طريقة تشخيص عطل في المحمل لنظام معقد تعتمد على قاعدة قواعد الاعتقاد الممتدة المُحسّنة

لماذا الحفاظ على صحة الآلات الدوّارة مهم

من توربينات الرياح إلى ناقلات المصانع، تعتمد العديد من الآلات الصناعية على محامل وتروس دوّارة تعمل بسرعات عالية لسنوات طويلة. عندما تبدأ هذه الأجزاء المخفية في التعطل يمكن أن توقف خطوط الإنتاج بأكملها أو حتى تتسبب في حوادث خطرة. تعرض هذه الورقة طريقة جديدة لاكتشاف مثل هذه الأعطال مبكراً وبموثوقية، حتى عندما تكون بيانات العالم الحقيقي فوضوية ومشحونة بالضوضاء ومائلة بشكل كبير نحو التشغيل الطبيعي.

مشكلة الأعطال النادرة والإشارات المشوشة

في الاستخدام اليومي، تكون المحامل والتروس سليمة في معظم الوقت، لذا تحتوي سجلات الاهتزاز على أمثلة طبيعية أكثر بكثير من الأمثلة المعطلة. تميل الأساليب التقليدية القائمة على البيانات، مثل الشبكات العصبية، إلى تعلم أنماط مثيرة للإعجاب لكنها تركز عادة على الفئة الأغلب، متجاهلة غالباً توقيعات الأعطال النادرة التي تهمنا أكثر. في الوقت نفسه، توضع حسّاسات الاهتزاز في بيئات قاسية مليئة بالضوضاء الميكانيكية والكهربائية، مما يطمس التفاصيل الدقيقة اللازمة للتمييز بين أنواع الأعطال المختلفة مثل تلف الحلبة الداخلية أو الحلبة الخارجية أو عيوب الكرات. مجتمعة، تجعل هذه المشكلات من الصعب بناء أنظمة تشخيص تكون دقيقة وجديرة بالثقة خارج المختبر.

مزج قواعد الخبراء بإحصاء أذكى

يبني المؤلفون على عائلة من النماذج المعروفة باسم قواعد الاعتقاد، التي تجمع بين قواعد الخبراء بصيغة «إذا كانت الميزات تبدو هكذا، فإن المحمل في هذه الحالة» مع احتمالات تعبّر عن عدم اليقين. نسخة ممتدة من هذا الإطار، تسمى EBRB، تحول قياسات المستشعر الخام إلى مستويات اعتقاد متدرجة (على سبيل المثال، منخفض جداً، متوسط، أو مرتفع جداً) بدلاً من عتبات صارمة. هذا يجعل التعامل مع المعلومات الغامضة أو الناقصة أسهل. مع ذلك، اعتمدت الإصدارات السابقة على مسافة هندسية بسيطة لتقرير مدى تطابق نمط الاهتزاز الجديد مع قاعدة مخزنة، وهو قرار لا يعكس تمامًا الاختلافات في التوزيعات الاحتمالية الأساسية عندما تكون الإشارات مشوشة.

قياس المعلومات بدل المسافة

للالتقاط أفضل للتغيرات الدقيقة في أنماط الاهتزاز، تستبدل الورقة المسافة البسيطة بأداة من نظرية المعلومات تُدعى تباعد كولباك–ليبلر. بدلاً من السؤال عن بُعد نقطتين في الفضاء، يقيس هذا المؤشر مقدار المعلومات المفقودة عندما يُستخدم نمط احتمالي واحد لمحاكاة آخر. من خلال حساب نسخة متماثلة من هذا التباعد بين ملفات الاعتقاد للبيانات الواردة وكل قاعدة، يمكن للنموذج تقييم المطابقات بطريقة تُعطي اهتماماً بكيفية توزيع الكتلة الاحتمالية، لا فقط بحجمها. هذا يؤدي إلى تنشيط قواعد أكثر دقة، خصوصاً عندما تبدو الأعطال المختلفة متشابهة في الشدّة العامة لكنها تختلف في توزيع ميزاتها.

