تشخيص أعطال مستشعرات الرافعة العلوية: GNN مقابل الطرق التقليدية

ترتبط دقة تشخيص أعطال الرافعة العلوية ارتباطاً مباشراً بسلامة المعدات والأفراد. لا تزال المنهجيات السائدة حالياً محصورة في نموذج استخراج الميزات من المستشعرات المستقلة مع مصنف تقليدي——حيث يتم استخراج الخصائص الإحصائية (RMS/القيمة القصوى/الانحراف المعياري/الالتواء) من كل مستشعر اهتزاز ودرجة حرارة والتيار على حدة، ثم تُدمج في متجه عالي الأبعاد يُمرر إلى SVM أو MLP. لكن هذا الأسلوب يعاني من مشكلة جوهرية: إهمال العلاقات البنيوية بين المستشعرات. على سبيل المثال، في آلية الرفع، توجد سلسلة سببية فيزيائية بين اهتزاز مخفض السرعة غير الطبيعي (مستشعر V3) وتقلب تيار المحرك (مستشعر C2) —— اهتراء الترس ← صدمة التشابك ← تقلب عزم دوران المحرك ← تقلب التيار. هذه المعلومات الارتباطية تضيع تماماً في المتجهات المستقلة.

تعالج الشبكات العصبية الرسومية (GNN) هذه المشكلة عبر نمذجة نظام الاستشعار كبنية رسم بياني (العقد = المستشعرات، الحواف = العلاقات الفيزيائية/الوظيفية)، حيث يتم تجميع معلومات العقد المجاورة تلقائياً أثناء عملية تمرير الرسائل، مما يلتقط الارتباطات البنيوية بين المستشعرات. تعتمد هذه الدراسة على منصة تجارب تشخيص أعطال الرافعات العلوية من كيلود للصناعات الثقيلة (12 نوع مستشعر × 28 رافعة علوية × 3 سنوات بيانات تشغيل)، وتقارن أداء GNN مع الأساليب التقليدية من حيث دقة التصنيف، وقابلية التفسير، وكفاءة النشر.

بناء الرسم البياني متعدد المستشعرات للرافعة العلوية: تعريف العقد، قواعد الحواف، ومصفوفة الجوار

تعريف العقد: تنشر منصة تشخيص أعطال كيلود للصناعات الثقيلة 4 أنواع من المستشعرات في كل مكون رئيسي، بإجمالي 12 عقدة: مستشعرات الاهتزاز V1~V4 (موزعة على مبيت محمل طرف محرك الرفع، ومبيت محمل مدخل مخفض السرعة، ومبيت محمل الأسطوانة، ومبيت محمل عجلة سير العربة)، ومستشعرات درجة الحرارة T1~T3 (ملفات الجزء الثابت لمحرك الرفع، سطح احتكاك المكبح، حوض زيت مخفض السرعة)، ومستشعرات التيار C1~C3 (لكل طور من أطوار محرك الرفع الثلاثة)، ومستشعرا عزم الدوران Q1~Q2 (على طرفي عمود الأسطوانة). يتم تقسيم الإشارة الخام من كل مستشعر إلى إطارات باستخدام نافذة منزلقة من 256 نقطة، ثم يُستخرج منها 10 ميزات (RMS، عامل الذروة، عامل الشكل، عامل النبض، عامل الهامش، الالتواء، التفرطح، مركز تردد الجاذبية، نسبة طاقة النطاق [0~500Hz]، نسبة طاقة النطاق [500~2000Hz])، لتكوين متجه الميزات للعقدة xᵢ∈ℝ¹⁰.

استراتيجية تعريف الحواف: يتم بناء مجموعة الحواف E باستخدام مزيج من ثلاث قواعد——الحواف الفيزيائية (المستشعرات على نفس سلسلة النقل، مثل V1-C1-T1 لتشكيل سلسلة مراقبة محرك الرفع، بوزن حافة w=1.0)، والحواف الوظيفية المزدوجة (أزواج المستشعرات ذات علاقة سببية، مثل الاقتران الكهروميكانيكي بين اهتزاز مخفض السرعة V3 وتيار المحرك C2، يُحدد الاتصال إذا كانت المعلومات المتبادلة MI≥0.3، بوزن حافة w=MIᵢⱼ)، والحواف المكانية المتجاورة (المستشعرات بمسافة تركيب d≤500mm، بوزن يساوي مقلوب المسافة w=1/d). الرسم البياني النهائي G=(V,E) يتكون من 12 عقدة و38 حافة (18 حافة فيزيائية، 12 حافة وظيفية مزدوجة، 8 حواف مكانية)، بكثافة رسم بياني ρ=2|E|/(|V|(|V|-1))=0.576.

