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

Clear Sky Science · he

למידת תמונה ממוזגת מונחית פיזיקה עם הגברה של מנגנון דחיסה-השפעול לניתוח תקלות במשאבות צנטריפובליות רב-שלביות

· חזרה לאינדקס

מדוע ניטור משופר של משאבות חשוב

מאחורי מפעלים רבים, תחנות כוח ומערכות מים פועלות משאבות צנטריפוגליות רב-שלביות שמנהלות את זרימת הנוזלים בשקט. כאשר משאבות אלה מפתחות נזק נסתר, חברות עשויות לאבד אלפי שעות לתיקונים ומיליוני דולרים עקב השבתות ותאונות. המחקר הזה מראה כיצד שילוב ידע פיזיקלי עם בינה מלאכותית מודרנית מבוססת-תמונה יכול לזהות בעיות עדינות בתוך משאבות אלו מוקדם, גם כאשר האותות רעשיים ותנאי ההפעלה משתנים.

החיים הנסתרים של משאבות תעשייתיות

משאבות צנטריפוגליות רב-שלביות משתמשות במספר אימפלרים מסתובבים בסדרה כדי לבנות לחץ ולהניע נוזל בצינורות. במתקנים אמיתיים, תקלות במשאבות אלה הובילו לאלפי שעות תחזוקה ולעשרות מיליוני דולרים בהפסדים. הבעיות המטרידות ביותר מתחילות לעיתים כ״תקלות רכות״: חורים זעירים או שריטות באטמים ושחיקה ראשונית על האימפלרים. ליקויים אלה אינם עוצרים את המשאבה באופן מיידי אבל מאבדים אט-אט את הביצועים והבטיחות. מאחר שהמשאבות פועלות תחת לחצים שונים ומוקפות בציוד רוטט אחר, הסימנים המוקדמים לבעיה טבועים בנתוני רטט מורכבים ורועשים.

Figure 1. כיצד בינה מלאכותית המודעת לפיזיקה ממירה רטטים רועשים של משאבות לתמונות ברורות של מצב המכשיר.
Figure 1. כיצד בינה מלאכותית המודעת לפיזיקה ממירה רטטים רועשים של משאבות לתמונות ברורות של מצב המכשיר.

המרת רטטים לתמונות אינפורמטיביות

המחברים בנו מתקן ניסוי מבוסס על משאבה תעשייתית והכניסו בכוונה שלוש תקלות רכות מציאותיות: חור מקדוח באטם, שריטה באטם ואובדן חומר באחד האימפלרים, לצד מצב תקין. חיישני רטט הותקנו על מעטפת המשאבה, ליד האטמים וליד האימפלר. במקום להתייחס לכל רישום הרטט כמשמעותי באותה מידה, הקבוצה קודם כל חלקה כל אות לחלונות זמן קצרים רבים. לאחר מכן הם דירגו חלונות אלה באמצעות שלושה מדדים בעלי משמעות פיזיקלית: אנרגיה כוללת, אימפולסיביות וכמה מהאנרגיה נמצאת בסל התדרים הידוע בפיזיקת המשאבה כרגיש לתקלות. רק החלונות עם הציון הגבוה ביותר, אלה שסביר שהם מכילים מידע שימושי על תקלות, נשמרו לניתוח נוסף.

מיזוג של שלוש נקודות מבט על אותו אות

מכל חלון שנבחר, החוקרים יצרו תמונה מיוחדת "ממוזגת" שנועדה ללכוד היבטים שונים של התנהגות המשאבה. ערוץ אחד הוא גרסה מונחית-פיזיקה של ספקטרוגרמת מל (Mel), שמדגישה כיצד אנרגיית הרטט מתפזרת בזמן ובתדר, עם דגש נוסף על טווח התדרים שבו תקלות בדרך-כלל מופיעות. ערוץ שני, שנקרא שדה ההבדל הזוויתי הגרמיאני (Gramian Angular Difference Field), ממיר את אות הזמן לתמונה דפוסית שמגלה כיצד נקודות באות מתקשרות זו עם זו לאורך הזמן, מה שמבליט פגיעות לא סדירות ושינויים לא-ליניאריים. ערוץ שלישי, מפה של אינטראקציות צולבות (Cross Interaction Map), מחזק אזורים שבהם שתי התצפיות האחרות מסכימות ומחליש אזורים הסבירים שנגרמו על ידי רעש. ערימת שלושת הערוצים הללו מייצרת תמונה קומפקטית שמקודדת יחד זמן, תדר ומבנה זמני.

