الشبكات العصبية الهرمية متعددة الانتباه لتشخيص أعطال المستشعرات والتخفيف منها في التوائم الرقمية

لماذا تحتاج المصانع الذكية إلى حواس موثوقة

مع تحول المصانع وشبكات الطاقة والمياه إلى أنظمة أذكى، تعتمد على آلاف «العيون والآذان» الإلكترونية الصغيرة لتغذية التوائم الرقمية — النسخ الافتراضية المستخدمة لمراقبة والتحكم في المعدات الحقيقية. لكن عندما يبدأ عدد قليل فقط من المستشعرات في تقديم قراءات مضللة بسبب التآكل أو التداخل أو الفشل، يمكن أن يضلل التوأم الرقمي بدرجة كبيرة، ما يؤدي إلى قرارات خاطئة وفي أسوأ الحالات إلى أعطال متسلسلة. تقدم هذه الورقة طريقة جديدة لرصد قراءات المستشعر السيئة باستمرار واستبدالها بهدوء بتقديرات افتراضية موثوقة، مما يحافظ على مسار التوأم الرقمي — والنظام الفيزيائي وراءه — بشكل صحيح.

من الآلات الفيزيائية إلى مرآتها الافتراضية

تعمل التوائم الرقمية كمرآة حية عالية الدقة للأنظمة الفيزيائية مثل المحولات أو شبكات خزانات المياه. فهي تعتمد على تدفقات من القياسات — درجات الحرارة والضغوط والتدفقات — لاختبار سيناريوهات «ماذا لو»، جدولة الصيانة، وضبط عناصر التحكم. تتضمن الطرق التقليدية للحماية من المستشعرات المعطوبة غالبًا تثبيت ثلاثة مستشعرات فعلية بالتوازي وأخذ تصويت الأغلبية، وهي استراتيجية بسيطة لكنها مكلفة. تستخدم الأعمال الحديثة بدلاً من ذلك أساليب مدفوعة بالبيانات: تتعلم النماذج كيف ينبغي أن تتصرف المستشعرات من بيانات الماضي وتعلم الانحرافات. ومع ذلك، تكافح كثير من هذه المقاربات عندما تكون البيانات معقدة، أو عندما تكون الأعطال دقيقة، أو عندما تتفاعل العديد من المستشعرات بطرق معقدة. يجادل المؤلفون بأن استخدامًا أذكى لآليات الانتباه في الشبكات العصبية الحديثة يمكن أن يتغلب على هذه القيود.

تعليم مستشعر افتراضي على «توقع» الواقع

اللبنة الأولى في البنية المقترحة هي وحدة المستشعر الافتراضية — بديل برمجي لكل مستشعر فعلي. تتعلم هذه الوحدة توقع ما ينبغي أن يقيسه كل مستشعر من خلال النظر إلى البيانات الحديثة من جميع المستشعرات خلال نافذة زمنية قصيرة. لتحقيق ذلك بكفاءة، تستخدم الوحدة فرعين عصبيين مختلفين يعملان بالتوازي. أحدهما قائم على مُشفّر Transformer، الذي يتفوق في رصد الأنماط طويلة الأمد عبر الزمن. والآخر شبكة تكرارية ثنائية الاتجاه تنظر إلى الأمام والخلف على طول التسلسل لالتقاط كيفية ارتباط المستشعرات المختلفة ببعضها في كل لحظة. ثم تسمح آلية الانتباه المتبادل لهذه الفروع بتبادل المعلومات، مع إبراز الميزات المتوافقة وتقليل أهمية الضوضاء. الناتج هو توقع دقيق للغاية لما ينبغي أن يبلغ عنه كل مستشعر سليم في كل لحظة.

