كشف الشذوذ غير الخاضع للإشراف في الرافعات العلوية
الحل التقني لكشف الشذوذ غير الخاضع للإشراف للرافعة العلوية
تمت مقارنة ثلاث طرق لكشف الشذوذ غير الخاضع للإشراف على قاعدة بيانات الاهتزازات KL-PM-2024 (60 رافعة علوية × 1.45 مليون سجل، نسبة طبيعي:شاذ = 95:5): الغابة المعزولة (F1=0.87، بدون تدريب، زمن استجابة أقل من 1 مللي ثانية)، الترميز الذاتي AE (F1=0.92، كشف خطأ إعادة البناء، يتطلب تدريبًا غير متصل)، و One-Class SVM (F1=0.83، نواة RBF، ميزة العينات الصغيرة). الحل الموصى به للنشر: بنية كشف من مستويين تتكون من الغابة المعزولة على الحافة للفحص الفوري عبر الإنترنت والترميز الذاتي على السحابة للفحص الدقيق غير المتصل. تقدم هذه المقالة هندسة الميزات الكاملة، وطريقة تحديد العتبة، وعملية الكشف ذات المستويين، وخطة نشر Jetson على الحافة.
يعد كشف الشذوذ في المكونات الحرجة للرافعة العلوية خط الدفاع الأول للصيانة التنبؤية — لاكتشاف الاتجاهات غير الطبيعية للتدهور في أقرب وقت ممكن قبل أن يتفاقم العطل إلى حد لا رجعة فيه. على عكس التعلم الخاضع للإشراف الذي يتطلب كميات كبيرة من بيانات الأعطال المصنفة، فإن كشف الشذوذ غير الخاضع للإشراف يدرب النموذج باستخدام بيانات التشغيل العادية فقط (تمثل العينات العادية أكثر من 95%)، ويحدد الشذوذ من خلال درجة انحرافه عن النمط الطبيعي. تستخدم هذه المقالة بيانات اهتزاز محمل دخل مخفض تروس الرافعة العلوية (17 ميزة، عينات طبيعية 95% / عينات شاذة 5%) كموضوع، وتقارن التنفيذ الهندسي والدقة لثلاث طرق كلاسيكية لكشف الشذوذ غير الخاضع للإشراف، وتقدم خطة نشر على الحافة. مصدر البيانات التجريبية: قاعدة بيانات الاهتزازات لمشروع KL-PM-2024 (وفقًا لمواصفة استخراج الميزات في GB/T 19873.1-2005 "مراقبة حالة الآلات وتشخيصها - معالجة وتحليل بيانات الاهتزاز").
إعداد البيانات ومعايير التقييم
البيانات التجريبية: بيانات ميزات الاهتزاز لمدة 24 شهرًا لمحمل دخل مخفض تروس الرافعة العلوية (SKF 6308) لـ 60 رافعة علوية، 17 ميزة (9 في المجال الزمني + 8 في مجال التردد)، نافذة منزلقة 30 يومًا. تسمية العينات الطبيعية: المحمل في مرحلة الاهتراء الطبيعية (الاهتزاز Vrms أقل من 2.8 مم/ثانية، وفقًا لحدود المنطقة A/B في ISO 10816-3). تسمية العينات الشاذة: المحمل في مرحلة التدهور الشديد (الاهتزاز Vrms أكبر من أو يساوي 4.5 مم/ثانية، المنطقة C في ISO 10816-3). توزيع البيانات: 469,834 عينة طبيعية (95.4%)، 22,614 عينة شاذة (4.6%). مؤشرات التقييم: درجة F1 (المتوسط التوافقي للدقة والاستدعاء، مع التركيز على فئة الشذوذ)، الدقة (دقة الإنذار)، الاستدعاء (نسبة الفوات).
التنفيذ الهندسي للطرق الثلاث
الغابة المعزولة (تنفيذ scikit-learn 1.3.2): تم تعيين n_estimators=100 (عدد الأشجار)، max_samples=256 (عدد العينات لكل شجرة)، contamination=0.05 (نسبة الشذوذ المسبقة، مطابقة توزيع مجموعة التدريب). تتمثل ميزة الغابة المعزولة في أنها لا تتطلب تدريبًا (تحدد الشذوذ مباشرة بناءً على عمق الشجرة المقطوعة عشوائيًا)، مع تعقيد حسابي O(n·log(n))، ومناسبة لمعالجة بيانات التدفق عبر الإنترنت. زمن استجابة الاستدلال أقل من 1 مللي ثانية (ميزة واحدة 17-بعد).
الترميز الذاتي (تنفيذ PyTorch 2.1.0): الهيكل عبارة عن شبكة اتصال كامل 17-128-12-17، مع ReLU للطبقات المخفية و Linear لطبقة الإخراج. التدريب: 250 عصر، معدل تعلم 0.001 لـ 150 عصرًا أولاً + معدل تعلم 0.0001 لـ 100 عصرًا لاحقًا (استراتيجية تخفيف معدل التعلم)، Batch=128، دالة خسارة MSE. تحديد الشذوذ: حساب خطأ إعادة البناء MSE بين المدخلات والمخرجات، مع تعيين العتبة عند المئين 99.5 لأخطاء إعادة البناء في مجموعة التدريب. يمكن للترميز الذاتي التقاط الأنماط المعقدة غير الخطية، وهو الأكثر دقة ولكنه يتطلب تدريبًا غير متصل ودعم GPU.
