تشخيص أعطال المكوّنات الدوّارة للطائرات القابل للتفسير باستخدام LSTM-AdamW اعتمادًا على إشارات صوتية محمولة جواً تحت ظروف تشغيل ديناميكية

الاستماع للمشكلات في محركات الطائرات

تعتمد الطائرات الحديثة على أجزاء دوّارة يجب أن تعمل بلا خلل عند سرعات عالية وتحت أحمال متغيرة. بدلًا من الانتظار حتى يتعطل جزء ما، يحاول المهندسون بشكل متزايد «الاستماع» لإشارات مبكرة للمشكلات في الأصوات التي تصدرها هذه الآلات. توضح هذه الدراسة كيف يمكن لنظام استماع جديد، قائم على ذكاء اصطناعي متقدم وقابل للتفسير، أن يكتشف أعطالًا دقيقة في المكوّنات الدوّارة باستخدام الصوت المحمول جواً فقط — حتى عندما تتغير سرعة المحرك باستمرار.

لماذا تهم أصوات الآلات

تولّد الأجزاء الدوّارة مثل المحامل والأعمدة والأقراص أنماط صوتية مميزة أثناء دورانها. عندما تبدأ الشقوق بالتكوّن أو تبدأ الأسطح في التلف، يتغير الصوت على شكل نبضات قصيرة وحادة لا تميّزها الأذن البشرية عادةً عن ضوضاء الخلفية. تعتمد أساليب المراقبة التقليدية غالبًا على حسّاسات تلامسية مثبّتة على الآلة، أو على عتبات بسيطة تعمل بشكل أفضل عندما تعمل الآلة بسرعة ثابتة. في الطائرات الحقيقية، مع ذلك، تتسارع المحركات وتتباطأ وتواجه أحمالًا متغيرة، مما يجعل الصوت شديد التعرّج والضوضاء. وقد حدّت هذه التعقيدات من موثوقية طرق التشخيص القديمة وخلقت حاجة إلى أدوات ذكية قادرة على التعامل مع ظروف العالم الحقيقي.

تعليم شبكة عصبية على سماع الأعطال

بنى الباحثون نظام استماع حول شبكة ذاكرة طويلة قصيرة الأمد (LSTM)، وهي نوع من الشبكات العصبية مصممة للتعامل مع بيانات السلاسل الزمنية. درّبوها واختبروها على تسجيلات متاحة علنًا من منصة اختبار مخبرية بها محامل دوّارة كانت إما سليمة أو تحتوي على عيوب في الحلبة الداخلية أو الحلبة الخارجية أو عناصر التدحرج. كانت متاحة أربع مقاطع صوتية فقط مدة كل منها 12 ثانية، مع أخذ عينات بمعدل عالٍ بينما تغيرت سرعة العمود بمرور الوقت. للاستفادة القصوى من هذه البيانات المحدودة، قطّع الفريق التسجيلات إلى آلاف المقاطع الصوتية القصيرة غير المتداخلة، كل منها يدوم نحو 0.02 ثانية، وضمان أن مقاطع التدريب والاختبار جاءت من تسجيلات مختلفة تمامًا لتجنّب تسرب المعلومات الخفي.

البحث عن أفضل طريقة للتعلّم من الصوت

لمعرفة ما إذا كانت LSTM تقدم فعلاً ميزة، قارن المؤلفون ثلاث نماذج متكررة جنبًا إلى جنب: شبكة عصبية متكررة أساسية، ووحدة متكررة ذات بوّابات (GRU)، وLSTM تم ضبطها باستخدام طريقة تحسين حديثة تُسمى AdamW. تلقت النماذج الثلاثة نفس مقاطع الإدخال تمامًا ودُرّبت تحت إعدادات متطابقة. برز مزيج LSTM–AdamW بوضوح: فقد وصل إلى دقة تقارب 99.3 بالمئة ونفس قيمة F1 المتوسط على مستوى الفئات، وهو مقياس أكثر تشددًا يوازن الأداء عبر الأربع فئات. قدمت GRU أداءً جيدًا لكن أقل قليلًا، بينما شبكات التكرار الأساسية أفرطت في التكيّف مع بيانات التدريب وخلطت بين أنواع أعطال معينة. أظهرت اختبارات إضافية أن نموذج LSTM احتفظ بأداء قوي حتى عندما درّب على ملف سرعة واحد وتم تقييمه على ملف أكثر ديناميكية — وهو مؤشر مهم على المتانة.

فتح الصندوق الأسود لقرارات الذكاء الاصطناعي

نظرًا لأن سلامة الطائرات تتطلب أكثر من مجرد دقة خام، ركز الفريق أيضًا على جعل قرارات النموذج مفهومة. طبقوا تقنيتين من تقنيات الذكاء الاصطناعي القابل للتفسير: LIME، التي تفسّر التنبؤات المفردة، وSHAP، التي تلخّص أهمية الميزات عبر حالات متعددة. أشارت الطريقتان إلى نبضات قصيرة ومحلية داخل المقاطع الصوتية كالمناطق الأكثر تأثيرًا للتصنيف. بعبارة أخرى، لم يكن الاعتماد على ضوضاء عشوائية بل على أحداث قصيرة وشديدة التأثير تتوافق مع سلوكيات فيزيائية معروفة للمحامل التالفة، مثل الصدمات والانزلاقات الدقيقة. كما أظهر أداة إحصائية تُسمى مخطط تايلور أن مخرجات النموذج تتبع البنية الزمنية للإشارات المرجعية عن كثب، مما يعزز أن النموذج يتعلم أنماطًا ذات معنى بدلًا من علاقات عابرة عشوائية.

من مقعد المختبر إلى قمرة القيادة

على الرغم من أن الدراسة استخدمت بيانات مخبرية مضبوطة، فإن الإطار المقترح مصمم ليكون مضغوطًا وسريعًا بما يكفي للأجهزة المدمجة، مع أزمنة استدلال متوافقة مع المراقبة شبه الفورية. يجعل اعتماده على الصوت المحمول جواً عملية التحديث أسهل مقارنةً بالحسّاسات التلامسية، وتساعد أدوات القابلية للتفسير المهندسين على ربط قرارات الذكاء الاصطناعي بآليات العطل الفيزيائية. ويشير المؤلفون إلى أن بيئات الطيران الحقيقية ستضيف مزيدًا من الضوضاء والتعقيد، ويخططون لأعمال مستقبلية باستخدام بيانات فعلية أثناء الطيران وأنواع حسّاسات متعددة. ومع ذلك، توحي نتائجهم بأن الشبكات العصبية القابلة للتفسير المصممة بعناية يمكن أن تحوّل الصوت العادي إلى أداة إنذار مبكر قوية لصحة الطائرة، تكتشف المشاكل في المكوّنات الدوّارة قبل أن تصبح خطيرة بفترة طويلة.

الاستشهاد: Özüpak, Y., Aslan, E. & Zaitsev, I. Explainable LSTM-AdamW based fault diagnosis of aircraft rotating components using airborne acoustic signals under dynamic operating conditions. Sci Rep 16, 11449 (2026). https://doi.org/10.1038/s41598-026-41889-2

الكلمات المفتاحية: مراقبة صحة الطائرة, كشف الأعطال الصوتي, تشخيص المحامل, الذكاء الاصطناعي القابل للتفسير, التعلّم العميق