شبكة بيانية مكانية-زمنية ذات فرعين لتشخيص أعطال المحامل

مراقبة حالة الآلات الدوّارة

من توربينات الرياح إلى ناقلات المصانع، تعتمد العديد من الآلات على محاور دوّارة مدعومة بمكونات معدنية صغيرة تُسمى المحامل. عندما يبدأ المحمل في الفشل، قد يتسبب ذلك في تلف المعدات بهدوء، وخفض الإنتاجية، وحتى التسبب في حوادث. تقدم هذه الورقة نهجًا جديدًا للاستماع إلى الاهتزازات الدقيقة للمحامل واكتشاف المشكلات مبكرًا وبموثوقية، حتى عندما تكون الإشارات مشوشة وظروف التشغيل متغيرة.

لماذا يصعب تشخيص المحامل

تعتمد الصناعة الحديثة على آلات دوّارة تعمل غالبًا لساعات طويلة في بيئات قاسية. تقع المحامل في قلب هذه الأنظمة، وتعد أعطالها سببًا رئيسيًا للتوقفات غير المخططة. سعى المهندسون لفترة طويلة إلى قراءة حالة المحامل من إشارات الاهتزاز، بدءًا من الحواس البشرية والأدوات البسيطة، ثم المعالجات الإشارية المتقدمة، ومؤخرًا التعلم الآلي والتعلّم العميق. ومع ذلك، لا تزال هذه الأساليب تواجه صعوبات عندما تتغير السرعة، أو يكون التشويش قويًا، أو تتوفر أمثلة قليلة للأعطال. تكمن إحدى المشكلات في أن العديد من الطرق تعامل بيانات الاهتزاز كسلاسل زمنية عادية أو صور، متجاهلة العلاقات الغنية بين نقاط الزمن والتردد التي قد تكشف عن علامات تلف خفيفة.

تحويل الاهتزازات إلى أنماط مترابطة

يقترح المؤلفون منظورًا جديدًا: بدلًا من رؤية الاهتزاز كإشارة مسطحة، يعاملونه كشبكة من النقاط المترابطة التي تتطور عبر الزمن والتردد. أولًا، يجزئون الإشارة الأولية إلى مقاطع قصيرة ويطبقون تحويل فورييه قصير الزمن، الذي يوزع كل مقطع إلى خريطة توضح كيف يتوزع الطيف الطاقي على الزمن والتردد معًا. ثم يحولون هذه الخرائط إلى أطياف طاقة تبرز مواقع ذرى الطاقة المرتبطة بالأعطال مقارنةً بالسلوك الطبيعي. يصبح كل عينة معالجة عقدة في شبكة "مكانية-زمنية"، وترسم الوصلات بين العقد ذات الأنماط الطيفية المتشابهة. تحافظ هذه البنية الموصولة بالكامل على العلاقات الدقيقة بين الترددات ولحظات الزمن التي قد تشير إلى أعطال مبكرة أو نادرة.

التعلّم من منظورين في آن واحد

لتحليل هذه الشبكة، يبني الباحثون شبكة بيانية مكانية-زمنية ذات فرعين (DBSGN). في جوهرها يوجد نوع من الشبكات العصبية المصممة لبيانات الرسوم البيانية، التي يمكنها تمرير معلومات عبر الوصلات ودمجها من العقد المجاورة. تستخدم المجموعة شكلًا فعالًا رياضيًا من الالتفاف البياني يعتمد على كثيرات حدود شبيشيف ومصفوفة لابلاسيان الرسم البياني، مما يسمح بالتقاط أنماط الجوار متعددة الخطوات دون عبء حسابي كبير. والأهم أنهم يقسمون التعلم إلى فرعين منفصلين: فرع مدرّب على جميع العينات لالتقاط الأنماط العامة للسلوك الطبيعي والملوَّث، وفرع آخر مدرّب فقط على عينات الأعطال ليتخصص في السمات الأكثر دقة التي تميز أنواعًا وشدات ضرر مختلفة.