إعطاء الأعطال النادرة صوتاً عادلاً

حتى مع مطابقة أفضل، يمكن لمجموعة بيانات غير متوازنة أن تُحَيِّز التعلم نحو حالة السليمة التي تمثّل الأغلبية. لمواجهة ذلك، يقدم المؤلفون استراتيجية تجميعية للتقليل من العيّنات (undersampling). يقومون مراراً بتقليص العينات الوفيرة للحالة السليمة ويجمعونها مع جميع عينات الأعطال المتاحة لإنشاء عدة مجموعات تدريب متوازنة. لكل مجموعة فرعية، يدربون نموذجاً منفصلاً من قواعد الاعتقاد الممتدة ثم يُحسّنون أوزانه الداخلية باستخدام خوارزمية التطور التفاضلي، وهي طريقة بحث سكانية مناسبة للمناظرات المعقدة. عند التنبؤ، تحلل كل هذه النماذج الفرعية نفس البيانات الواردة، ويقرر نظام تصويت الملصق النهائي للحالة الصحية، مما يمنح أنماط الأعطال النادرة فرصاً متعددة للاعتراف بها.

مدى نجاح الطريقة عملياً

يختبر الفريق منهجهم على مجموعتي بيانات معياريتين مستخدمتين على نطاق واسع: واحدة للمحامل الدوارة وأخرى للتروس. لمحاكاة الظروف الواقعية، يدربون على بيانات اهتزاز سُجلت بتردد أخذ عينات أو حالة تشغيلية معينة ويختبرون على بيانات مأخوذة بتردد أو حالة تشغيلية مختلفة، مع الحفاظ على عدم توازن الطبقات بشدة في المجموعتين. عبر مجموعة من المقاييس مثل الدقة والدقة التنبؤية والاسترجاع ودرجة F1، يتفوق الأسلوب الجديد بشكل ثابت على أنظمة قواعد الاعتقاد التقليدية، ونماذج التعلم الآلي القياسية، وتقنيات التعامل مع عدم التوازن الشائعة. يظهر مكاسب قوية خاصة في فئات الأعطال الأقل تمثيلاً ويحافظ على أداء عالٍ حتى عند إضافة ضوضاء صناعية إلى ميزات الإشارة الأساسية.

ماذا يعني هذا للآلات الحقيقية

بالنسبة للقارئ غير المتخصص، الرسالة الأساسية هي أن هذه الطريقة توفر فحصاً صحياً أكثر موثوقية للمحامل والتروس في الظروف الفوضوية الموجودة في المصانع الحقيقية. من خلال الجمع بين قواعد على طريقة الخبراء وطريقة أذكى لمقارنة الأنماط الاحتمالية ونظام تصويت عادل للأحداث النادرة، يقلل النهج من خطر أن تُغرق إشارات التلف المبكرة في فيض البيانات الطبيعية وضوضاء الخلفية. يستنتج المؤلفون أن قاعدة قواعد الاعتقاد التجميعية الخاصة بهم يمكن أن توفر تشخيص أعطال دقيقاً وقابلاً للتفسير ومقاوماً للضوضاء، ويقترحون توسيعها لتشمل أجزاء دوّارة أخرى مع أتمتة عدد مجموعات البيانات الفرعية المطلوبة لتحقيق أفضل أداء.

الاستشهاد: Yan, X., Li, N., Nan, S. et al. A bearing fault diagnosis method for complex system based on improved extended belief rule base. Sci Rep 16, 15827 (2026). https://doi.org/10.1038/s41598-026-44629-8

الكلمات المفتاحية: تشخيص عطل المحمل, تشخيص عطل الترس, مراقبة الاهتزاز, التعلم التجميعي, قاعدة قواعد الاعتقاد