مقارنة طرق التنبؤ بالعمر المتبقي للمكونات الحرجة في الرافعة العلوية
مقارنة طرق التنبؤ بالعمر المتبقي للمكونات الحرجة في الرافعة العلويةت الحرجة في الرافعة العلوية
باستخدام محمل دخل مخفض السرعة في الرافعة العلوية كهدف للتنبؤ، تمت مقارنة دقة التنبؤ بالعمر المتبقي لأربعة نماذج تسلسل زمني — ARIMA (MAPE=19.8%) وProphet (17.5%) وLSTM (14.3%) وGRU (15.1%) — على قاعدة بيانات الاهتزاز لمشروع KL-PM-2024 في كيلود للصناعات الثقيلة (60 رافعة علوية × 24 شهرًا، بإجمالي 1.45 مليون سجل اهتزاز). حقق LSTM أفضل دقة باستخدام طبقتين مخفيتين من 128 وحدة مع آلية الانتباه، بينما حقق GRU دقة مماثلة بزمن تدريب يعادل 73% فقط من زمن LSTM، مما يجعله الخيار الأمثل من حيث الجدوى الاقتصادية للنشر الهندسي. تقدم هذه المقالة منهجية هندسة الميزات الكاملة، وهياكل النماذج، وعملية التدريب والتقييم.
يعد التنبؤ بالعمر المتبقي (Remaining Useful Life, RUL) للمكونات الحرجة في الرافعة العلوية (محمل مخفض السرعة، محمل المحرك، محمل محور العجلة) الركيزة الأساسية في الصيانة التنبؤية. إذ تؤثر دقة التنبؤ بالعمر المتبقي بشكل مباشر على فعالية خطط الصيانة وتحسين مخزون قطع الغيار. تتناول هذه المقالة محمل دخل مخفض السرعة في الرافعة العلوية (محمل كريات عميق SKF 6308) كهدف للتنبؤ، وتقارن بشكل منهجي طرق التنفيذ الهندسي ودقة التنبؤ لأربعة نماذج رئيسية للتنبؤ بالتسلسل الزمني على قاعدة بيانات اهتزاز مشروع KL-PM-2024 (60 رافعة علوية × 24 شهرًا من الجمع الدوري، بتردد أخذ عينات 10kHz، واستخراج 17 بُعدًا من الميزات يوميًا، بإجمالي 1.45 مليون سجل). بيئة التجربة: Intel Xeon Gold 6348 + NVIDIA A10 (24GB) + PyTorch 2.1.0 / Prophet 1.1.5 / statsmodels 0.14.1. يمكن التقدم بطلب للحصول على الكود المصدري ومجموعة البيانات المصنفة.
بيانات التجربة وهندسة الميزات
تستند بيانات التجربة إلى تتبع تدهور محمل دخل مخفض السرعة (SKF 6308) في 60 رافعة علوية على مدى 24 شهرًا. تم تركيب مستشعر الاهتزاز في الاتجاه الرأسي لمبيت المحمل (PCB 352C33، بتردد أخذ عينات 10kHz، مع جمع بيانات 6.4 ثانية = 65,536 نقطة كل 24 ساعة). يبلغ إجمالي السجلات 1.45 مليون سجل، منها 80% كمجموعة التدريب (48 رافعة × 24 شهرًا) و20% كمجموعة الاختبار (12 رافعة × 24 شهرًا).
مسار استخراج الميزات: إزالة الضوضاء من الاهتزاز الخام باستخدام الموجات (db4، 3 طبقات) ← طيف FFT (نافذة Hanning، 4096 نقطة، تداخل 50%) ← الميزات الإحصائية (القيمة الفعالة Vrms، القيمة الذروية، القيمة من الذروة إلى الذروة، التفرطح، الانحراف، عامل النبض، عامل الهامش، عامل الذروة) ← ميزات مجال التردد (سعة BPFI/BPFO، ترددات جانبية لتردد تعشيق الترس) ← تطبيع متجه الميزات ذي الـ 17 بُعدًا (Min-Max، النطاق [0,1]) ← بناء النافذة المنزلقة (طول نافذة الإدخال 30 يومًا، نافذة التنبؤ 30 يومًا).
