التشخيص التنبؤي

علم التنبؤ هو فرع هندسي يركز على توقع الوقت الذي سيتوقف فيه نظام أو مكون عن أداء وظيفته المقصودة. ^{[ 1 ]} غالبًا ما يكون هذا النقص في الأداء بمثابة عطل يتجاوزه النظام ليصبح غير قادر على تلبية الأداء المطلوب. يصبح الوقت المتوقع حينها هو العمر التشغيلي المتبقي ( RUL )، وهو مفهوم مهم في اتخاذ القرارات المتعلقة بتخفيف آثار الطوارئ. يتنبأ علم التنبؤ بالأداء المستقبلي للمكون من خلال تقييم مدى انحراف النظام أو تدهوره عن ظروف التشغيل الطبيعية المتوقعة. ^{[ 2 ]} يعتمد علم التنبؤ على تحليل أنماط الأعطال، والكشف المبكر عن علامات التآكل والتقادم، وظروف الأعطال. يتم تطبيق حل تنبؤ فعال عند وجود معرفة دقيقة بآليات الأعطال التي يُحتمل أن تُسبب التدهورات التي تؤدي في النهاية إلى أعطال في النظام. لذلك، من الضروري الحصول على معلومات أولية حول الأعطال المحتملة (بما في ذلك الموقع، والنمط، والسبب، والآلية) في المنتج. هذه المعرفة مهمة لتحديد معايير النظام التي يجب مراقبتها. تُستخدم تقنيات التنبؤ في الصيانة القائمة على الحالة . ويُشار إلى المجال الذي يربط دراسات آليات الأعطال بإدارة دورة حياة النظام غالبًا باسم التنبؤ وإدارة الصحة ( PHM )، وأحيانًا باسم إدارة صحة النظام ( SHM )، أو - في تطبيقات النقل - إدارة صحة المركبة ( VHM ) أو إدارة صحة المحرك ( EHM ). ويمكن تصنيف الأساليب التقنية لبناء النماذج في التنبؤ بشكل عام إلى أساليب تعتمد على البيانات، وأساليب تعتمد على النماذج، وأساليب هجينة.

تستخدم التنبؤات القائمة على البيانات عادةً تقنيات التعرف على الأنماط والتعلم الآلي للكشف عن التغيرات في حالات النظام. ^{[ 3 ]} تشمل الطرق التقليدية القائمة على البيانات للتنبؤ بحالة الأنظمة غير الخطية استخدام النماذج العشوائية مثل نموذج الانحدار الذاتي (AR) ، ونموذج الانحدار الذاتي ذي العتبة ، والنموذج الثنائي الخطي، وتقنية البحث عن الإسقاط ، وشرائح الانحدار التكيفي متعدد المتغيرات ، وتوسيع متسلسلة فولتيرا . منذ العقد الماضي، ازداد الاهتمام في التنبؤ بحالة النظام باستخدام نماذج مرنة مثل أنواع مختلفة من الشبكات العصبية (NNs) وأنظمة الشبكات العصبية الضبابية (NF). تُعدّ المناهج القائمة على البيانات مناسبة عندما لا يكون فهم المبادئ الأساسية لتشغيل النظام شاملاً، أو عندما يكون النظام معقدًا بدرجة كافية تجعل تطوير نموذج دقيق مكلفًا للغاية. لذلك، تتمثل المزايا الرئيسية للمناهج القائمة على البيانات في إمكانية نشرها بسرعة وبتكلفة أقل مقارنةً بالمناهج الأخرى، وقدرتها على توفير تغطية شاملة للنظام (مقارنةً بالنماذج القائمة على الفيزياء، والتي قد تكون محدودة النطاق). تتمثل العيوب الرئيسية في أن الأساليب القائمة على البيانات قد تتميز بفترات ثقة أوسع من الأساليب الأخرى، وأنها تتطلب كمية كبيرة من البيانات للتدريب. ويمكن تصنيف هذه الأساليب إلى فئتين فرعيتين: الإحصاءات القائمة على الأسطول، والتكييف القائم على أجهزة الاستشعار. إضافةً إلى ذلك، تشمل هذه الأساليب تقنيات عدّ الدورات التي قد تتضمن معرفة متخصصة بالمجال .

