تشخيص أعطال محرك الرافعة العلوية بالذكاء الاصطناعي عبر 1D-CNN

تتسبب محركات الرافعات العلوية في أكثر من 30% من أعطال المعدات بالكامل — اهتراء المحمل، كسر قضبان الدوار، وقصر الدائرة في العضو الثابت، أي خلل في هذه المكونات يؤثر مباشرة على الإنتاج. معظم المصانع تتبع استراتيجية "الإصلاح عند التعطل" في صيانة المحركات، فلا يتوقف الإنتاج إلا بعد تصاعد الدخان أو فصل الحماية، وخسارة التوقف غير المخطط له تتراوح بين آلاف وعشرات الآلاف في المرة الواحدة.

التشخيص الذكي للأعطال ليس بالأمر الجديد، لكنه كان يعتمد سابقًا على الأنظمة الخبيرة (قواعد + عتبات) التي تعاني من ارتفاع معدل الإنذار الكاذب وضعف القدرة على التكيف. في العامين الأخيرين، أظهرت الشبكات العصبية الالتفافية أحادية البعد (1D-CNN) نتائج ممتازة في تحليل إشارات الاهتزاز — حيث يتم تثبيت مستشعر الاهتزاز على مبيت محمل المحرك، وتُغذى الإشارات المجمعة مباشرة إلى النموذج دون الحاجة إلى استخراج يدوي للخصائص، إذ يتعلم النموذج أنماط الأعطال بنفسه. يحتاج كل محرك إلى 2-3 مستشعرات، ويعمل الحاسوب الصناعي على تشغيل الاستدلال، ويمكن للنظام الواحد إدارة 10-20 محركًا.

تتناول هذه المقالة الحل المتكامل بدءًا من اختيار المستشعر وحتى نشر النموذج. يتراوح الاستثمار في العتاد بين 20,000 و60,000 درهم إماراتي (شامل المستشعرات + بطاقة جمع البيانات + الحاسوب الصناعي)، ويمكن توفير خسائر التوقف غير المخطط له لمحرك واحد خلال عام واحد لاسترداد التكلفة.

البنية المعمارية لنظام التشخيص الذكي

ينقسم نظام التشخيص الذكي للمحركات إلى أربع طبقات:

اختيار المستشعرات وتركيبها

مستشعر الاهتزاز: يُنصح باستخدام مقياس تسارع كهرضغطي من نوع IEPE، بحساسية 100mV/g، ونطاق قياس ±50g، واستجابة ترددية من 0.5 إلى 10kHz. أماكن التركيب: مبيت المحمل على طرف القيادة (طرف القيادة) (واحد في الاتجاه الشعاعي وآخر في الاتجاه المحوري)، ومبيت المحمل على الطرف غير المُدار (طرف غير القيادة) (واحد في الاتجاه الشعاعي). يتم التثبيت إما بواسطة مسمار من نوع M6 أو بقاعدة مغناطيسية — فالقاعدة المغناطيسية سهلة الاستخدام لكنها تحد من التردد الأقصى (حوالي 2kHz)، بينما يسمح التثبيت بالمسمار بالوصول إلى 10kHz. يُنصح بالتثبيت بالمسمار، فرغم أنه يستغرق 10 دقائق إضافية، إلا أن جودة الإشارة في نطاق الترددات العالية تكون أعلى بدرجة ملحوظة.

مستشعر التيار: محول تيار من النوع المشبك، بدقة 0.5، ويُختار نطاق قياسه بما يعادل 1.5 ضعف التيار المقنن للمحرك. يُركب على كابل الطاقة ثلاثي الأطوار، ويُستخدم للكشف عن التغيرات التوافقية في التيار الناتجة عن كسر قضبان الدوار.

المعاملات الأساسية للمستشعرات:

تصميم وتدريب نموذج 1D-CNN

تتمثل الميزة الأساسية لنموذج 1D-CNN في قدرته على معالجة إشارات الاهتزاز الزمنية الخام مباشرة (1024 نقطة/إطار)، دون الحاجة إلى استخراج ميزات يدوي مثل تحويل فورييه السريع (FFT) أو تحويل المويجات. يوضح الشكل التالي بنية الشبكة:

import torch.nn as nn class MotorCNN1D(nn.Module): def __init__(self, num_classes=4): super().__init__() self.conv1 = nn.Sequential( nn.Conv1d(1, 16, kernel_size=64, stride=8), nn.ReLU(), nn.MaxPool1d(2)) self.conv2 = nn.Sequential( nn.Conv1d(16, 32, kernel_size=32, stride=4), nn.ReLU(), nn.MaxPool1d(2)) self.conv3 = nn.Sequential( nn.Conv1d(32, 64, kernel_size=16, stride=2), nn.ReLU(), nn.AdaptiveAvgPool1d(1)) self.fc = nn.Linear(64, num_classes) def forward(self, x): x = self.conv1(x) x = self.conv2(x) x = self.conv3(x).squeeze() return self.fc(x)

تكوين مجموعة بيانات التدريب: ظروف التشغيل العادية بالإضافة إلى ثلاثة أنواع من الأعطال (اهتراء المحمل، كسر قضبان الدوار، وقصر الدائرة في العضو الثابت)، بواقع 2000 عينة لكل نوع (1024 نقطة/إطار)، مع تقسيم البيانات بنسبة 7:2:1 إلى مجموعات التدريب والتحقق والاختبار. فرط المعاملات للتدريب: batch=64، lr=0.001، epochs=100، والمحسن Adam. يستغرق التدريب حوالي 15 دقيقة على بطاقة RTX3060، ويحقق دقة 96.8% على مجموعة الاختبار.