مصفوفة الجوار A: بحجم 12×12، حيث Aᵢⱼ=wᵢⱼ (قيمة الوزن عند وجود حافة)، وAᵢⱼ=0 (عند عدم وجود حافة أو i=j، وتُضاف حلقات ذاتية في المعالجة اللاحقة). تخضع مصفوفة الجوار لتطبيع متماثل: Â = D^(-½)·A·D^(-½)، حيث D هي مصفوفة الدرجات. القيم الذاتية λ∈[-1,1] للمصفوفة Â المطبعة تضمن الاستقرار العددي لتدريب GNN.

مصدر البيانات: مواصفة نشر مستشعرات منصة تشخيص أعطال الرافعات العلوية من كيلود للصناعات الثقيلة (KL-SEN-DEP-2025 Rev.3) وسجلات النشر الفعلية لـ 28 رافعة علوية. جميع المستشعرات تخضع للمعايرة المترولوجية قبل التركيب (صلاحية ≤ 12 شهرًا)، ويتم أرشفة أرقام شهادات المعايرة للرجوع إليها.

بنية GCN وGAT: آلية تمرير الرسائل وتنفيذها في PyG

الشبكة الالتفافية البيانية (GCN): طُرحت في ورقة Kipf & Welling عام 2016، وتتمثل عمليتها الأساسية في تجميع ميزات الجيران بعد التطبيع: H⁽ˡ⁺¹⁾ = σ(·H⁽ˡ⁾·W⁽ˡ⁾). تعتمد تجارب كيلود للصناعات الثقيلة بنية GCN من ثلاث طبقات: طبقة الإدخال (12×64، ReLU + Dropout p=0.3)، الطبقة المخفية (64×128، ReLU + Dropout p=0.3)، طبقة الإخراج (128×4، Softmax). تستخدم كل طبقة مصفوفة التجاور المتماثلة المُطبَّعة  للتجميع، وهو ما يعادل تطبيق تجميع متوسطي محلي على المستشعرات المتجاورة مكانيًا. يبلغ عدد معاملات الاتصال الكامل (12×64)+(64×128)+(128×4)=9,344 معاملًا قابلًا للتدريب، وزمن الاستجابة للانتشار الأمامي لعينة واحدة هو 3.2ms (على NVIDIA RTX 3060).

شبكة الانتباه البيانية (GAT): أدخلت ورقة Veličković et al. عام 2018 آلية الانتباه، حيث تُخصص لكل حافة معامل انتباه قابل للتعلم αᵢⱼ: αᵢⱼ = softmaxₓ(LeakyReLU(aᵀ·[W·hᵢ∥W·hⱼ]))، وصيغة التجميع هي hᵢ’ = σ(∑αᵢⱼ·W·hⱼ). تستخدم البنية 4 رؤوس انتباه (head=4)، حيث يُخرج كل رأس 16 بُعدًا تُجمَّع في تمثيل مخفي من 64 بُعدًا، تليها طبقتان GAT ثم رأس تصنيف متصل بالكامل. ميزة آلية الانتباه تكمن في أن النظام يتعلم تلقائيًا أي اتصالات المستشعرات أكثر أهمية — أظهرت التجارب أن وزن الانتباه α=0.32 للاتصال V1V2 (اهتزاز مبيت المحمل نفسه) هو الأعلى، بينما α=0.09 للاتصال V3T2 (اهتزاز الأسطوانة مع درجة حرارة المكبح) هو الأدنى، مما يؤكد أن النموذج التقط بشكل صحيح قوة الارتباط الفيزيائي.

كود التنفيذ في PyG (حلقة تدريب مبسطة):

