طريقة تشخيص عطل محامل التدوير مبنية على دمج ميزات STFT-الإحصائية وشجرة تجميع محسنة بواسطة AL-SOA

لماذا الحفاظ على محامل الماكينات بصحة جيدة مهم

من توربينات الرياح إلى القطارات ومحركات الطائرات، تعتمد عدد كبير من الأجهزة على محامل التدوير لضمان دوران الأجزاء بسلاسة. عندما تبدأ هذه المحامل في الفشل، قد تتراوح العواقب بين توقف مكلف عن العمل وحوادث خطيرة. يقدم هذا البحث طريقة أذكى وخفيفة الوزن إلى حد ما «للاستماع» إلى المحامل عبر اهتزازاتها واكتشاف علامات التحذير المبكرة للضرر، حتى عندما تكون الماكينات صاخبة، وتتغير ظروف التشغيل، وتكون موارد الحوسبة محدودة.

الاستماع للاهتزاز بطريقتين مكملتين

يركز المؤلفون على كيفية تغير إشارات الاهتزاز من المحمل عندما يبدأ السبق الداخلي أو السبق الخارجي أو العناصر الدوارة في التآكل أو التشقق. بدلاً من الاعتماد على منظور واحد لهذه الإشارات، يجمعون بين وصفين بسيطين لكن قويين. الأول هو منظور ترددي قصير الزمن يكشف متى تتراكم الطاقة عند نغمات معينة مع الزمن، وهو حساس للصدمات المتكررة الناتجة عن العيوب. الثاني هو مجموعة مدمجة من ست إحصاءات زمنية — مثل المستوى المتوسط، والتشتت، و«الحِدَّة» — التي تلتقط مدى تقلب أو نشاط الحركة. معًا، توفر هاتان الرؤيتان صورة أغنى لما يحدث داخل المحمل مما يوفره أي منهما بمفرده.

تنقية وتركيز ودمج معلومات الإشارة

نادراً ما تعمل الماكينات الحقيقية في صمت مختبري، لذا تبدأ الطريقة بتنقية دقيقة للإشارة. يتم تحييد الاهتزاز الخام، وترشيحه للاحتفاظ فقط بالنطاق الذي تكشف فيه أعطال المحامل عن نفسها بوضوح، وإزالة الضوضاء باستخدام المويجات التي تحافظ على الأحداث القصيرة والحادة. تقطع نوافذ زمنية متداخلة الإشارة المستمرة إلى مقاطع قصيرة قابلة للتكرار تمثل كل منها نحو خُمس ثانية من الحركة. لكل مقطع، تُستخرج وتُطَبَّع النمط الترددي والست مقاييس الزمنية بحيث تعكس الاختلافات سلوك المحمل بدلاً من تغيرات بسيطة في الطاقة الكلية.

السماح للبيانات بتقرير ما هو الأهم

بدلاً من ترميز مقدار الثقة في كل نوع من الميزات بشكل ثابت، يقدم المؤلفون وحدة صغيرة «للانتباه» تتعلم أن تُبرز أجزاء معلومات التردد والزمن الأكثر فائدة لتمييز أنواع العيوب المختلفة. مفهوماً، تتصرف هذه الوحدة مثل كشاف يُضيء نطاقات ترددية وإحصاءات معينة عندما تتوافق مع توقيعات عيب معروفة، ويُخفت ما يحمل ضوضاءً أساسياً. بعد هذا الدمج التكيفي، يضغط أداة رياضية معيارية تُسمى تحليل المركبات الرئيسية الوصف المكون من 262 قيمة لكل مقطع إلى مجموعة أصغر لا تزال تحتفظ تقريباً بكل التباين المفيد. تقلل هذه الخطوة الازدواجية، وتسريع التعلم، وتساعد في تجنب الإفراط في الملاءمة دون الإضرار الواضح بالدقة.

بناء وضبط غابة قرار فعالة

للقرار النهائي، يتجنب المؤلفون الشبكات العميقة الثقيلة ويستخدمون بدلاً من ذلك مجموعة من أشجار القرار، وهي طريقة تُعرف بالتجميع (bagging). تتعلم كل شجرة قواعد بسيطة تقسم فضاء الميزات المضغوط إلى مناطق مرتبطة بأنواع عطل محددة أو حالة تشغيل سليمة، وتصوت المجموعة على التسمية النهائية. واللمسة الخاصة هي كيفية اختيار بنية هذه الغابة. بدلاً من التخمين لعدد الأشجار وعمقها، يستخدم الفريق بحثًا يعتمد على تجمعات مستوحاة من أنماط تكتل وصيد طيور البحار. يستكشف هذا السرب التكيفي مجموعات من إعدادات النموذج مع موازنة ثلاثة أهداف في آن واحد: تصنيف الأعطال بدقة، والحفاظ على غابة مدمجة، وتقليل زمن التدريب. تشكل الحلول التي توازن هذه الأهداف «أمراً حدودياً» يمكن اختيار نقطة تشغيل عملية منه.

إثبات المتانة عبر منصات اختبار مختلفة

تم اختبار خط الأنابيب الكامل — التنقية، استخراج الميزات ثنائية المنظور، الدمج المعتمد على الانتباه، الضغط، ومجموعة الأشجار المحسنة — على ثلاث منصات اختبار لمحامل مختلفة: مجموعتا بيانات عامة معروفتان وإعداد تجريبي مخصص. عبر هذه الظروف المتنوعة، حددت الطريقة أعطال المحامل بدقة متسقة تقدر بنحو 97–99%. أظهرت التجارب الدقيقة أن كل مكون رئيسي مهم: إزالة وحدة الانتباه أو المحسّن متعدد الأهداف أو خطوة الضغط أدى إلى تدهور طفيف في الأداء، بينما تسبب استخدام نوع واحد فقط من الميزات في انخفاض ملحوظ في الموثوقية، خاصةً تحت الضوضاء وتغير الأحمال.

ماذا يعني هذا للماكينات في العالم الحقيقي

لغير المتخصص، الرسالة الرئيسية هي أن المؤلفين بنوا نهج تشخيصي يجمع بين مكونات بسيطة ومفهومة — تنظيف إشارة أساسي، منظورتان بديهيتان للاهتزاز، وأشجار قرار شفافة — لكنه يستخدم أفكارًا حديثة مثل الانتباه والبحث بأسلوب السرب لضبط عملها معًا. النتيجة هي نظام مراقبة دقيق، نسبيًا سهل التفسير، وخفيف بما يكفي للتشغيل بالقرب من الآلات التي يحميها. وهذا يجعله مرشحًا واعدًا لمراقبة المحامل الصناعية باستمرار، لاكتشاف علامات المتاعب المبكرة قبل أن تتطور إلى أعطال، حتى عندما تكون الظروف صاخبة ومتغيرة وقوة الحوسبة محدودة.

الاستشهاد: Bai, H., Tong, W., Duan, C. et al. Rolling bearing fault diagnosis method based on fusion of STFT-statistical features and AL-SOA optimized bagging tree. Sci Rep 16, 10314 (2026). https://doi.org/10.1038/s41598-026-37914-z

الكلمات المفتاحية: تشخيص أعطال محامل التدوير, تحليل إشارة الاهتزاز, دمج الميزات المعتمد على الانتباه, التعلم التجميعي, تحسين السرب