نموذج اندماج TCN-Attention للتنبؤ بالأعطال وتقدير العمر المفيد المتبقي لمعدات التعدين واسعة النطاق

لماذا تهتم بالصيانة الذكية لآلات التعدين

تعمل المناجم الحديثة بأساطيل من الشاحنات والحفارات العملاقة التي تعمل بشكل شبه مستمر في ظروف قاسية. عندما يتعطل أحد هذه الآلات دون تحذير، قد يتوقف الإنتاج ويتعرّض العمال للخطر. يعرض هذا المقال طريقة جديدة للاستفادة من تدفقات بيانات المستشعرات والذكاء الاصطناعي المتقدم لرصد المشاكل مبكراً وتقدير مقدار العمر المفيد المتبقّي للآلة، مما يحول الأعطال المفاجئة إلى أحداث متوقعة يمكن إدارتها.

من إصلاح ما بعد العطل إلى التخطيط المسبق

لسنوات طويلة، كان يتم إصلاح المعدات الثقيلة غالباً بعد وقوع خلل أو وفق جداول زمنية ثابتة لا تعكس تماماً البلى الحقيقي. ومع تزايد التجهّيز في المناجم، يجمع المهندسون الآن كميات هائلة من بيانات الاهتزاز ودرجة الحرارة والضغط وبيانات التشغيل من أجزاء حيوية مثل صناديق التروس ومضخات الهيدروليك. يمكن للنماذج التقليدية وأساليب التعلم الآلي الأبسط أن تستفيد من بعضها، لكنها تكافح مع السلوك المعقد والمتغير للآلات الحقيقية في بيئات قاسية. يرى المؤلفون أن هناك حاجة إلى نهج أكثر مرونة — способен على تعلم أنماط التدهور البطيء على مدى شهور وفي الوقت نفسه الاستجابة للتغيرات المفاجئة.

نظام عصبي بياني متعدد الطبقات للآلات الكبيرة

يبني جوهر الدراسة نموذج تعلّم عميق يعمل كجهاز عصبي لمعدات التعدين. يستقبل بيانات زمنية متعددة القنوات — عشرات قراءات المستشعرات المتبعة عبر الزمن — ويمرّرها عبر شبكة التلافيف الزمنية. تنظر هذه الشبكة إلى عدة خطوات زمنية سابقة في آن واحد، مستخدمة مرشحات متباعدة بعناية قادرة على التقاط كل من الاندفاعات السريعة والاتجاهات الطويلة الأمد دون الحاجة لمعالجة البيانات لحظة بلحظة. وعلى قمة هذا الهيكل، يضيف المؤلفون وحدة انتباه مزدوجة ذات فرعين: فرع يتعلم أي اللحظات في تاريخ الآلة هي الأهم، وفرع آخر يبرز أي المستشعرات أكثر إفادة. بمصطلحات يومية، يتعلم النموذج "إعادة تشغيل" و"التكبير على" الحلقات والقياسات الأكثر دلالة عند تقييم حالة الآلة.

التنبؤ بحالة الصحة وبالعمر المتبقي معاً

بدلاً من بناء أدوات منفصلة، يصمم الباحثون النظام للإجابة على سؤالين في آن واحد: في أي حالة توجد المعدات الآن، وإلى متى يمكن أن تستمر قبل أن يفشل محتملًا؟ أحد فروع المخرجات يصنّف الحالة الحالية إلى أربعة مستويات، تتراوح من التشغيل الطبيعي إلى الفشل الوشيك. الفرع الآخر يقدّر العمر المفيد المتبقّي بالساعات. تشترك المهمتان في معظم التمثيل الداخلي، وتقوم عملية التدريب تلقائياً بضبط مقدار التركيز على كل هدف اعتماداً على عدم اليقين في أخطائه. هذا التعلم المشترك يمكّن النموذج من استخدام دلائل من مهمة واحدة لتحسين الأخرى — على سبيل المثال، التعرف على إشارات نموذجية للتدهور الحاد التي ينبغي أن تتزامن مع عمر متبقٍ قصير.

الاختبار على شاحنات وحفارات حقيقية

لاختبار مدى فعالية الطريقة، طبّق الفريق النموذج على مجموعة بيانات غنية من منجم نحاس مفتوح في الصين. على مدار 18 شهراً، راقبوا 12 شاحنة نقل كبيرة وحفارات مزودة بما يصل إلى 21 مستشعراً لكل منها، مسجلين أكثر من 800 عطل وتواريخ تشغيل كاملة حتى الفشل. بعد عملية تنظيف دقيقة، وموازنة حالات الأعطال النادرة، واستخراج الميزات، قارنوا نموذجهم بمجموعة من البدائل، بما في ذلك التقنيات الكلاسيكية ونهج التعلم العميق الحديثة مثل شبكات LSTM والمحولات وأنظمة التلافيف الزمنية الأخرى. حقق النموذج الجديد أعلى دقة في التنبؤ بالأعطال (حوالي 92 بالمئة) وأدنى خطأ في تقديرات العمر المتبقي، موضحاً أكثر من 90 بالمئة من التباين في أوقات الحياة الحقيقية. كما حافظ على أداء جيد عند محاكاة مستشعرات مفقودة وقياسات ضوضائية، متدهوراً بشكل أكثر تدريجية من الطرق المنافسة.

ماذا يعني هذا للمناجم وما بعدها

عملياً، تُظهر الدراسة أن الجمع بين التلافيف الزمنية والاهتمام عبر الزمن والمستشعرات يمكن أن يحول بيانات المراقبة الخام إلى تحذيرات مبكرة موثوقة وتقديرات زمنية حتى الفشل لآلات كبيرة جداً. بالنسبة لتشغّيل المناجم، يمكن أن يترجم ذلك إلى توقفات مفاجئة أقل، وتخطيط أفضل لنوافذ الصيانة، وإدارة احتياطي قطع غيار أكثر كفاءة، وتحسين السلامة. وبشكل أوسع، يقترح العمل قالباً للصيانة التنبؤية في أي صناعة تولّد فيها المعدات المعقَّدة تدفقات من بيانات المستشعرات — من توربينات الرياح إلى روبوتات المصانع — موفراً مساراً نحو بنى تحتية أذكى وأكثر مرونة.

الاستشهاد: Mao, J., Xu, W., Li, D. et al. A TCN-Attention fusion model for fault prediction and remaining useful life estimation of large-scale mining equipment. Sci Rep 16, 13746 (2026). https://doi.org/10.1038/s41598-026-43145-z

الكلمات المفتاحية: الصيانة التنبؤية, معدات التعدين, العمر المفيد المتبقي, التعلّم العميق, بيانات المستشعرات