الصيانة التنبؤية للمحركات الكهربائية الناقلة

ما هي الصيانة التنبؤية للمحركات الكهربائية الناقلة

أدى الانفجار الأخير لتطبيقات التصنيع الذكية وإنترنت الأشياء (IoT) والبيانات الضخمة إلى زيادة كبيرة في كمية البيانات التي تم جمعها وتحليلها في مجالات مختلفة مثل الرعاية الصحية والنقل والطاقة والأغذية والمشروبات والوسائط المتعددة والبيئة المالية والخدمات اللوجستية، بحيث تنتج عدة أنواع من التنبؤات والتنبؤ بالإنتاج واكتشاف الأخطاء والصيانة التنبؤية من تحليل مجموعات البيانات المختلفة.

كما تعد بيانات السلاسل الزمنية أحد أكثر أنواع البيانات شيوعاً التي تم جمعها في هذا العصر المتنامي الجديد من الصناعة (4.0)، بحيث تُعرف بيانات السلاسل الزمنية بالملاحظات المسجلة بالتسلسل عبر الزمن، كما أنه يتم تحليل بيانات السلاسل الزمنية بشكل مكثف، وذلك كأداة وقائية في الصناعة التحويلية حيث يمكن أن تؤدي حالات الفشل غير المتوقعة للآلات إلى توقف الإنتاج وخسائر طويلة جداً.

حيث أن دراسة وتحليل البيانات لاكتشاف الأعطال في الأجهزة قبل حدوثها واتخاذ التدابير المناسبة لتقليل مخاطر الأعطال يسمى “الصيانة التنبؤية”، كما أن الصيانة التنبؤية هي مجموعة من الأنشطة التي تكشف عن أي تغيرات غير طبيعية في الحالة المادية في المعدات (علامات الفشل) لتنفيذ مهام الصيانة المطلوبة لزيادة العمر التشغيلي للمعدات دون زيادة خطر الفشل على مدى السنوات الماضية.

لذلك خضعت الصيانة التنبؤية للكثير من الأبحاث لتحقيق التحسين، كما أن أحد الاتجاهات المبتكرة الحالية لهذا المفهوم هو استخدام تقنيات التعلم الآلي (ML)، وذلك جنباً إلى جنب مع المفاهيم التكنولوجية المتقدمة لتقديم نتائج صيانة تنبؤي أفضل.

التعلم الآلي (ML) هو أحد مجالات “الذكاء الاصطناعي” (AI) لاستخراج رؤى مفيدة من البيانات المختلفة (بيانات السلاسل الزمنية)، وذلك من خلال بعض النماذج مثل التعلم الخاضع للإشراف والتعلم شبه الخاضع للإشراف والتعلم، كذلك ومن المعروف أيضاً باسم الدراسة التي تقدم للآلات الكهربائية وسائل وطرقاً مختلفة لاتخاذ القرارات الصحيحة من تلقاء نفسها وتنفيذ المهام دون مساعدة صريحة من البشر.

التعلم العميق هو فرع من (ML) لديه القدرة على استخراج تمثيل البيانات الكهربائية، بعض طرق التعلم العميق الشائعة هي “الشبكة العصبية الاصطناعية” (ANN) والشبكات العصبية الالتفافية (CNN) وشبكة الاعتقاد العميق والشبكات العصبية المتكررة والتشفير التلقائي المتراكم.

الغاية من أعمال الصيانة التنبؤية للمحركات الكهربائية

لذلك يقدم هذا الطرح إطاراً تجريبياً يؤدي إلى إجراء صيانة تنبؤيه فعالة لمحركات الناقل في صناعة تصنيع صغيرة باستخدام نموذج تصنيف تم إنشاؤه من خلال تصوير بيانات إدخال السلاسل الزمنية و (CNN) مع خيار إثبات المستقبل لشبكات أكثر شمولاً باستخدام وظيفة تنشيط (PReLU)، وذلك لتحسين النموذج أداء. يتم تحويل العديد من معلمات نظام الناقل التي تمت ملاحظتها بالتتابع إلى صور باستخدام (GASF) التي تتمتع بميزة الحفاظ على الميزات الزمنية.

كما تظهر النتائج التجريبية التي تم الحصول عليها أهمية استخدام خوارزميات التعلم العميق مثل (CNN) لتحسين دقة نماذج التصنيف، كما تستوعب بنية إطار عمل الصيانة التنبؤية الخاصة بنا إدخال بيانات (UTS) و (MTS)، كما أنه يصنف حالة محرك الناقل إلى ثلاث فئات بناءً على معطيات الإدخال، مثل خطأ فادح وخطأ بسيط وعدم وجود خطأ.

حيث أن أفضل دقة شاملة حققها إطار العمل التجريبي لدينا هي حوالي (100٪)، وهو ما يكفي تماماً لبدء التنبؤ بجداول الصيانة، وذلك من خلال هذه النتائج الممتازة، كما يقلل إطار العمل الخاص بنا من المخاطر العالية لفقدان الأعطال الحرجة في الشبكة الكهربائية، مما قد يؤدي إلى مزيد من الانهيار المطول أو بدء الصيانة دون داعٍ للمحركات بسبب التنبؤات غير الصحيحة التي تؤدي إلى إهدار الموارد.

وبالنسبة إلى العمل المستقبلي، تكمن قدرة إطار العمل على التعامل مع أنواع البيانات المتنوعة عن طريق إضافة ميزة تتضمن إدخال السلاسل الزمنية غير الخطية، بحيث يمكننا تقليل أبعاد البيانات غير الخطية من خلال خوارزمية (Kernel PCA)، لذلك سنقوم أيضاً بضبط نماذج (CNN) الخاصة بنا من خلال دمج معطيات إضافية مثل (Dropout)، والتي يمكن أن تمنع مخاطر التجهيز الزائد.

علاوة على ذلك، يتم دمج نتائج تصنيفات (CNN) لإطار الصيانة التنبؤية في بيئة التكنولوجيا التشغيلية (OT)، حيث نقوم بتضمين حالات محرك التصنيف في التحكم الإشرافي واكتساب البيانات (SCADA) المعروضة على واجهة الإنسان للآلة (HMI) والتي يمكن الوصول إليها عن بُعد في التطبيقات المستندة إلى السحابة بواسطة المشرفين والمشغلين.