Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

שיטת אבחון תקלה במיסבים למערכת מורכבת המבוססת על בסיס כללי אמונה מורחב משופר

· חזרה לאינדקס

למה חשוב לשמור על בריאות מכונות מסתובבות

לטורבינות רוח ועד מסועי מפעל, מכונות תעשייתיות רבות מסתמכות על מיסבים וגירים המסובבים במהירויות גבוהות למשך שנים. כשחלקים חבויים אלה מתחילים להיכשל, הם עלולים לעצור קווי ייצור שלמים או אפילו לגרום לתאונות מסוכנות. מאמר זה מציג דרך חדשה לזהות תקלות מוקדם ובאמינות, גם כאשר הנתונים מהשטח מעורפלים, רעשניים ומעוטי דוגמאות בלתי תקינות.

הבעיה של תקלות נדירות ואותות רועשים

בשימוש יומיומי, מיסבים וגירים בריאים רוב הזמן, ולכן רישומי הרעידות מכילים הרבה דוגמאות נורמליות יותר מאשר תקולות. שיטות מונחות-נתונים סטנדרטיות, כגון רשתות עצביות, יכולות ללמוד דפוסים מרשימים אך נוטות להקצין את מעמד הקבוצה הרובית ולדלג על חתימות תקלות נדירות שחשובות. במקביל, חיישני רעידות פועלים בסביבות קשות מלאות ברעש מכני וחשמלי, המטשטש פרטים עדינים הדרושים להבחנה בין סוגי תקלות כמו נזק לנתיב פנימי, נזק לנתיב חיצוני או פגמים בכדור. יחד, בעיות אלו מקשות על בניית מערכות אבחון מדויקות ואמינות מחוץ למעבדה.

Figure 1. שימוש באנשמבר של כללים כדי להפוך רעידות מכניות רעשניות למצב ברור של תקינות או תקלה ברכיבי סיבוב.
Figure 1. שימוש באנשמבר של כללים כדי להפוך רעידות מכניות רעשניות למצב ברור של תקינות או תקלה ברכיבי סיבוב.

שילוב כללי מומחה עם סטטיסטיקה חכמה יותר

המחברים מתבססים על משפחה של מודלים הידועים כבסיסי כללי אמונה, המשלבים כללי מומחה מהסוג "אם תכונות מסוימות נראות כך, אז המיסב במצב הזה" עם הסתברויות המבטאות אי-ודאות. גרסה מורחבת של מסגרת זו, הנקראת EBRB, ממירה מדידות גולמיות של חיישנים לרמות אמונה מדורגות (למשל נמוכה מאוד, בינונית או גבוהה מאוד) במקום ספים קשיחים. זה מקל על התמודדות עם מידע מעורפל או לא שלם. עם זאת, גרסאות קודמות הסתמכו על מדידת מרחק גאומטרי פשוט כדי להחליט עד כמה דפוס רעידה חדש מתאים לחוק מאוחסן — בחירה שאינה משקפת במלואה הבדלים בהתפלגויות ההסתברות הבסיסיות כאשר האותות רעשניים.

מדידת מידע במקום מרחק

כדי ללכוד טוב יותר שינויים עדינים בדפוסי רעידה, המאמר מחליף את מדידת המרחק הכללית בכלי מתוך תורת המידע שנקרא חריגת קולהבק-לייבלר (Kullback–Leibler). במקום לשאול עד כמה שתי נקודות רחוקות במרחב, מדד זה שואל כמה מידע אובד כאשר משתמשים בהתפלגות אחת כדי לחקות אחרת. באמצעות חישוב גרסה סימטרית של החריגה בין פרופילי האמונה של נתונים נכנסים ולכל כלל, המודל יכול להעריך התאמות בצורה שמתחשבת באופן בו מסת ההסתברות מסודרת, לא רק בגודלה. בכך מושגת הפעלת כללים מדויקת יותר, במיוחד כאשר תקלות שונות דומות בעוצמתן הכוללת אך שונות בהתפלגות התכונות שלהן.