Figure 2. מבט שלב-אחר-שלב על אופן שבו תמונות אותות ממוזגות ובינה מבוססת-תשומת-לב מפרידות בין מצבי משאבה תקינים ופגומים.
Figure 2. מבט שלב-אחר-שלב על אופן שבו תמונות אותות ממוזגות ובינה מבוססת-תשומת-לב מפרידות בין מצבי משאבה תקינים ופגומים.

הנחיית הבינה המלאכותית על ידי פיזיקה

תמונות ממוזגות אלו מוזנות לרשת נוירונים קונבולוציונית קומפקטית שלומדת לזהות דפוסים המקושרים למצבים ספציפיים של המשאבה. חידוש מרכזי הוא מנגנון תשומת-לב מסוג "הגברה דחיסה-השפעול" (enhanced squeeze excitation). בפשטות, הרשת לא רק בוחנת את מאפייני התמונה שלמדה, אלא גם מקבלת וקטור צדדי קטן של מדדי רטט קלאסיים שנגזרים מפיזיקה, כגון רמה של שורש-ממוצע-ריבוע (RMS), אימפולסיביות, מקדם שיא (crest factor) וחלק מהאנרגיה שבסל התדר הרגיש לתקלות. מודול התשומת-לב משתמש במידע הצדדי הזה כדי להחליט אילו ערוצי מאפיינים פנימיים להדגיש או להחליש, ולכוון את הרשת להתמקד בדפוסים התואמים להתנהגות מכנית אמיתית במקום בהתאמות מקריות בנתונים.

עד כמה השיטה עובדת טוב?

המסגרת נבדקה על נתוני רטט אמיתיים מן המתקן כשהמשאבה פועלת בשלושה לחצים המייצגים שימוש תעשייתי: 3 בר, 3.5 בר ו-4 בר. עבור כל לחץ, המודל נדרש להבדיל בין פעולה תקינה לבין שלוש סוגי התקלות. בכל הלחצים הוא השיג דיוק סיווג מעל 99 אחוזים, עם ציון F1 מאקרו (איזון בין דיוק וזכירה) גם מעל 0.99, והגיע לציונים מושלמים בלחץ הגבוה ביותר. המחברים השוו את שיטותיהם מול מספר חלופות מתקדמות, כולל העברת-למידה מרשתות תמונה סטנדרטיות, חילוץ תכונות מבוסס אנטרופיה ומודלים עמוקים אחרים המושפעים מפיזיקה. בכל המקרים, התמונות הממוזגות המונחות-פיזיקה בצירוף מנגנון התשומת-לב התאימו או הביסו את המתחרים, במיוחד כאשר תנאי ההפעלה השתנו.

מה המשמעות לכך עבור תחזוקה בשטח?

למהנדסים ומפעילי מפעלים, עבודת המחקר הזו מדגימה דרך מעשית לשלב את הבנתם את פיזיקת המשאבה עם כוח גילוי הדפוסים של למידת עומק. על-ידי בחירה מדוקדקת של חלקי האות המידע-רבים ביותר, המרתם לתמונות עשירות אך קומפקטיות והכוונת הרשת בעזרת אינדיקטורים פיזיקליים פשוטים, השיטה יכולה לסמן בצורה מהימנה נזק מוקדם לאטמים ולאימפלרים הרבה לפני כשל קטסטרופלי. בטווח הארוך, כלים של בינה מלאכותית המודעת לפיזיקה כאלה יכולים לעזור להעביר את תחזוקת המשאבות מתיקונים תגובתיים לאחר תקלות להתערבויות מתוכננות המבוססות על אמצעי התרעה מוקדמים ואמינים.

ציטוט: 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

מילות מפתח: תקלות במשאבות צנטריפובליות, ניטור רטט, למידת עומק מונחית פיזיקה, תחזוקה מבוססת מצב, אבחון תעשייתי