تتضمن الاستراتيجيتان الأساسيتان القائمتان على البيانات ما يلي: (1) نمذجة التلف التراكمي (أو، بشكل مكافئ، حالة النظام) ثم استقراء النتائج إلى عتبة التلف (أو حالة النظام)، أو (2) التعلم المباشر من البيانات للعمر التشغيلي المتبقي. ^{[ 4 ] [ 5 ]} وكما ذُكر، فإن العقبة الرئيسية تكمن في صعوبة الحصول على بيانات التشغيل حتى التعطل، لا سيما بالنسبة للأنظمة الجديدة، حيث أن تشغيل الأنظمة حتى التعطل قد يكون عملية طويلة ومكلفة للغاية. عندما لا يكون الاستخدام المستقبلي مماثلاً للاستخدام السابق (كما هو الحال مع معظم الأنظمة غير المستقرة)، يصبح جمع البيانات التي تشمل جميع الاستخدامات المستقبلية المحتملة (من حيث الحمل والظروف البيئية) شبه مستحيل في كثير من الأحيان. حتى في حال توفر البيانات، فإن فعالية المناهج القائمة على البيانات لا تعتمد فقط على كمية بيانات تشغيل النظام، بل أيضاً على جودتها. قد تشمل مصادر البيانات هذه درجة الحرارة، والضغط، وبقايا الزيت، والتيارات، والفولتية، والطاقة، والاهتزازات، والإشارات الصوتية، وبيانات قياس الطيف، بالإضافة إلى بيانات المعايرة والقياس الحراري. غالباً ما تحتاج البيانات إلى معالجة مسبقة قبل استخدامها. عادةً ما تُجرى عمليتان: الأولى هي إزالة التشويش، والثانية هي استخلاص الميزات. تشير إزالة التشويش إلى تقليل أو إزالة تأثير التشويش على البيانات. أما استخلاص الميزات فهو مهم لأن عالمنا اليوم، الذي يتسم باستهلاك هائل للبيانات، يُجمع فيه كم هائل من البيانات باستخدام قياسات المستشعرات، والتي قد لا تُستخدم مباشرةً. لذلك، تُطبَّق المعرفة المتخصصة ومعالجة الإشارات الإحصائية لاستخلاص الميزات المهمة من البيانات عالية الأبعاد، والتي غالبًا ما تكون مشوشة. ^{[ 6 ]}

تسعى التنبؤات القائمة على الفيزياء (والتي تُسمى أحيانًا التنبؤات القائمة على النماذج) إلى دمج الفهم الفيزيائي (النماذج الفيزيائية) للنظام في تقدير العمر المتبقي المفيد. ويمكن نمذجة الفيزياء على مستويات مختلفة، مثل المستوى الميكروي والمستوى الماكروي. فعلى المستوى الميكروي (ويُسمى أيضًا مستوى المادة)، تتجسد النماذج الفيزيائية في سلسلة من المعادلات الديناميكية التي تُحدد العلاقات، عند وقت أو دورة تحميل مُحددة، بين تلف (أو تدهور) النظام/المكون والظروف البيئية والتشغيلية التي يعمل في ظلها. وغالبًا ما يُشار إلى نماذج المستوى الميكروي بنماذج انتشار التلف. ومن الأمثلة الأخرى على نماذج المستوى الميكروي: نموذج يو وهاريس لعمر الإجهاد لمحامل الكرات، والذي يربط عمر الإجهاد للمحمل بالإجهاد المُستحث ^{[ 7 ]،} ونموذج باريس وإردوغان لنمو الشقوق ^{[ 8 ]} ، ونموذج انتشار العيوب العشوائي ^{[ 9 ]} . نظراً لندرة توفر قياسات خصائص التلف الحرجة (مثل الإجهاد أو الانفعال في المكونات الميكانيكية)، يجب استخدام معايير النظام المُستشعرة لاستنتاج قيم الإجهاد/الانفعال. وتحتاج النماذج على المستوى الجزئي إلى مراعاة الافتراضات والتبسيطات في إدارة عدم اليقين، مما قد يفرض قيوداً كبيرة على هذا النهج.

