إعادة تعريف أنظمة اكتشاف أعطال المضخات باستخدام بيانات أكثر ذكاءً

تعمل هذه الدراسة على تعزيز أنظمة اكتشاف أعطال المضخة من خلال توليد بيانات خطأ تنبؤية من إشارات كهربائية ضئيلة.

في حقول النفط ومحطات الطاقة ومحطات الضخ النائية، غالبًا ما تظهر الأعطال قبل وقت طويل من إطلاق الإنذارات. لكن أنظمة الكشف التقليدية، التي تعتمد على أجهزة الاستشعار أو عمليات التفتيش اليدوية، غالبًا ما تفشل في اكتشاف المشكلات في الوقت المناسب. تقترح دراسة جديدة من جامعة شنيانغ ليغونغ نهجًا بديلًا لأنظمة كشف أعطال المضخات: نهج يحوّل البيانات التاريخية الشحيحة إلى تشخيصات دقيقة وتنبؤية دون إيقاف العمليات.

بتحويل بيانات بطاقة الدينامومتر إلى إشارات كهربائية مُحاكاة، ثم توسيع نطاق هذه البيانات عبر نموذج تنبؤ عصبي، يُظهر المؤلفون كيف يُمكن لأنظمة التصنيف المتقدمة اكتشاف الأعطال والتنبؤ بها بأقل قدر من المدخلات. تُمهد النتائج الطريق نحو اكتشاف الأعطال عن بُعد، حيث لا تعتمد مراقبة الأداء على توافر المستشعر أو تكرار حدوث الأعطال.

من الحركة الميكانيكية إلى الرؤية التشخيصية

يعتمد النظام على نموذج ميكانيكي يربط حركة القضبان في وحدات الضخ الشعاعية بمنحنيات الطاقة الكهربائية. فبدلاً من انتظار حدوث الأعطال وتسجيلها مباشرةً، يُحاكي النموذج شكل المعاملات الكهربائية في ظل أوضاع عطل مختلفة، مثل قضبان الفصل، أو تداخل الغاز، أو ضعف إمداد السوائل.

تحل خطوة المحاكاة هذه مشكلة طويلة الأمد في تشخيصات التعلم الآلي: ندرة بيانات الأخطاء المصنفة.

قال الباحثون: "بتحويل أنماط الأحمال الميكانيكية إلى منحنيات طاقة، يُمكننا توليد عينات أعطال دقيقة ومتسقة وجاهزة للتشخيص. وهذا يُتيح لنماذج الذكاء الاصطناعي التعلم من البيانات التي لم نكن لنتمكن من جمعها آنيًا لولا ذلك".

بالنسبة لوحدات الضخ العاملة في حقول النفط النائية، تتجاوز هذه التقنية الحاجة إلى أجهزة استشعار تدخلية أو صيانة تفاعلية، مما يوفر بديلاً أكثر أمانًا وأرخص لمراقبة حالات الأعطال.

التنبؤ الذكي، أسس أقوى

بمجرد اكتمال التحويل الميكانيكي إلى الكهربائي، يستخدم فريق البحث نسخةً مُخصصةً من نموذج الاستيفاء الهرمي العصبي للسلاسل الزمنية (N-HiTS) لتوسيع مجموعة البيانات. وخلافًا لأدوات التنبؤ القياسية، يتضمن هذا الإطار العصبي طبقاتٍ تلافيفية تُحسّن حساسية التباينات المحلية في الإشارة، مما يسمح بتنبؤ أفضل بالشذوذ الدقيق في خرج الطاقة.

عبر مجموعة اختبار مكونة من ١٢ فئة من الأعطال، تفوق نموذج N-HiTS المُحسّن على معايير التعلم العميق الأخرى، بما في ذلك LSTM وRNN وNBEATS. باستخدام ٩٠ عينة إدخال فقط، أنتج الباحثون أكثر من ٢٠٠ مثال إضافي للسلاسل الزمنية. وقد وفر هذا بيانات تدريب كافية لبناء مُصنِّف أخطاء موثوق دون الحاجة إلى جمع قراءات ميدانية جديدة.

من خلال التنبؤ بخصائص الأعطال عبر فترات زمنية ودرجات خطورة مختلفة، يدعم النموذج مراقبةً أكثر دقةً للحالة. يُمكّن هذا فرق الصيانة من التمييز بين التآكل في المراحل المبكرة والأعطال الحرجة، مما يُحسّن وقت الاستجابة وتخصيص الموارد.

التصنيف دون أي تنازلات

تتضمن الخطوة الأخيرة تصنيف حالات الأعطال المُحاكاة والمتوقعة. ولهذا الغرض، استخدم الفريق شبكة عصبية تلافيفية متعددة المقاييس (OS-CNN). تفوقت هذه البنية المُصممة خصيصًا على المصنفات القياسية مثل MLP وResNet وVoice2Series باستمرار. حققت OS-CNN دقة 95% باستخدام دورة خطأ واحدة، ووصلت إلى 96% عند تدريبها على تسلسلات مُوسّعة.

الأهم من ذلك، أن النظام استطاع التمييز بين الأعطال المتشابهة في شدتها ولكن بأسباب مختلفة. على سبيل المثال، يُنتج تسرب المضخة واختلال التوازن منحنيات متشابهة، إلا أن النموذج استطاع التمييز بينهما من خلال معرفة كيفية تأثير كل منهما على سلوك قوة المحرك مع مرور الوقت. يُعد هذا المستوى من الفهم بالغ الأهمية للمهندسين الذين يحتاجون إلى تخطيط الصيانة، وتحديد أولويات قطع الغيار، أو استباق توقف النظام.

قال الباحثون: "إن التصنيف الدقيق للأعطال لا يقلل فقط من وقت التوقف عن العمل، بل يُمكّن من اتخاذ قرارات أذكى بشأن ما يجب إصلاحه، ومتى يجب التدخل، وكيفية تحسين أداء النظام".

التطلع إلى المستقبل: تشخيصات قابلة للتطوير في أي مكان

مع توجه قطاع المضخات نحو مراقبة الحالة وإدارة الأصول عن بُعد، أصبح الكشف عن الأعطال القابل للتطوير أولوية استراتيجية. توضح هذه الدراسة كيف يمكن للنمذجة المتقدمة والتعلم الآلي تعويض محدودية مجموعات البيانات، وتحويل حتى بعض أنماط الأعطال المعروفة إلى أنظمة كشف أعطال مضخات متكاملة الميزات.

ستساعد التجارب المستقبلية في حقول النفط أو المرافق الحية على تأكيد قابلية تطبيق النموذج بشكل عام. ومع ذلك، فإن هذه الطريقة، التي تستخدم بيانات محاكاة الأعطال لتدريب نماذج كشف قوية، توفر مسارًا واضحًا للمشغلين الذين يديرون أساطيل مضخات كبيرة في بيئات متنوعة وغير متوقعة.

بالنسبة لمديري الأصول الذين يتطلعون إلى البقاء في صدارة الأخطاء دون تكاليف الأجهزة الميدانية المستمرة، يشير هذا البحث إلى مستقبل أكثر ذكاءً وقابلية للتطوير.