# كود الاستدلال model.eval() with torch.no_grad(): output = model(sensor_data.unsqueeze(0).unsqueeze(0)) pred = torch.argmax(output, dim=1).item() confidence = torch.softmax(output, dim=1)[0][pred].item() classes = {0: "طبيعي", 1: "تآكل المحامل", 2: "كسر قضبان الدوار", 3: "قصر في ملفات العضو الثابت"} print(f"تشخيص: {classes[pred]} (درجة الثقة: {confidence:.1%})")

أنماط الأعطال وخصائصها المميزة

خامسًا: نقاط أساسية في التنفيذ الهندسي

1. معدل أخذ العينات ليس كلما زاد كان أفضل. المعلومات الفعالة لإشارة اهتزاز المحرك تتركز تحت 10kHz، ومعدل أخذ عينات يبلغ 25.6kHz كافٍ تمامًا (يحقق 2.56 ضعف معيار نيكويست). رفع المعدل يؤدي إلى تضخم حجم البيانات دون أي تحسن في دقة النموذج، بل على العكس قد تنخفض الدقة بسبب تسلل الضوضاء عالية التردد.

2. موقع التركيب يحدد جودة البيانات. الفرق في سعة الإشارة بين تركيب المستشعر أعلى مبيت المحمل مباشرة وتركيبه على الجانب الخارجي لهيكل المحرك يمكن أن يصل إلى 3 إلى 5 أضعاف. بعد تثبيت موقع التركيب، يجب عدم تحريكه بشكل عشوائي، وإلا فسيؤدي انحراف خط الأساس إلى إنذارات خاطئة.

3. تقلبات سرعة الدوران تتطلب تطبيعًا. محرك الرافعة العلوية يعمل بتحكم بالسرعة عبر التردد، حيث تتراوح سرعة الدوران من 100 دورة/دقيقة إلى 1500 دورة/دقيقة. نفس العطل عند سرعات دوران مختلفة يُظهر ترددات اهتزاز مختلفة. الحل: إجراء تحليل ترتيب الطلبات (Order Tracking) لكل عينة، لتحويل الطيف من التردد المطلق إلى مجال الترتيب.

4. لا تعتمد على الاهتزاز فقط. التشخيص المشترك للاهتزاز والتيار يحقق دقة أعلى بنحو 5 نقاط مئوية مقارنة بالاعتماد على الاهتزاز وحده. على سبيل المثال، كسر قضبان الدوار تكون خصائصه في إشارة التيار أوضح منها في إشارة الاهتزاز. يُنصح بتزويد كل محرك بمستشعر تيار واحد على الأقل.

5. أعد إرسال البيانات دوريًا لتحديث النموذج. يُنصح شهريًا بإضافة العينات السليمة المُجمّعة حديثًا إلى مجموعة التدريب لإجراء تدريب تزايدي، مما يسمح للنموذج بالتكيف المستمر مع اتجاه تقادم المعدات.

الأسئلة الشائعة

الخلاصة

يُعد العائد على الاستثمار في تشخيص أعطال المحركات بالذكاء الاصطناعي، بالتكامل مع مساعد الصيانة التشغيلية بنماذج الذكاء الاصطناعي الكبيرة، الأعلى بين جميع مشاريع التحديث الذكي للرافعات العلوية. تبلغ تكلفة المستشعر وجهاز جمع البيانات للمحرك الواحد أقل من 3000 يوان صيني (حوالي 1,600 درهم إماراتي)، لكنه قادر على التنبؤ بالأعطال قبل وقوعها بمدة تتراوح بين شهر وثلاثة أشهر. طبقنا هذا النظام على 12 رافعة علوية في ورشة واحدة لمدة 8 أشهر، وتمكنّا من التنبؤ المبكر بأعطال المحامل في 4 محركات، دون أي إنذار خاطئ أو حالة تفويت.

قراءة موسعة: تقنيات تشخيص أعطال مخفض تروس الرافعة العلوية — المحرك ومخفض السرعة وجهان لعملة واحدة في نظام نقل الحركة للرافعة العلوية؛ حيث يغطي تشخيص أعطال المحرك بالذكاء الاصطناعي أعطال المحامل والدوار والعضو الثابت في طرف الدفع، بينما يغطي تشخيص أعطال مخفض السرعة طرف تعشيق التروس. يتشارك الاثنان في نفس منصة الحاسوب الصناعي وهندسة جمع بيانات المستشعرات، ويُنصح بتشغيلهما معًا.