One-Class SVM (تنفيذ scikit-learn): دالة النواة RBF (γ=0.1)، nu=0.05 (تقدير نسبة الشذوذ في مجموعة التدريب)، tol=0.001. تُظهر OCSVM أداءً جيدًا في السيناريوهات ذات العينات الصغيرة (يمكن الحصول على نتائج مستقرة ببضع مئات من العينات فقط)، لكن مع زيادة حجم العينات (أكثر من 100,000 عينة) ينمو زمن التدريب بمعدل O(n²)، مما يجعلها غير مناسبة للتدريب عبر الإنترنت على مجموعات البيانات الكبيرة. في هذه التجربة، تم التبكير إلى أخذ عينات عشوائية من 50,000 عينة للتدريب.
مقارنة دقة الأداء
| الطريقة | F1النتيجة | Precision | Recall | وقت التدريب | زمن الاستدلال | نطاق التطبيق |
|---|---|---|---|---|---|---|
| الغابة المعزولة | 0.87 | 0.91 | 0.83 | بدون تدريب | ＜1ms | اختيارينطاق التطبيق |
| منمشفرAE | 0.92 | 0.94 | 0.90 | ~8min(GPU) | ＜3ms | ≥1عشرة آلاف سجل |
| One-Class SVM | 0.83 | 0.88 | 0.79 | ~15min(5عشرة آلاف سجل) | ＜5ms | ≤5عشرة آلاف سجل |
تصدّر المشفّر الذاتي قائمة الدقة بمؤشر F1=0.92 (Recall=0.90، أي أن 90% من حالات التدهور غير الطبيعية يمكن اكتشافها)، لكنه يتطلب تدريبًا دون اتصال ودعمًا بوحدات معالجة رسومية (GPU). حلّت الغابة المعزولة (Isolation Forest) في المرتبة الثانية بمؤشر F1=0.87، دون الحاجة إلى تدريب، مع زمن استدلال أقل من 1 مللي ثانية، مما يجعلها مناسبة للنشر عبر الإنترنت. سجّل One-Class SVM أدنى مؤشر F1=0.83، كما أن زمن تدريبه ينمو بشكل O(n²) مع زيادة حجم البيانات، مما يجعله غير مناسب للنشر واسع النطاق.
بنية الكشف الهرمي ذات المستويين
البنية الموصى بها: مستوى أول للفحص الفوري عبر الغابة المعزولة على الحافة (Edge) + مستوى ثانٍ للتدقيق الدقيق عبر المشفّر الذاتي في السحابة. المستوى الأول (على الحافة، Jetson Orin NX): نموذج الغابة المعزولة (بدون تدريب، حجم النموذج 2.3MB فقط)، يستقبل متجه الميزات اليومي ذا الأبعاد الـ17 المُحمَّل من البوابة الطرفية للرافعة العلوية، ويحدد ما إذا كانت الحالة الحالية غير طبيعية. زمن الاستدلال أقل من 1 مللي ثانية لكل سجل، وبمعدل مرة واحدة يوميًا لـ60 رافعة علوية يبلغ إجمالي الزمن حوالي 60 مللي ثانية. عندما يقرر نموذج الغابة المعزولة وجود حالة غير طبيعية، يتم تجميع تسلسل الميزات لآخر 30 يومًا ورفعه إلى السحابة.
المستوى الثاني (في السحابة، خادم GPU): يستقبل المشفّر الذاتي التسلسلات المشتبه فيها المُرفعة من المستوى الأول، ويحسب خطأ إعادة البناء لكل يوم ويرسم منحنى اتجاه الخطأ. وبالاستعانة بمخطط تحكم EWMA (المتوسط المتحرك المرجح أسيًا) يتم تحديد عتبة ديناميكية (معامل التنعيم λ=0.2، حد التحكم 3σ)، وعندما يتجاوز خطأ إعادة البناء الحد الأعلى للتحكم لثلاثة أيام متتالية يُعتبر الوضع غير طبيعي. بعد التدقيق الدقيق، تنخفض نسبة الإنذارات الكاذبة من 17% في المستوى الأول (نسبة 1-Precision=0.09 للغابة المعزولة مع Recall=0.83 تسبب بعض الإنذارات الكاذبة) إلى 6% في المستوى الثاني.