تقديم النماذج الأربعة وتنفيذها
ARIMA (نموذج المتوسط المتحرك الانحداري الذاتي، تنفيذ statsmodels 0.14.1): يتم تطبيق اختبار ADF على كل بُعد من الأبعاد الـ 17 لتحديد درجة الاختلاف d (معظم الميزات d=1)، وتحديد p وq عبر مخططات ACF/PACF (p=2~5, q=1~3)، واختيار المعاملات المثلى بمعيار AIC. ARIMA هو نموذج تسلسل زمني أحادي البعد بطبيعته، ولا يمكنه الاستفادة مباشرة من المعلومات المتبادلة بين المتغيرات المتعددة.
Prophet (مصدر مفتوح من Meta، تنفيذ 1.1.5): يحلل ميزات الاهتزاز كسلسلة زمنية إلى مكونات الاتجاه + الدورية + تأثير العطلات. تم ضبط changepoint_prior_scale=0.05 وseasonality_prior_scale=10 وseasonality_mode=”additive”. تتمثل ميزة Prophet في معالجته التلقائية للقيم المفقودة والقيم الشاذة، مع تحمّل عالٍ لضوضاء البيانات الصناعية.
LSTM (تنفيذ PyTorch 2.1.0): طبقتان LSTM + آلية انتباه، بُعد الطبقة المخفية 128، إدخال 17 بُعدًا × 30 خطوة زمنية، ومخرجات منحنى التدهور لـ 30 يومًا قادمًا. معاملات التدريب: محسن Adam، lr=0.001، Batch=64، Epoch=100، EarlyStopping patience=10، Dropout=0.3. دالة الخسارة: خسارة هجينة MSE+MAE (وزن 0.7:0.3).
GRU (نفس تنفيذ PyTorch): طبقتان GRU + آلية انتباه، البنية مطابقة لـ LSTM مع استبدال نوع الوحدة فقط. بنية بوابات معاملات GRU أبسط (بوابة تحديث + بوابة إعادة تعيين مقابل بوابات LSTM الثلاث: نسيان وإدخال وإخراج)، ويبلغ إجمالي المعاملات حوالي 75% من LSTM. سرعة التدريب أسرع بنحو 27% من LSTM.
مقارنة الدقة وتقييم الأداء
| النموذج | MAPE(30يوم) | RMSE(يوم) | زمن التدريب | زمن الاستدلال | متعدد المتغيرات | متطلبات البيانات |
|---|---|---|---|---|---|---|
| ARIMA | 19.8% | 7.2يوم | ＜1دقيقة | ＜1ms | لا(النمذجة أحادية البعد) | ≥200قطعة |
| Prophet | 17.5% | 6.4يوم | ~2دقيقة | ＜5ms | لا(النمذجة أحادية البعد) | ≥100قطعة |
| GRU | 15.1% | 5.5يوم | ~22دقيقة | ＜3ms | نعم | ≥5,000قطعة |
| LSTM | 14.3% | 5.2يوم | ~30دقيقة | ＜3ms | نعم | ≥5,000قطعة |
خلاصة التقييم: حقّق نموذج LSTM أفضل أداءً وفق مؤشر MAPE (14.3%)، يليه GRU بنسبة 15.1%، لكن زمن تدريب GRU لا يتجاوز 73% من زمن LSTM (22 دقيقة مقابل 30 دقيقة). وجاء Prophet في المرتبة الثالثة بنسبة 17.5%، لكنه لا يتطلب وحدة معالجة رسومية ويتمتع بأفضل قدرة على تحمّل الأخطاء (يتعامل تلقائيًا مع القيم المفقودة والقيم الشاذة)، مما يجعله مناسبًا للنشر السريع في البيئات الصناعية. أما ARIMA فجاء في المرتبة الأخيرة بنسبة 19.8%، ويدعم فقط النمذجة أحادية المتغير (عمليًا يتطلب تشغيل 17 نموذجًا مستقلًا ثم دمجها)، ولا يُنصح به للسيناريوهات متعددة المستشعرات.