تحويل التباينات إلى إشارات تحذير واضحة

بعد أن يقدم المستشعر الافتراضي توقعاته، تقارن المنظومة هذه التوقعات بالقياسات الفعلية. الفرق المطلق بينهما — المتبقي — هو المادة الخام لاكتشاف الأعطال. المتبقيات الصغيرة توحي بسلوك طبيعي، بينما قد تشير المتبقيات الأكبر إلى وجود مشكلة. لكن بيانات العالم الحقيقي فوضوية، ونادرًا ما تتطابق حتى المستشعرات الجيدة مع النموذج الافتراضي تمامًا. لتمييز التذبذبات غير الضارة عن الأعطال الحقيقية، يدخل المؤلفون تسلسلات المتبقيات إلى وحدة كبيرة ثانية: كتلة تشخيص الأعطال مبنية من شبكات عصبية التلافيفية. مرة أخرى، يتخصص فرعان متوازيان في جوانب مختلفة. يستخدم أحدهما تقنية تُدعى الضغط والإثارة (squeeze-and-excitation) لإعادة وزن القنوات تلقائيًا والتركيز على الأنماط الأكثر معلوماتية. ويطبق الآخر انتباهًا عالميًا لإبراز المناطق المهمة عبر خريطة المتبقي بأكملها. تندمج هذه الدلائل العالمية والمحلية عبر الانتباه المتبادل، مما يتيح للمصنف التمييز بين التشغيل الطبيعي وثلاثة أنواع من الأخطاء: انحياز ثابت، انحراف تدريجي، وأخطاء تضخيم (مكاسب).

استبدال المستشعرات الخاطئة تلقائيًا

الاكتشاف وحده لا يكفي؛ يجب أن تحافظ المنظومة أيضًا على تشغيل التوأم الرقمي بسلاسة أثناء حدوث الأعطال. ولهذا الغرض، تتضمن البنية كتلة قرار تعمل كحلّال مروري تلقائي. لكل مستشعر، تستقبل هذه الكتلة كلًا من القراءة الحقيقية والتوقع الافتراضي، إلى جانب نتيجة التشخيص التي تشير إلى ما إذا كان هناك عطل. إذا حكم على المستشعر بأنه سليم، تمر قراءته الحقيقية إلى التوأم الرقمي. وإذا وُسِم بأنه معطوب، تقوم الكتلة فورًا بالتحويل إلى القراءة الافتراضية بدلًا من ذلك. يحدث هذا الاستبدال الديناميكي لعديد من المستشعرات بالتوازي، بدون تدخل بشري، مانعًا انتشار البيانات السيئة عبر خوارزميات التحكم والتحسين الأوسع.

مدى فعالية النهج الجديد في التطبيق العملي

اختبر الباحثون طريقتهم على مجموعتين بيانات عامتين: إحداهما تسجل درجات حرارة محولات الطاقة والأخرى تلتقط الضغوط في شبكة مكونة من 100 خزان مياه مترابط. أدخلوا أعطالًا صناعية واقعية من أنواع ومدد مختلفة في بيانات القياس الحقيقية، ثم درّبوا نظامهم وقيموه. أنتج المستشعر الافتراضي توقعات أكثر دقة من عدة بدائل قوية، بما في ذلك الشبكات التكرارية القياسية ونماذج Transformer الخالصة. وتفوّق أيضًا كتلة التشخيص على المصنّفات والمتسلسلات التلقائية المنافسة، خصوصًا في الحالات الصعبة حيث تتداخل أنواع الأعطال المختلفة أو تحدث أعطال متعددة معًا. كانت مكاسب الدقة بارزة بشكل خاص في سيناريوهات الأعطال المتعددة والمعقدة، حيث غالبًا ما يتم ارتباك النماذج التقليدية ذات الفرع الواحد.

ماذا يعني هذا للأنظمة الذكية المستقبلية

ببساطة، تُظهر الدراسة أن «كلب الحراسة» المصمم بعناية والمبني على شبكات عصبية متعددة الانتباه يمكنه رصد وتصحيح قراءات المستشعرات المعطوبة في الوقت الحقيقي، مما يحسّن بشكل كبير متانة التوائم الرقمية. من خلال الجمع بين وجهات نظر تكميلية لأنماط الزمن وعلاقات المستشعرات، وبالتحويل التلقائي إلى قياسات افتراضية عند الحاجة، تساعد البنية المقترحة على ضمان بقاء المرآة الرقمية أمينة حتى عندما تفشل بعض عيونها الفيزيائية. وبدور ذلك، يدعم هذا تشغيلًا أكثر أمانًا وموثوقية للبنى التحتية الحرجة مثل شبكات الطاقة والمياه مع تقدمها أعمق في عصر الصناعة 5.0.

الاستشهاد: Pan, L., Li, H., Li, X. et al. Hierarchical multi-attention neural networks for sensor fault diagnosis and mitigation in digital twins. Sci Rep 16, 8665 (2026). https://doi.org/10.1038/s41598-026-42046-5

الكلمات المفتاحية: التوأم الرقمي, تشخيص أعطال المستشعر, إنترنت الأشياء الصناعي, الشبكات العصبية, آلية الانتباه