לתת לתקלות נדירות זכות הצבעה הוגנת

גם עם התאמה משופרת, סט נתונים לא מאוזן עדיין עלול להטות את הלמידה לכיוון מצב התקינות הרוב. כדי להתגבר על כך, המחברים מציעים אסטרטגיית אנשמבר המבוססת על דילול מדגמים (undersampling). הם מקצצים שוב ושוב בדוגמאות התקינות העשירות ומשלבים אותן עם כל דוגמאות התקלה הזמינות ליצירת תת-סטים מאוזנים מרובים. עבור כל תת-סט מאומן מודל מורחב של בסיס כללי אמונה נפרד, ולאחר מכן מכוונים משקולותיו הפנימיות באמצעות אלגוריתם אבולוציה דיפרנציאלי — שיטת חיפוש מבוססת אוכלוסייה המתאימה לנופים אופטימיזציה מורכבים. בזמן חיזוי, כל תת‑המודל מנתח את אותו נתון נכנס, ותכנית הצבעה מחליטה את תווית הבריאות הסופית, מה שנותן לדפוסי תקלות נדירים מספר הזדמנויות להיחשף.

Figure 2. כיצד דילול מדגמים, מודלים מקבילים של כללים והתאמה מבוססת KL ממירים אותות תקלות נדירים ורועשים להחלטות אמינות לגבי בריאות המכונה.
Figure 2. כיצד דילול מדגמים, מודלים מקבילים של כללים והתאמה מבוססת KL ממירים אותות תקלות נדירים ורועשים להחלטות אמינות לגבי בריאות המכונה.

כמה טוב השיטה עובדת במציאות

הקבוצה בוחנת את גישתם על שני מאגרי נתונים תקניים בשימוש נרחב: אחד למיסבים מסתובבים ואחד לגירים. כדי לדמות תנאים מציאותיים הם מאמנים על נתוני רעידות שנרשמו בתדירות דגימה או בתנאי פעולה אחד ובודקים על נתונים שנלקחו בתדירות או בתנאי אחר, תוך שמירה על חוסר איזון חזק במחלקות בשני הסטים. על פני מדדים שונים כגון דיוק, דיוק חיובי, אחזור ו‑F1, השיטה החדשה גוברת בעקביות על מערכות בסיס כללי אמונה מסורתיות, מודלים סטנדרטיים של למידת מכונה וטכניקות נפוצות לטיפול בחוסר איזון. היא מראה שיפורים משמעותיים במיוחד במחלקות התקלה המיעוטיות ושומרת על ביצועים גבוהים גם כאשר נוסף רעש מלאכותי למאפייני אות מרכזיים.

מה זה אומר למכונות אמיתיות

ללא-מומחה, המסר המרכזי הוא שהשיטה מספקת "בדיקת בריאות" אמינה יותר למיסבים ולגירים בתנאים המעורבבים שנמצאים במפעלים אמיתיים. על ידי שילוב כללי סגנון-מומחה עם דרך חכמה יותר להשוות דפוסי הסתברות ומערכת הצבעה הוגנת לאירועים נדירים, הגישה מפחיתה את הסיכון שסימני נזק מוקדמים יטבעו במפל של נתונים נורמליים ורעש רקע. המחברים מסכמים כי בסיס כללי האמונה באנשמבר שלהם יכול לספק אבחון תקלות מדויק, ניתן לפרש ועמיד לרעש, ומציעים להרחיבו לחלקים מסתובבים אחרים תוך אוטומציה של בחירת מספר תתי-הנתונים הדרוש להשגת ביצועים מיטביים.

ציטוט: 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

מילות מפתח: אבחון תקלות מיסב, אבחון תקלות גלגל שיניים, ניטור רעידות, למידת אנשמבר, בסיס כללי אמונה