 import torch import torch.nn.functional as F from torch_geometric.nn import GCNConv, GATConv, SAGEConv from torch_geometric.data import Data class GCNFaultDetector(torch.nn.Module): """ثلاث طبقاتGCNنموذج تشخيص أعطال الرافعة العلوية نوع""" def __init__(self, in_dim=10, hidden_dim=64, out_dim=4, dropout=0.3): super().__init__() self.conv1 = GCNConv(in_dim, hidden_dim) self.conv2 = GCNConv(hidden_dim, hidden_dim) self.conv3 = GCNConv(hidden_dim, out_dim) self.dropout = dropout def forward(self, x, edge_index): x = self.conv1(x, edge_index).relu() x = F.dropout(x, p=self.dropout, training=self.training) x = self.conv2(x, edge_index).relu() x = F.dropout(x, p=self.dropout, training=self.training) x = self.conv3(x, edge_index) return F.log_softmax(x, dim=1) class GATFaultDetector(torch.nn.Module): """انتباه متعدد الرؤوسGATنموذج تشخيص أعطال الرافعة العلوية نوع——4رأس×16بعد""" def __init__(self, in_dim=10, hidden_dim=64, heads=4, out_dim=4, dropout=0.3): super().__init__() self.conv1 = GATConv(in_dim, hidden_dim//heads, heads=heads, dropout=dropout) self.conv2 = GATConv(hidden_dim, out_dim, heads=1, concat=False, dropout=dropout) def forward(self, x, edge_index): x = self.conv1(x, edge_index).relu() x = F.dropout(x, p=0.3, training=self.training) x = self.conv2(x, edge_index) return F.log_softmax(x, dim=1) # تحميل البيانات（28وحدة×12عقدة×3بيانات بنية الرسم البياني الزمني السنوي） # edge_index: [2, 76] (38حافة غير موجهة76حافة موجهة) # x: [12, 10] (12عقدة×10ميزات متعددة الأبعاد) # y: [12] (تسميات الأعطال على مستوى العقدة: 0طبيعي/1محمل/2ترس/3عدم محاذاة الأعمدة/4ارتخاء) data_list = torch.load('crane_gnn_data.pt') model = GCNFaultDetector() optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4) for epoch in range(200): model.train() total_loss = 0 for data in data_list: optimizer.zero_grad() out = model(data.x, data.edge_index) loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask]) loss.backward() optimizer.step() total_loss += loss.item() if epoch % 20 == 0: print(f'Epoch {epoch:3d} | Loss: {total_loss/len(data_list):.4f}') 

شرح الكود: يستخدم GCNFaultDetector ثلاث طبقات GCNConv لتمرير الرسائل، ببعد مخفي 64 وDropout 0.3 لمنع الإفراط في التكيف. تعتمد الطبقة الأولى في GATFaultDetector 4 رؤوس انتباه (16 بُعدًا لكل رأس، تُجمَّع في 64 بُعدًا)، بينما تُخرج الطبقة الأخيرة برأس انتباه واحد احتمالات 4 فئات من الأعطال. يتشارك النموذجان بنية edge_index نفسها (38 حافة غير موجهة، أي 76 حافة موجهة). في التجارب، كانت سرعة تقارب GAT أسرع بنحو 30% من GCN (بلغت GAT المستوى الأمثل لمجموعة التحقق في 60 دورة مقابل 90 دورة لـ GCN).

منصة التجربة: NVIDIA RTX 3060 12GB / PyTorch 2.1.0 / PyG 2.5.0 / Python 3.11. البيانات: سجلات تشغيل 28 رافعة علوية من كيلود للصناعات الثقيلة على مدى 3 سنوات، مقسمة بنسبة 7:1.5:1.5 إلى مجموعات تدريب/تحقق/اختبار. حققت GAT أفضل أداء F1=0.972 مع إعداد 4 رؤوس للانتباه، متجاوزة GraphSAGE بمقدار 2.5 نقطة مئوية.

مقارنة شاملة بين GNN والطرق التقليدية: 5 طرق و6 أبعاد

تتضمن تجربة المقارنة 5 طرق: SVM (نواة RBF، C=10، γ=’scale’)، الغابة العشوائية (n_estimators=200، max_depth=15)، MLP (ثلاث طبقات متصلة بالكامل، الطبقات المخفية [128,64]، ReLU+BN+Dropout)، GCN (ثلاث طبقات، hidden=64)، GAT (4 رؤوس، hidden=64/head). لضمان عدالة المقارنة، استخدمت جميع الطرق نفس مجموعة ميزات الإدخال: استخراج 10 ميزات إحصائية من كل مستشعر، ودمج 12 مستشعرًا في متجه ميزات بطول 120 (تستخدم GNN فقط بنية الرسم البياني edge_index). تم تكرار كل طريقة 5 مرات وأخذ المتوسط ± الانحراف المعياري.

تكوين مجموعة البيانات: 28 رافعة علوية (16 من نوع QD + 8 من نوع LD + 4 مقاومة للانفجار)، تشمل 12,544 عينة تشغيل طبيعي، 3,840 عينة أعطال محمل (تشمل 3 أنواع فرعية: حلقة خارجية/حلقة داخلية/عنصر دوار)، 2,560 عينة اهتراء ترس، 1,920 عينة عدم محاذاة الأعمدة، 1,536 عينة ارتخاء، بإجمالي 22,400 عينة مصنفة. كل عينة هي متجه ميزات إحصائية لنافذة انزلاقية من 256 نقطة.

