قاعدة قواعد الاعتقاد الشجرية الهرمية لتشخيص الأعطال في الأنظمة الكهروميكانيكية المعقدة

فحوصات أذكى لسلامة الآلات

تعتمد القطارات الحديثة والمصانع والطائرات على أنظمة كهروميكانيكية معقدة مملوءة بالمستشعرات ودارات التحكم. عندما يتسلل عطل خفي، قد تكون العواقب مكلفة أو حتى خطيرة. تقدم هذه الورقة طريقة جديدة لاكتشاف مثل هذه المشكلات مبكراً، مستخدمة نظام استدلال متعدد الطبقات يدمج بصيرة هندسية بشرية مع بيانات الآلات، مع الحفاظ على شفافية المنطق بما يكفي ليتمكّن الخبراء من فهمه والثقة به.

لماذا يصعب اكتشاف الأعطال الخفية

تُبنى الآلات الكبيرة، مثل المحركات ذات المغناطيس الدائم في قطارات السرعة العالية، لتكون موثوقة للغاية. الأعطال الحقيقية نادرة، لذلك هناك أمثلة قليلة معيبة لتدريب نماذج التعلم الآلي التقليدية. في الوقت نفسه، تكون الإشارات القادمة من هذه الأنظمة غنية ومعقدة: العديد من المستشعرات، وظروف تشغيل متعددة، وأعطال قد تكون ثابتة أو تنمو ببطء أو مفاجئة وعشوائية. يمكن أن تكون النماذج المبنية على الفيزياء صعبة الإنشاء بالتفصيل، ونماذج البيانات الخالصة قد تتصرف كصناديق سوداء، تعطي إجابات دقيقة دون تفسير استدلالها. أنظمة القواعد الحالية التي تحاول مزج القواعد الخبيرة مع البيانات غالباً ما تواجه مشكلة أخرى: مع تزايد عدد ميزات المستشعر، ينفجر عدد القواعد الممكنة، مما يجعل النهج ضخمًا جدًا للاستخدام عملياً.

شجرة متعددة الطبقات من القواعد المألوفة للبشر

يتعامل المؤلفون مع مشكلة انفجار القواعد مباشرة بإعادة تشكيل طريقة تنظيم القواعد. بدلاً من جدول قواعد مسطّح ضخم يجرب كل تركيبة من الميزات، يبنون شجرة من كتل قواعد أصغر. تنظر كل كتلة صغيرة في عدد قليل من الميزات المختارة بعناية وتنتج درجة اعتقاد حول حالة العطل التي تكون عليها الآلة. تُرتب هذه الكتل في هرمية، بحيث تتعامل الكتل عالية المستوى مع الميزات الأكثر إفادة، في حين تقوم الكتل الدنيا بصقل القرار بتفاصيل إضافية. تستكشف عملية بحث تطورية تلقائياً العديد من تخطيطات الشجرة المحتملة وتحتفظ بتلك التي توفق بين الدقة والبساطة، بحيث لا يضطر المهندسون إلى تصميم البنية الكاملة يدويًا.

اختيار الإشارات المناسبة للمراقبة

قبل حتى بناء الشجرة، يعمل الأسلوب على اختيار ميزات المستشعر الأكثر فائدة. يقيس مدى ارتباط كل ميزة بأنواع الأعطال باستخدام أفكار من نظرية المعلومات، ثم يُعدّل هذه الدرجات بمعرفة خبراء حول كيفية تأثير الأعطال فعلياً على التيارات والاهتزازات وإشارات أخرى. على سبيل المثال، تُخفض قيمة ميزة تتغير كثيراً مع السرعة أو الحمولة لكنها لا تتغير مع الأعطال، بينما تُعزّز ميزة معروفة بتتبع نمط عطل محدد. تمزج الدرجة النهائية لكل ميزة بين دليل البيانات والبصيرة الفيزيائية والخبرة السابقة عبر ظروف تشغيل مختلفة. تُحتفظ فقط بالميزات الأعلى ترتيبًا، مما يقلص فضاء الدخل ويمنع إنشاء قواعد غير ضرورية من الأصل.