توصيات النشر الهندسي للنماذج التنبؤية
بناءً على المقارنة أعلاه، نوصي بالتالي: ① إذا كان حجم البيانات أقل من 1,000 سجل والموارد الحاسوبية محدودة، اختر Prophet (MAPE≈17.5%، بدون GPU، تحمّل جيد للأخطاء)؛ ② إذا كان حجم البيانات 5,000 سجل أو أكثر وكانت دقة التنبؤ هي الأولوية، اختر LSTM (MAPE=14.3% الأفضل، يتطلب تدريبًا على GPU)؛ ③ إذا كان حجم البيانات 5,000 سجل أو أكثر لكن موارد أجهزة الاستدلال محدودة (حوسبة الحافة/Jetson)، اختر GRU (MAPE=15.1%، حجم النموذج 75% فقط من حجم LSTM، واستدلال أسرع)؛ ④ استخدم ARIMA كمرجع أساسي فقط، ولا يُنصح باستخدامه بشكل مستقل في بيئة الإنتاج.
الاستراتيجية الهجينة الموصى بها: في مشاريع الصيانة التنبؤية التي نفذتها كيلود للصناعات الثقيلة، نعتمد نموذجًا مزدوجًا يجمع بين Prophet للكشف السريع عن الشذوذ (تشغيل مباشر عبر الإنترنت) وLSTM للتنبؤ الدقيق بالعمر الإنتاجي المتبقي RUL (حساب مجمّع دون اتصال). يحقق Prophet خلال 30 يومًا MAPE≈17.5%، وعندما يتوقع أن العمر الإنتاجي المتبقي ≤ 45 يومًا، يتم تشغيل LSTM لإجراء الحساب الدقيق، ليصل MAPE بعد الحساب الدقيق إلى ≈14.3%، مما يحقق توازنًا مثاليًا بين التكلفة الحاسوبية ودقة التنبؤ.
التحقق من النتائج في تطبيق ميداني حقيقي
في مشروع الصيانة التنبؤية لست رافعات علوية بسعة 32 طنًا في ورشة الدرفلة الساخنة بإحدى شركات الصلب (رقم المشروع KL-PM-2024-017)، تم نشر الحل المزدوج Prophet + LSTM. وبعد 14 شهرًا من التشغيل الفعلي: حقق Prophet إنذارًا مبكرًا لاتجاه تدهور محمل مخفض السرعة (RUL > 60 يومًا) بدقة MAPE=18.2%، بينما حقق LSTM للتنبؤ قصير المدى (RUL ≤ 30 يومًا) دقة MAPE=13.8%. وقد أصدر النظام 12 إنذارًا مبكرًا لأحداث تدهور المحامل، تطابق 11 منها مع الوضع الفعلي (دقة 91.7%)، بمتوسط مهلة إنذار مبكر بلغ 23 يومًا. وبالمقارنة مع استراتيجية الاستبدال الدوري التقليدية (استبدال ثابت كل 18 شهرًا)، أدت الصيانة التنبؤية إلى تقليل عمليات الاستبدال غير الضرورية بنحو 35%، ورفع معدل دوران مخزون قطع الغيار بنسبة 40%.
الأسئلة الشائعة حول نماذج التنبؤ
س: لماذا زمن تدريب GRU أقصر من LSTM مع أن الدقة متقاربة؟
ج: يعمل GRU على تبسيط بوابات LSTM الثلاث (بوابة النسيان/بوابة الإدخال/بوابة الإخراج) إلى بوابتين (بوابة التحديث/بوابة إعادة التعيين)، مما يقلل عدد المعاملات بنحو 25%. في المهام الزمنية متوسطة التعقيد مثل بيانات تدهور الاهتزاز في الرافعات العلوية، يكفي هيكل البوابات المبسّط في GRU لالتقاط اتجاه التدهور دون خسارة ملحوظة في القدرة التعبيرية. ومع ذلك، لا تزال المعاملات الإضافية في LSTM تمنحه ميزة في التعامل مع ظروف التشغيل المفاجئة (مثل القفزات الاهتزازية الناتجة عن تغيّر الحمولة فجأة).
