التعلّم المعزز بايزيًا للتحكم التكيفي في استرداد الطاقة بذراع الحفارة الهيدروليكية

لماذا تهم الحفارات الأذكى

تُعد الحفارات الهيدروليكية عماد مواقع البناء والتعدين، لكنها تستهلك الكثير من الديزل وتضيع جزءًا كبيرًا من الطاقة المستمدة من المحرك. أي تحسين في طريقة استخدامها للطاقة يمكن أن يترجم إلى فواتير وقود أقل للمقاولين وانبعاثات أقل للجميع. تستكشف هذه الدراسة طريقة جديدة لجعل أذرع الحفارة «تفكّر مقدمًا» في مواجهة تغيّر ظروف الأرض وتلف الماكينة، بحيث تتمكن من استرداد الطاقة وإعادة استخدامها بشكل أكثر فعالية مع الالتزام بحدود السلامة الصارمة.

الحفر يجهد استهلاك الوقود

غالبًا ما تُشغّل الحفارات الحديثة نظمها الهيدروليكية عند ضغوط مرتفعة وثابتة سواء كانت تقطع صخرًا صلبًا أو تمهّد تربة مفككة برفق. يحافظ نهج المقاس الواحد على موثوقية الماكينات لكنه يهدر الطاقة على شكل حرارة، خصوصًا أثناء المهام الخفيفة وعند خفض الذراع تحت وزنها الخاص. بالرغم من أن بعض التصميمات الأحدث تتضمن أجهزة قادرة على التقاط هذه الطاقة الفائضة في مخازن هيدروليكية، لا تزال معظم الآلات تعتمد على قواعد بسيطة وثابتة لتقرير متى وكيف تُستخدم تلك الأجهزة. النتيجة هي استهلاك وقود أعلى بنسبة قد تصل إلى 20% مما هو ضروري وبصمة كربونية أكبر في مواقع العمل حول العالم.

نظام تحكم متعلّم للذراع

صمم الباحثون نموذجًا افتراضيًا مفصلاً لذراع حفارة وزنها 21 طنًا، يشمل اسطواناتها ومضختها وصماماتها ومخزنًا غازيًا يخزن الطاقة عندما ينخفض الذراع ويطلقها لمساعدة الرفع لاحقًا. على جهاز التحكم التعامل مع العديد من حالات عدم اليقين الواقعية: تربة تصبح أصعب أو ألطف فجأة، زيوت تتكاثف أو تتخفف مع التغير الحراري، مكوّنات تتآكل تدريجيًا، ومستشعرات صاخبة أو منحازة قليلًا. بدلًا من افتراض أن كل شيء معروف وثابت، يعامل النظام الحالة الحقيقية للماكينة على أنها جزئيًا مخفية ويُحدّث تقديره الأفضل باستمرار باستخدام الطرق البايزية. يقوم مرشح جسيمات بتقدير العوامل الخفية مثل مقاومة التربة وما إذا كان المخزن مشحونًا زيادة أو نقصانًا مقارنةً بنقطة التصميم.

تعليم الماكينة التكيّف بأمان

فوق هذا المقدر للحالة، درّب الفريق سياسة تعلّم معزز، وهي خوارزمية تكتشف تدريجيًا استراتيجيات جيدة عن طريق المحاولة والخطأ في المحاكاة. في كل لحظة، تستقبل السياسة «الاعتقاد» الحالي بشأن حالة الماكينة وتختار أوامر مستمرة لضغط المضخة وفتح الصمامات. ثم تتحقق طبقة أمان مخصّصة من هذه الاقتراحات وتقصّها إلى نطاق آمن صارم: يجب أن تبقى الضغوط الهيدروليكية بين 5 و35 ميغاباسكال إجمالًا، ويجب أن يظل المخزن ضمن نافذة 12–28 ميغاباسكال، وتُقيّد حركات الصمامات بحيث لا تسبب اهتزازات عنيفة للنظام. تكافئ عملية التعلم المتحكم على إنهاء كل دورة حفر بسرعة، مع استخدام أقل قدر ممكن من الطاقة الهيدروليكية، والحفاظ على دقة وضع المِجرفة، مع معاقبة الإجراءات التي قد تدفع النظام نحو مناطق غير آمنة.

مدى أداء المتحكم الذكي

أجرى الباحثون محاكاة مشتركة مكثفة بتردد تحديث 100 مرة في الثانية، ومقارنة متحكمهم البايزي للتعلّم المعزز مع إعدادين تقليديين: أحدهما بمعلمات ثابتة وآخر يحاكي مُشغّلًا ماهرًا يجري تعديلات يدوية بسيطة على الضغط والسرعة. واجهت جميع المتحكمات نفس مهمة العمل المجدولة لمدة 20 دقيقة، حيث تتغير صعوبة التربة على مراحل وتسخن الزيوت من باردة إلى ساخنة. يتتبع المتحكم القائم على التعلم تغيّرات التربة خلال ثوانٍ، رافعًا الضغط عندما تصبح الأرض أقسى للحفاظ على أوقات الدورة ثابتة، وخافضًا إياه عند سهولة الحفر لتوفير الطاقة وخلق فرص أكبر لشحن المخزن. عبر العديد من التجارب العشوائية، يقلل استهلاك الطاقة لكل دورة حفر بنحو 20–22% مقارنةً بالمتحكم الثابت وبنحو 14–18% مقارنةً بالمتحكم المعدّل بواسطة المشغّل، بينما يقصر أوقات الدورة ويحسن دقة وصول المِجرفة إلى الأهداف الموضعية. تصبح حوادث السلامة، مثل محاولات الضغوط تجاوز الحدود أو فتح صمامات الإغاثة لفترات طويلة، أقل تكرارًا رغم أن النظام يدفع الأداء بجدّية أكبر.

ماذا يعني هذا للآلات الحقيقية

بالنسبة للقارئ العام، الرسالة الأساسية أن ذراع الحفارة يمكن أن يتعلم أن يكون حذرًا واقتصاديًا في الوقت نفسه. من خلال تحديث فهمه باستمرار لمدى صعوبة الحفر، وصحة مكوناته، ومقدار الطاقة المخزنة في المخزن، يقرر جهاز التحكم في الوقت الحقيقي متى يوفر الطاقة ومتى ينفق قليلًا للحفاظ على الإنتاجية. لا تزال الدراسة قائمة على المحاكاة بدلاً من اختبارات ميدانية، وتركّز على حجم واحد من الماكينة، لكنها تُظهر أن دمج الاستدلال الاحتمالي مع التحكم القائم على التعلم يمكن أن يجعل المعدات الثقيلة أكثر كفاءة بشكل ملحوظ دون التضحية بالسلامة أو السرعة. إذا نُقلت مثل هذه الأساليب إلى حفارات حقيقية، فيمكن أن تساعد المقاولين على نقل نفس كمية التراب بوقود أقل وتآكل أقل وانبعاثات أدنى.

الاستشهاد: Hu, P., Wen, T., Zhang, D. et al. Bayesian reinforcement learning for adaptive control of energy recuperation in hydraulic excavator arms. Sci Rep 16, 6195 (2026). https://doi.org/10.1038/s41598-026-35391-y

الكلمات المفتاحية: حفارة هيدروليكية, استرداد الطاقة, التعلّم المعزز, التحكم البايزي, كفاءة الآليات الثقيلة