دمج الأدلة المتداخلة دون احتساب مزدوج

بما أن الشجرة تحتوي على عدة كتل قواعد قد تعتمد على إشارات مرتبطة، فإن مخرجاتها ليست مستقلة. إذا تم تجاهل هذا التداخل، فقد يقوم أسلوب دمج قياسي بحساب نفس قطعة الدليل عدة مرات بشكل غير مقصود ويشوه التشخيص النهائي. لتجنب ذلك، يعدّل المؤلفون إطار عمل يُدعى MAKER، الذي يقيس مدى تشابه مخرجات الكتل المختلفة، بما في ذلك الروابط اللاتخطية الدقيقة. تُعطى كل كتلة موثوقية بناءً على دقتها الماضية، ووزنًا يعكس أهميتها، ومقياس ترابط يعكس مقدار معلوماتها الموجود بالفعل في مكان آخر. تُستخدم هذه العوامل معًا لتعديل مقدار تأثير كل كتلة على القرار النهائي، بحيث تُخفّف الأدلة القوية لكنها زائدة عن الحاجة بينما تحمل الأدلة الفريدة والموثوقة وزنًا أكبر.

وضع الطريقة للاختبار على محركات حقيقية

لاختبار نهجهم، استخدم الباحثون نظام قيادة كهربائي حقيقي مبني حول محرك تزامني ذو مغناطيس دائم، مشابه لتلك المستخدمة في السكك الحديدية عالية السرعة. حقنوا أربعة أنواع من أعطال المستشعر في قياسات التيار: انحراف ثابت، كسب خاطئ، انجراف بطيء مع الزمن، ونقاط عشوائية متقطعة، إلى جانب حالة سليمة. من إحصاءات بسيطة زمنية للتيار، مثل الطاقة ومقاييس مرتبطة بالذروة، اختار الأسلوب مجموعة مدمجة من ست ميزات وبنى شجرة قواعد هرمية. على مجرد 480 عينة بيانات، طابق أو تفوق على دقة عدة نماذج تعلم آلي متقدمة، مع استخدام عدد أقل بكثير من القواعد مقارنة بنظام قواعد اعتقاد تقليدي والحفاظ على إمكانية تتبع كل خطوة من الاستدلال. كما جعلت بنية الشجرة التدريب والاستدلال في الوقت الحقيقي أسرع، وهي نقطة مهمة للمراقبة الصناعية.

ماذا يعني هذا لآلات أكثر أمانًا

بعبارة بسيطة، تُظهر الدراسة أنه يمكن مراقبة الآلات المعقدة بنظام قواعد يبقى قابلاً للإدارة، يشرح خياراته، ويعمل جيدًا حتى عندما تكون أمثلة الأعطال قليلة. من خلال اختيار الإشارات الأكثر إفادة أولاً، ثم تنظيم كتل قواعد صغيرة في شجرة ودمج مخرجاتها بطريقة تراعي الترابط، يتجنب الأسلوب الزيادة المعتادة في عدد القواعد وغموض العديد من نماذج التعلم. لمشغلي القطارات والمصانع والأنظمة الحرجة الأخرى للسلامة، يقدم هذا مسارًا نحو أدوات تشخيص أعطال دقيقة ومفهومة على حد سواء، تساعد الخبراء البشريين على الوثوق بالتنبيهات الآلية وتنقيحها بدلاً من قبولها على أساس الإيمان فقط.

الاستشهاد: Chen, M., Su, T., Cheng, C. et al. Hierarchical tree-structured belief rule base for fault diagnosis of complex electromechanical systems. Sci Rep 16, 15267 (2026). https://doi.org/10.1038/s41598-026-45997-x

الكلمات المفتاحية: تشخيص الأعطال, الأنظمة الكهروميكانيكية, قاعدة قواعد الاعتقاد, أعطال المستشعر, النمذجة الهرمية