س: هل يمكن تحسين دقة تنبؤ Prophet بشكل أكبر؟
ج: نعم. يحقق Prophet MAPE=17.5% بالمعاملات الافتراضية، ويمكن خفض MAPE إلى نحو 16.0% عبر التحسينات التالية: ① تحديد مواضع نقاط تغيّر الاتجاه يدويًا (استنادًا إلى سجلات الصيانة والتوقف)؛ ② رفع seasonality_prior_scale من 10 إلى 20 لزيادة مرونة المكوّن الدوري؛ ③ إضافة عوامل انحدار إضافية (مثل متوسط معدل الحمولة اليومي ودرجة الحرارة المحيطة). تتطلب هذه التحسينات الاستناد إلى بيانات تشغيل المعدات الفعلية.
س: كيف يتم نشر نماذج LSTM/GRU على أجهزة الحافة؟
ج: يتم تصدير النموذج المدرب في PyTorch إلى صيغة TorchScript (أو ONNX)، ثم تحسينه باستخدام TensorRT ونشره على سلسلة NVIDIA Jetson. على سبيل المثال مع Jetson Orin NX (16GB): بعد تكميم النموذج إلى INT8 يصبح حجمه نحو 3.2MB (بينما كان FP32 الأصلي نحو 28MB)، وزمن الاستدلال نحو 0.5ms/عينة، واستهلاك الطاقة نحو 10W. للنشر على معالجات ARM Cortex-A، يُنصح بتكميم النموذج إلى صيغة TFLite INT8، حيث يبلغ زمن الاستدلال نحو 15ms/عينة.
س: كيف نختار النموذج عندما يكون حجم البيانات أقل من 5,000 سجل؟
ج: عندما يكون حجم البيانات غير كافٍ، يمكن اللجوء إلى التعلّم بالنقل: استخدام نموذج LSTM المُدرَّب مسبقًا من كيلود للصناعات الثقيلة (مدرَّب على بيانات 60 رافعة علوية) كنقطة انطلاق، ثم ضبطه بدقة (Fine-tune) باستخدام كمية صغيرة من بيانات المعدات المستهدفة (500~1,000 سجل)، مع تدريب آخر طبقتين متصلتين بالكامل فقط. بعد الضبط الدقيق، يصل MAPE إلى ~16.5%، وهو أفضل بكثير من تدريب LSTM من الصفر (حيث يتجاوز MAPE 25% عند نقص البيانات). أما Prophet فيمكنه إنتاج نتائج قابلة للاستخدام عندما يكون حجم البيانات ≥ 100 سجل (MAPE≈19%)، مما يجعله الخيار الأول لسيناريوهات العينات الصغيرة.
المعايير ذات الصلة
• معيار EN 17505:2021 — طرق فحص الحبل السلكي للرافعات
• معيار ISO 4301 / FEM 1.001 — شرح الأحكام الأساسية لمواصفة تصميم الرافعات: الحمولة/الهيكل/الآليات/النظام الكهربائي/السلامة
معدات الرفع الثقيلة والرافعات الصناعية
في قطاع الصناعة والإنشاءات بدول الخليج العربي، تُعد معدات الرفع الثقيلة العمود الفقري للعمليات اللوجستية والإنتاجية. تقدم شركة كيلود حلولاً متكاملة للرافعات العلوية والجسرية، مصممة لتحمل أقصى ظروف التشغيل في البيئات الصحراوية والحرارة المرتفعة، مع الالتزام بأعلى معايير السلامة والكفاءة التشغيلية.
