الاندماج متعدد الوسائط لتقييم حالة صحة المعدات بناءً على آلية الانتباه الديناميكي

لماذا تهم فحوصات الآلات الأكثر ذكاءً

من توربينات الرياح إلى روبوتات المصانع، ترتدي الآلات الحديثة العديد من المستشعرات وتولد بيانات باستمرار. ومع ذلك لا تزال الأعطال غير المتوقعة تحدث، لأن أنظمة المراقبة الحالية غالبًا ما تفوت الدلالات الأولى للمشكلات المخفية في تلك البيانات. تستكشف هذه الورقة طريقة جديدة للاستماع إلى أنواع متعددة من الإشارات في آنٍ واحد — الاهتزازات، الصوت، القياسات الكهربائية وحتى الوصف النصي — بحيث تُحذّرنا الآلات من الأعطال مبكرًا وبشكل أكثر موثوقية، دون الحاجة إلى قوة حوسبة هائلة.

إشارات متعددة، قصة صحة واحدة

لم تعد معدات الصناعة «تتحدث» بصوت واحد. إنها تهمهم، تهتز، ترتفع حرارتها وتنتج سجلات صيانة، كلها في نفس الوقت. أدوات المراقبة التقليدية عادةً ما تنظر إلى تيار معلومات واحد فقط، مثل الاهتزاز. وتميل أيضًا إلى اعتبار أهمية كل إشارة ثابتة، رغم أن ما يهم يمكن أن يتغير مع تطور العطل: قد يظهر ضجيج طفيف أولًا، يتبعه لاحقًا اهتزاز قوي أو تغيّرات في الحمل الكهربائي. يجادل المؤلفون بأنه لفهم حالة الآلة حقًا، يجب على نظام المراقبة دمج هذه الإشارات المختلفة وتتبع كيفية تغير أهميتها مع الزمن.

جعل النموذج يولي الانتباه بطريقة ديناميكية

جوهر الطريقة المقترحة هو آلية «انتباه ديناميكي» تعدّل باستمرار الإشارات التي يجب التركيز عليها. يقوم النظام أولًا بتحويل سجلات المعدات إلى ملخصات رقمية مضغوطة باستخدام نموذج لغوي صُمم في الأصل للنصوص البشرية. تعمل هذه الملخصات كنوع من المرساة السردية — تصف ما إذا كانت الآلة تبدو طبيعية، شاذة قليلاً، أو معطلة بوضوح. بالتوازي، يتم تفكيك إشارات الاهتزاز وغيرها من إشارات المستشعر إلى أنماط عبر الزمن والتردد، مبرِزةً ومضات طاقة دقيقة في نطاقات محددة غالبًا ما تشير إلى المراحل المبكرة للعطل. ثم ينظر وحدَة خاصة قائمة على الذاكرة إلى التاريخ القريب وتقرر، لحظة بلحظة، مقدار الوزن الذي يجب منحه لكل نوع من الميزات عند الحكم على حالة الآلة.

من الموجات الخام إلى علامات تحذير واضحة

لفهم الإشارات الخام، يستخدم الإطار مجموعة مكدسة من أدوات التحليل المعروفة، ولكل منها دور مختلف. يركز أحدها على الومضات القصيرة والدقيقة التي تشير إلى بداية الضرر. يلتقط آخر قمم ترددية متكررة مرتبطة بأنواع أعطال محددة، مثل سطح محمل تآكل. تضغط خطوة ثالثة المعلومات المجمعة إلى شكل أكثر إحكامًا يكون أقل حساسية لتغيّرات الحمل والضجيج الخلفي. تحوّل هذه التسلسل تيار قراءات المستشعر الفوضوي إلى خريطة أنظف لكيفية توزيع الطاقة عبر التردد والزمن، والتي يمكن لآلية الانتباه بعدها تفسيرها جنبًا إلى جنب مع الدلائل النصية.

اختبار المنهجية

قيّم الباحثون طريقتهم على ثلاث مجموعات بيانات مستخدمة على نطاق واسع تسجل قياسات حقيقية من محامل وصناديق تروس تحت ظروف تشغيل وأنواع أعطال متعددة. لكل مجموعة، أنشأوا أوصافًا نصية اصطناعية تحاكي ما قد يدونه فني حول سلوك الآلة في مراحل مختلفة. بالمقارنة مع أساليب قائمة على الانتباه تعالج أهمية الإشارة كثابتة أو تفتقر إلى ذاكرة للحالات السابقة، حقق النظام الديناميكي دقة أعلى — تجاوزت 90 بالمئة في جميع الحالات — وكان جيدًا بشكل خاص في اكتشاف الأعطال الأولى والأصعب كشفًا. وفي الوقت نفسه، من خلال إبقاء النموذج مضغوطًا وضغط الميزات بذكاء، قللوا زمن المعالجة والعمليات الحاسوبية العائمة، مما يجعل الطريقة أكثر ملاءمة للاستخدام في الزمن الحقيقي على الأجهزة الصناعية.

ما يعنيه ذلك للموثوقية اليومية

بعبارات بسيطة، تُظهر هذه الدراسة أن منح نظام المراقبة القدرة على «تغيير رأيه» بشأن الإشارات المهمة، ودمج قراءات المستشعرات مع أوصاف نصية بسيطة، يمكن أن يؤدي إلى تحذيرات عطل أبكر وأكثر موثوقية دون إغراق موارد الحوسبة. بدلًا من الانتظار حتى تصبح الآلة فاشلة بوضوح، يمكن للنموذج التقاط تغيّرات صغيرة لكن ذات دلالة وربطها بأنواع الأعطال المحتملة، حتى في بيئات صاخبة ومتغيرة. إذا تم اعتماد هذا النهج في المصانع الحقيقية، فقد يدعم الصيانة الوقائية: جدولة الإصلاحات قبل حدوث الأعطال، تقليل وقت التوقف والتكاليف، وجعل الآلات المعقدة التي نعتمد عليها يوميًا أكثر اعتمادية.

الاستشهاد: Lei, Y., Zhao, J., Lv, W. et al. Multimodal fusion for equipment health status assessment based on dynamic attention mechanism. Sci Rep 16, 10271 (2026). https://doi.org/10.1038/s41598-026-40926-4

الكلمات المفتاحية: مراقبة صحة المعدات, مستشعرات متعددة الوسائط, الصيانة التنبؤية, تشخيص الأعطال, آليات الانتباه