حققت شبكة GAT دقة بلغت 97.2%، متقدمةً على نموذج SVM بهامش 12.5 نقطة مئوية. في تجربة الإزالة، تم استبدال بنية الرسم البياني بمصفوفة الوحدة (بالعودة إلى نمط MLP بعد إزالة معلومات الحواف)، مما أدى إلى انخفاض دقة GCN إلى 89.8%، مما يؤكد أن معلومات بنية الرسم البياني تساهم بحوالي 6.0 نقاط مئوية. من حيث عدد المعاملات، تستفيد الشبكات العصبية الرسومية (GNN) من آلية مشاركة المعاملات (حيث تتشارك جميع العقد في الطبقة نفسها في الوزن W)، مما يتطلب فقط 9,344~9,732 معاملًا، وهو أقل بكثير من عدد متجهات الدعم في SVM ومعاملات الاتصال الكامل في MLP. لمزيد من التفاصيل التقنية حول التنفيذ، يمكن الرجوع إلى مقال شرح نموذج Grad-CAM من كيلود للصناعات الثقيلة، والذي يتضمن تحليل الإسناد عبر SHAP.

تفسير المسار الترابطي: أوزان الانتباه تكشف سلسلة السببية بين المستشعرات

توفر آلية الانتباه في GAT أداة تفسير طبيعية — حيث يعكس وزن الانتباه αᵢⱼ الذي تخصصه كل عقدة مستشعر لجيرانها الأهمية التشخيصية لهذا الاتصال. من خلال تحليل مصفوفة معاملات الانتباه للعقد الـ12 بعد تقارب تدريب GAT (12×12، مع تطبيع الصفوف ليكون مجموعها = 1)، تم اكتشاف الأنماط الرئيسية التالية:

مسارات الانتباه العالي (α≥0.20): V1V2 (انتشار الاهتزاز في مبيت المحمل نفسه، α=0.32)، V2V3 (سلسلة نقل الحركة من مخفض السرعة إلى الأسطوانة، α=0.28)، C1C2 (اقتران تيار الطور UV لنفس المحرك، α=0.25)، V1T1 (السلسلة السببية لاحتكاك المحمل المؤدي لارتفاع الحرارة، α=0.22). تتوافق جميع هذه الحواف عالية الانتباه مع المستشعرات المتجاورة على سلسلة النقل الميكانيكي الفعلية، بما يتوافق مع مبادئ الميكانيكا.

مسارات الانتباه المنخفض (α≤0.08): V4Q2 (عزم الدوران عند الطرف الأيمن لأسطوانة عجلة سير العربة، α=0.06)، T3C3 (تيار الطور W لمحرك مخفض السرعة مقابل درجة حرارة الزيت، α=0.07). تنتمي هذه المستشعرات إلى أنظمة فرعية مختلفة (آلية سير العربة مقابل آلية الرفع)، وتبلغ مسافة العزل الفيزيائي بينها >2 متر، لذا فإن انخفاض وزن الانتباه أمر منطقي — فقد قدر النموذج بشكل صحيح العلاقة الضعيفة بينها.

قابلية تفسير نمط عطل المحمل: عندما يشخص النموذج عطل المحمل F1، كانت أهم ثلاثة مستشعرات مساهمة هي V1 (انتباه α=0.32، وزن Grad-CAM 0.41)، V2 (α=0.28، وزن Grad-CAM 0.32)، وT1 (α=0.22، وزن Grad-CAM 0.18). تبلغ مساهمة مستشعري الاهتزاز V1/V2 مجتمعين 73%، بينما تبلغ مساهمة مستشعر درجة الحرارة T1 18%، وهذا يتوافق تمامًا مع المظهر الفيزيائي لعطل المحمل (ارتفاع الاهتزاز أولاً يليه احتكاك وحرارة).

للقابلية للتفسير قيمة عملية في السياقات الصناعية: فمن خلال لوحة تصور انتباه GAT، يمكن للمشغلين رؤية "نتيجة التشخيص الحالية مستمدة أساسًا من إشارتي الاهتزاز V1 وV2 في مبيت المحمل"، بدلاً من رؤية تسمية "عطل" غير قابلة للتفسير، مما يبني الثقة في تشخيص الذكاء الاصطناعي — وهذا ما أدى في 12 رافعة علوية تجريبية نشرتها كيلود للصناعات الثقيلة إلى ارتفاع معدل قبول المشغلين لنتائج التشخيص من 62% في البداية إلى 94%.