التحقق من النشر الفعلي
في مشروع الصيانة التنبؤية لست رافعات علوية جسرية بسعة 32 طنًا في إحدى شركات الصلب (رقم المشروع KL-PM-2024-017)، تم نشر بنية الكشف الهرمي المذكورة أعلاه. بيانات التشغيل على مدى 14 شهرًا: أطلق الكشف الفوري عبر الغابة المعزولة 408 إنذارًا (منها 89 حالة غير طبيعية حقيقية و319 إنذارًا كاذبًا، بمعدل إنذارات كاذبة لكل رافعة حوالي 3.8 مرة/شهر). من بين 319 إنذارًا كاذبًا، أكد التدقيق الدقيق عبر المشفّر الذاتي أن 287 منها إنذارات كاذبة وصحح 32 منها إلى حالات غير طبيعية حقيقية. بلغ إجمالي الإنذارات الفعالة النهائية 121 إنذارًا (منها 106 حالات غير طبيعية حقيقية تم التنبؤ بها بنجاح، بدقة 87.6%)، بمتوسط مهلة تحذير مبكر بلغ 18 يومًا. وبالمقارنة مع طريقة العتبة الثابتة القائمة على القواعد (Vrms≥4.5mm/s)، رفعت البنية الهرمية مهلة التحذير من 0 يوم إلى 18 يومًا.
الأسئلة الشائعة
س: لماذا يُستخدم مؤشر F1 كمقياس رئيسي في كشف الشذوذ غير الخاضع للإشراف بدلاً من الدقة المباشرة؟
ج: لأن بيانات كشف الشذوذ غير متوازنة بشكل حاد (طبيعي: غير طبيعي = 95:5). إذا صنّف النموذج جميع الحالات على أنها "طبيعية"، فستبلغ الدقة 95%، لكن هذا النموذج لا قيمة له. يأخذ مؤشر F1 في الاعتبار كلاً من الدقة (دقة الإنذار) والاستدعاء (معدل اكتشاف الشذوذ)، وهو المعيار القياسي لتقييم مشكلات التصنيف غير المتوازنة (وفقًا لمعيار ISO 4301 / FEM 1.001).
س: كيف يتم ضبط معامل contamination في الغابة المعزولة ومعامل nu في One-Class SVM؟
ج: يعبّر كل من contamination وnu عن تقدير نسبة الحالات غير الطبيعية في مجموعة البيانات. أفضل ممارسة هي التقدير أولاً بناءً على المعرفة المجالية (مثل معدل الأعطال التاريخي لمحامل الرافعة العلوية حوالي 3%~5%)، ثم إجراء بحث شبكي للضبط الدقيق ضمن نطاق صغير (0.02~0.08). في هذه التجربة، كانت قيمة contamination=0.05 قريبة من النسبة الفعلية للحالات غير الطبيعية في مجموعة التدريب (4.6%). إذا كان التقدير منحرفًا بشكل كبير (مثل ضبطه على 0.01)، فسيؤدي ذلك إلى تفويت عدد كبير من الحالات غير الطبيعية الحقيقية.
س: ما مقدار التكلفة الإضافية التي تضيفها بنية الكشف الهرمي ذات المستويين؟
ج: على الحافة (Jetson Orin NX): تبلغ تكلفة الجهاز الواحد حوالي 3,500 يوان صيني (شاملة الهيكل المبدد للحرارة)، أي استثمار لمرة واحدة لحوالي 60 رافعة علوية يبلغ حوالي 210,000 يوان صيني (ما يعادل حوالي 114,000 درهم إماراتي). خادم GPU في السحابة: يمكن استخدام موارد GPU الخاصة بنظام الصيانة التنبؤية الحالي (NVIDIA A10) دون أي تكلفة إضافية. التكلفة الرئيسية للبنية الهرمية مقارنة بخطة المشفّر الذاتي أحادية المستوى هي أجهزة Jetson الطرفية، لكن في المقابل ينخفض حجم البيانات المنقولة عبر الشبكة بحوالي 95% (يتم رفع البيانات غير الطبيعية فقط)، مما يجعلها مناسبة للمواقع الصناعية ذات النطاق الترددي المحدود.
س: كيف يتم ضبط عتبة المشفّر الذاتي وتحديثها؟
ج: ضبط العتبة الأولية: يتم أخذ النسبة المئوية 99.5 من خطأ إعادة البناء (MSE) في مجموعة التدريب (البيانات الطبيعية) كعتبة أولية. التحديث التكيفي للعتبة أثناء التشغيل: كل 30 يومًا، يُعاد حساب النسبة المئوية 99.5 باستخدام بيانات آخر 3 أشهر الطبيعية، وتُضبط العتبة تلقائيًا مع انحراف خط الأساس الناتج عن الاهتراء الطبيعي للمعدات. إذا خضعت المعدات لإصلاح شامل (مثل استبدال المحامل)، يجب إعادة جمع بيانات طبيعية لمدة 30 يومًا بعد الإصلاح لاستخدامها كخط أساس جديد.
المعايير ذات الصلة الموصى بها
رافعة علوية كهربائية أحادية العارضة من سلسلة Kelude
تم تصميم الرافعة العلوية الكهربائية أحادية العارضة من سلسلة Kelude لتوفير حلول رفع فعّالة وموثوقة لمجموعة واسعة من التطبيقات الصناعية. تجمع هذه الرافعة بين التصميم المضغوط والأداء العالي، مما يجعلها الخيار الأمثل للعمليات التي تتطلب دقة ومتانة في بيئات العمل المختلفة، من ورش الصيانة إلى خطوط الإنتاج.
