرامج، بل نقل خبرات الصيانة من رؤوس الفنيين المخضرمين إلى قاعدة المعرفة — وهذا بالضبط هو الجزء الأكثر قيمة.

الأسئلة الشائعة