التعلم الصوري الموجه بالفيزياء مع تعزيز الاهتزاز الانضغاطي لتحليل الأعطال في المضخات الطردية متعددة المراحل

لماذا تهم مراقبة المضخات الأذكى

تعمل خلف مصانع ومحطات طاقة وأنظمة مياه عديدة مضخات طردية متعددة المراحل تحافظ بهدوء على حركة السوائل. عندما تتعرض هذه المضخات لأضرار خفية، قد تخسر الشركات آلاف الساعات في الإصلاح وملايين الدولارات بسبب التوقف والحوادث. تبيّن هذه الدراسة كيف أن الجمع بين معرفة الفيزياء والذكاء الاصطناعي الحديث المعتمد على الصور يمكنه اكتشاف مشاكل دقيقة داخل هذه المضخات مبكراً، حتى عندما تكون الإشارات مشوشة وتتغير ظروف التشغيل.

الحياة الخفية للمضخات الصناعية

تستخدم المضخات الطردية متعددة المراحل عدة دوارات (دافعات) متتابعة لزيادة الضغط ودفع السائل عبر الأنابيب. في المنشآت الحقيقية، أدت أعطال هذه المضخات إلى آلاف ساعات صيانة وعشرات الملايين من الخسائر المالية. تبدأ المشاكل المزعجة غالباً كـ «أعطال ناعمة»: ثقوب صغيرة أو خدوش في الأختام وتآكل مبكر في الدافعات. هذه العيوب لا توقف المضخة فوراً لكنها تضعف الأداء والسلامة تدريجياً. وبما أن المضخات تعمل تحت ضغوط مختلفة ومحيطة بمعدات أخرى تهتز، فإن الإشارات المبكرة للمشكلة مدفونة داخل بيانات اهتزاز معقدة ومشوشة.

تحويل الاهتزازات إلى صور مفيدة

بنى المؤلفون جهاز اختبار قائم على مضخة صناعية وأدخلوا متعمداً ثلاث أعطال ناعمة واقعية: حفر في ختم، خدش في ختم، وفقد مادّي على إحدى الدافعات، إضافة إلى حالة طبيعية. رُكّبت حساسات اهتزاز على غلاف المضخة، قرب الأختام، وبالقرب من الدافعة. بدلاً من اعتبار سجل الاهتزاز كاملاً مفيداً على قدم المساواة، قسّم الفريق كل إشارة إلى نوافذ زمنية قصيرة متعددة. ثم قيّموا هذه النوافذ باستخدام ثلاثة مقاييس ذات معنى فيزيائي: الطاقة الكلية، الاندفاعية، وكمية الطاقة في نطاق ترددي معروف بحساسيته للأعطال وفق فيزياء المضخة. احتُفظ فقط بأعلى النوافذ تقييماً، الأرجح احتواؤها على معلومات مفيدة عن الأعطال، للتحليل اللاحق.

دمج ثلاث وجهات نظر لإشارة واحدة

من كل نافذة مختارة، أنشأ الباحثون صورة «مدمجة» خاصة مصممة لالتقاط جوانب مختلفة من سلوك المضخة. أحد القنوات هو نسخة موجهة بالفيزياء من مخطط ميل للطيف (Mel spectrogram)، يبرز كيفية توزيع طاقة الاهتزاز عبر الزمن والتردد، مع تركيز إضافي على نطاق التردد الذي تظهر فيه الأعطال عادة. القناة الثانية، المسماة حقل اختلاف غرامياني زاوي (Gramian Angular Difference Field)، تحول الإشارة الزمنية إلى صورة نمطية تكشف كيف ترتبط نقاط الإشارة بعضها ببعض عبر الزمن، مما يجعل الصدمات غير المنتظمة والتغيرات غير الخطية بارزة. القناة الثالثة، خريطة التفاعل العرضي (Cross Interaction Map)، تعزز المناطق التي تتفق فيها الكيانتان الأخريان وتضعف تلك المحتملة الناتجة عن الضوضاء. إن تكديس هذه القنوات الثلاث يُنتج صورة مدمجة تُرمز الزمن والتردد والبنية الزمنية معاً.