ترك القرار للنموذج حول أي فرع يثق به

نظرًا لأن حالات التشغيل الطبيعية والعارضة تضع مطالبًا مختلفة جدًّا على النموذج، فالمتوسط البسيط بين الفرعين سيكون دون المستوى الأمثل. بدلًا من ذلك، يقدم المؤلفون آلية انتباه متعلمة تنظر إلى مخرجات كلا الفرعين لكل عينة وتمنح أوزانًا تكيفية لهما. للإشارات الصحية الواضحة، يميل الدمج أكثر نحو الفرع المدرب على جميع البيانات؛ وللأعطال الواضحة، يؤكد الفرع المخصص للأعطال؛ وللحالات الحدّية أو الأعطال الطفيفة، يوازن بينهما. يُدرّب هذا الدمج مع الفرعين معًا باستخدام دالة خسارة مركبة مصممة بعناية بحيث يتعاون النظام بأكمله لتحسين التعرّف على كل فئة، من الصحي إلى المتضرر بشدة.

إثبات المنهج في بنى اختبار حقيقية

يقيم الفريق أداء DBSGN على ثلاث مجموعات بيانات محامل مستخدمة على نطاق واسع من Case Western Reserve University وPaderborn University وجامعة أوتاوا. تغطي هذه الاختبارات آلات وأجهزة استشعار وأحمال وسرعات وأنواع عيوب مختلفة، بما في ذلك سرعات دوران متغيرة عبر الزمن. عبر ستة مقاييس أداء معيارية — الدقة، الدقة النوعية (precision)، الاستدعاء (recall)، مقياس F1، المساحة تحت منحنى ROC، ومعامل الارتباط ماثيوز — يطابق الأسلوب المقترح أو يتفوق على مجموعة من المنافسين الأقوياء، بما في ذلك خطوط أنابيب التعلم الآلي التقليدية، الشبكات الالتفافية، المحولات لسلاسل الزمن، والأساليب البيانية السابقة. في مجموعة بيانات واحدة، يحقق DBSGN درجات مثالية، محددًا كل عينة بشكل صحيح. تُظهر تصوريات السمات المتعلمة أنه بعد الدمج تتكوّن مجموعات منفصلة بوضوح لحالات المحامل المختلفة، مما يدل على أن النموذج اكتشف بنية داخلية واضحة في البيانات.

ماذا يعني هذا للآلات اليومية

بعبارة بسيطة، تُظهر هذه الدراسة أن معاملة بيانات الاهتزاز كشبكة حية من الأحداث المترابطة — والسماح لنموذجين متخصصين بمناقشة وآلية دمج آرائهما — يمكن أن يجعل تشخيص الأعطال أكثر دقة وثباتًا. بالنسبة لمشغلي المصانع وفرق الصيانة، يعد مثل هذا النظام بإنذارات أسرع وأكثر موثوقية لمشاكل المحامل، وعدد أقل من الأعطال المفاجئة، وتشغيلًا أكثر أمانًا للمعدات الحرجة. يلاحظ المؤلفون أن بناء الرسم البياني والميزات الطيفية الحالية لا تزال تعتمد على بعض الاختيارات المعايرة يدويًا، وقد تعمل الأبحاث المستقبلية على أتمتة وإثراء هذه الخطوات. ومع ذلك، يمثل النهج الثنائي الفرع والمكاني-الزمني خطوة واعدة نحو مراقبة أذكى وأكثر مرونة للأجزاء الدوّارة التي تشغّل الصناعة الحديثة.

الاستشهاد: Wang, Y., Li, Y., Li, C. et al. Dual-branch spatio-temporal graph network for bearing fault diagnosis. Sci Rep 16, 13184 (2026). https://doi.org/10.1038/s41598-026-42504-0

الكلمات المفتاحية: تشخيص أعطال المحامل, الآلات الدوارة, الشبكات العصبية البيانية, تحليل الاهتزازات, الصيانة التنبؤية