التحقق من النشر الصناعي: نظام تشخيص GNN لرافعات صب الصلب المستمر

بيئة النشر: في ورشة الصب المستمر لأحد مصانع الصلب الكبرى، تم تجهيز 5 رافعات جسرية من طراز QD32/5t، كل منها مزودة بمجموعة مستشعرات KL-SEN-DEP من كيلود للصناعات الثقيلة (بأبعاد 12×10 وبتردد 5kHz للاستحواذ اللحظي). تم استخدام صندوق حوسبة الحافة NVIDIA Jetson Orin NX (بقدرة 100TOPS واستهلاك طاقة 25W)، وتم نشر نموذج GAT بعد قياس كمي باستخدام TensorRT INT8. نسبة ضغط النموذج: FP32 (37.2MB) إلى INT8 (9.8MB)، مع انخفاض زمن الاستدلال من 5.7ms إلى 1.9ms (انخفاض بنسبة 67%)، وخسارة في الدقة بلغت 0.3% فقط (F1=0.969).

بنية النظام: بطاقة استحواذ بيانات المستشعرات (NI 9234، بمعدل 51.2kS/s لكل قناة) ← Jetson Orin NX (تحويل فورييه السريع اللحظي + استخراج الميزات + استدلال GNN) ← بوابة OPC UA (بروتوكول MQTT) ← نظام MES في الورشة (تنبيهات الأعطال + أوامر الصيانة). زمن الاستجابة الشامل: استحواذ بيانات المستشعر واستخراج الميزات (8.2ms) + استدلال GAT (1.9ms) + دفع التنبيه (12.5ms)، بمجموع <25ms، مما يلبي متطلبات المراقبة اللحظية للرافعة العلوية.

نتائج التشغيل (من مارس 2025 إلى يونيو 2026، 16 شهرًا من التشغيل المستمر): تم إصدار 184 تحذيرًا، تم تأكيد 118 عطلًا (منها 68 تم الإبلاغ عنها أول مرة بواسطة GAT، و50 تم تأكيدها لاحقًا بالتفتيش اليدوي)، بمعدل إنذار مبكر بلغ 57.6%. تم تقديم تحذيرات أعطال المحامل بمتوسط 72 ساعة مقدمًا (مع أقصى تقديم 240 ساعة)، وتحذيرات اهتراء التروس بمتوسط 96 ساعة مقدمًا. مقارنةً بما قبل النشر (تفتيش دوري يدوي + صيانة بعد حدوث العطل)، انخفض التوقف غير المبرمج من 7.2 مرة سنويًا إلى 2.8 مرة (بانخفاض -61%)، وانخفضت تكاليف الصيانة بنسبة 44%. خلال 16 شهرًا من التشغيل، استقرت دقة نموذج GAT في نطاق 95.8%~97.2%، دون وقوع أي حادث سلامة ناتج عن عدم الإبلاغ.

لمزيد من التفاصيل حول تحسين القياس الكمي للنشر على الحافة، يمكن الرجوع إلى ممارسة النشر على الحافة باستخدام PyTorch وONNX وTensorRT من كيلود للصناعات الثقيلة.

الأسئلة الشائعة حول تشخيص أعطال الرافعات

تم التحقق من فعالية الشبكات العصبية الرسومية في تشخيص الأعطال متعددة المستشعرات للرافعات العلوية من خلال بيانات تشغيل صارمة تم جمعها من 28 رافعة على مدى 3 سنوات: حققت شبكة GAT دقة F1 بلغت 0.972 متجاوزةً بشكل ملحوظ كلاً من SVM (0.847) وMLP (0.891)، مع توفير تصور لأوزان الانتباه لتعزيز قابلية تفسير التشخيص. في النشر الصناعي، أدى التشغيل المستمر لمدة 16 شهراً إلى خفض التوقفات غير المبرمجة بنسبة 61%، مع توفير تحذيرات مبكرة بمعدل 72~96 ساعة مسبقاً، وتكاليف تشغيلية أقل بكثير مقارنة بالطرق التقليدية. تعمل كيلود للصناعات الثقيلة حالياً على تطوير تدريب تعاوني (Federated Learning) لأنظمة تشخيص الأعطال القائمة على GNN بين مجموعات الرافعات العلوية، للاستفادة من البيانات عبر المصانع لتحسين قدرة النموذج على التعميم.