توجيه الذكاء الاصطناعي بالفيزياء

تُغذى هذه الصور المدمجة بعد ذلك إلى شبكة عصبية تلافيفية مدمجة تتعلم التعرف على الأنماط المرتبطة بحالات المضخة المحددة. ابتكار رئيسي هو آلية انتباه «تعزيز الانضغاط المنبّه» (enhanced squeeze excitation). ببساطة، لا ينظر النموذج فقط إلى سمات الصورة التي تعلمها، بل يتلقى أيضاً متجه جانبي صغير من مؤشرات الاهتزاز الكلاسيكية المشتقة من الفيزياء، مثل مستوى القيمة التربيعية الجذرية (RMS)، الاندفاعية، عامل القمة، وحصة الطاقة في النطاق الحساس للأعطال. يستخدم وحدة الانتباه هذه المعلومات الجانبية لتقرر أي قنوات السمات الداخلية يجب التأكيد عليها أو تخفيفها، مما يدفع الشبكة للتركيز على الأنماط التي تتوافق مع السلوك الميكانيكي الحقيقي بدلاً من الارتباطات العشوائية في البيانات.

ما مدى فاعلية النهج؟

اختبر الإطار على بيانات اهتزاز حقيقية من جهاز الاختبار للمضخة تعمل عند ثلاث ضغوط تمثل الاستخدام الصناعي: 3 بار، 3.5 بار، و4 بار. عند كل ضغط، كان على النموذج تمييز التشغيل الطبيعي عن الأنواع الثلاثة للأعطال. عبر كل الضغوط، حقق دقة تصنيف تجاوزت 99 بالمئة، مع درجة F1 ماكرو (توازن الدقة والاستدعاء) تجاوزت أيضاً 0.99، ووصل إلى نتائج مثالية عند أعلى ضغط. قارن المؤلفون طرقة عملهم بعدة بدائل متقدمة، بما في ذلك التعلم الانتقالي من شبكات صور قياسية، استخلاص الميزات المعتمد على الإنتروبي، ونماذج عميقة أخرى مستوحاة من الفيزياء. في كل حالة، طابق إطار الصور المدمجة الموجه بالفيزياء مع الانتباه أو تفوّق عليها، خاصة عندما تغيرت ظروف التشغيل.

ما الذي يعنيه ذلك للصيانة في العالم الحقيقي

بالنسبة للمهندسين ومشغلي المحطات، يوضح هذا العمل طريقة عملية لدمج فهمهم لفيزياء المضخة مع قدرة التعلم العميق على اكتشاف الأنماط. من خلال اختيار الأجزاء الأكثر معلوماتية من إشارات الاهتزاز بعناية، تحويلها إلى صور غنية لكن مدمجة، وتوجيه الشبكة بمؤشرات فيزيائية بسيطة، يمكن للطريقة التنبيه الموثوق للضرر المبكر في الأختام والدافعات قبل وقوع فشل كارثي بوقت طويل. على المدى الطويل، قد تساهم أدوات الذكاء الاصطناعي الواعية بالفيزياء هذه في تحويل صيانة المضخات من إصلاحات تفاعلية بعد الأعطال إلى تدخلات مخططة مبنية على تحذيرات مبكرة موثوقة.

الاستشهاد: Ullah, S., Umar, M. & Kim, JM. Physics guided fused image learning with enhanced squeeze excitation for failure analysis of multistage centrifugal pumps. Sci Rep 16, 16179 (2026). https://doi.org/10.1038/s41598-026-47809-8

الكلمات المفتاحية: أعطال المضخات الطردية, مراقبة الاهتزاز, التعلم العميق الموجه بالفيزياء, الصيانة المعتمدة على الحالة, التشخيص الصناعي