تُمثل النماذج الكلية النموذج الرياضي على مستوى النظام، والذي يُحدد العلاقة بين متغيرات إدخال النظام، ومتغيرات حالة النظام، ومتغيرات/مخرجات قياسات النظام. غالبًا ما يكون هذا النموذج تمثيلًا مُبسطًا للنظام، مثل نموذج المعلمات المُجمعة. ويكمن المقابل في زيادة التغطية مع احتمال انخفاض دقة نمط تدهور مُعين. وعندما يكون هذا المقابل مقبولًا، قد ينتج عنه تسريع عملية النمذجة الأولية. مع ذلك، في الأنظمة المُعقدة (مثل محرك التوربينات الغازية)، قد يكون حتى النموذج الكلي عملية مُستهلكة للوقت والجهد. ونتيجةً لذلك، قد لا تتوفر النماذج الكلية بالتفصيل لجميع الأنظمة الفرعية. ويجب مراعاة التبسيطات الناتجة في إدارة عدم اليقين.

تسعى المناهج الهجينة إلى الاستفادة من مزايا كلٍ من المناهج القائمة على البيانات والمناهج القائمة على النماذج. ^{[ 10 ] [ 11 ] [ 12 ]} في الواقع، نادرًا ما تكون المناهج المستخدمة ميدانيًا إما قائمة على البيانات فقط أو قائمة على النماذج فقط. في أغلب الأحيان، تتضمن المناهج القائمة على النماذج بعض جوانب المناهج القائمة على البيانات، بينما تستخلص المناهج القائمة على البيانات المعلومات المتاحة من النماذج. مثال على ذلك هو ضبط معلمات النموذج باستخدام البيانات الميدانية. ومثال على ذلك هو تحديد نقطة الضبط أو الانحياز أو عامل التطبيع لمنهج قائم على البيانات من خلال النماذج. يمكن تصنيف المناهج الهجينة بشكل عام إلى فئتين: 1) دمج التقدير المسبق، و2) دمج التقدير اللاحق. يمكن أيضًا دمج النماذج الفيزيائية والتجريبية بطريقة جمعية بسيطة، مثل دمج نموذج فيزيائي أساسي مع شبكة عصبية اصطناعية. قد يُحقق هذا أداءً تشخيصيًا أو تنبؤيًا أفضل مقارنةً باستخدام أحدهما فقط. انظر، على سبيل المثال، نموذجًا هجينًا إضافيًا كهذا يُستخدم في تحليل أداء محركات الطائرات النفاثة. ^{[ 13 ]}

يُعدّ تقييم الأداء التنبؤي ذا أهمية بالغة لنجاح نشر نظام إدارة صحة الأصول (PHM) . وقد أدّى النقص المبكر في الأساليب المعيارية لتقييم الأداء ومجموعات البيانات المرجعية إلى الاعتماد على مقاييس الأداء التقليدية المستمدة من الإحصاء. وكانت هذه المقاييس تعتمد بشكل أساسي على الدقة والضبط ، حيث يُقيّم الأداء بناءً على نهاية عمر النظام، والتي تُعرف عادةً مسبقًا في بيئة غير متصلة بالإنترنت. وفي الآونة الأخيرة، ركّزت الجهود المبذولة لتطوير تقنية التنبؤ بشكل كبير على توحيد أساليب التنبؤ، بما في ذلك أساليب تقييم الأداء. ومن الجوانب الرئيسية التي تفتقر إليها المقاييس التقليدية، القدرة على تتبع الأداء بمرور الوقت. وهذا أمر بالغ الأهمية لأن التنبؤ عملية ديناميكية، حيث يتم تحديث التوقعات بتردد مناسب مع توفر المزيد من بيانات المراقبة من النظام التشغيلي. وبالمثل، يتغير أداء التنبؤ بمرور الوقت، وهو ما يجب تتبعه وقياسه كميًا.

من الجوانب الأخرى التي تميز هذه العملية في سياق إدارة صحة الأصول (PHM) القيمة الزمنية لتوقع العمر المتبقي (RUL). فمع اقتراب النظام من التعطل، تتقلص الفترة الزمنية المتاحة لاتخاذ إجراء تصحيحي، وبالتالي تصبح دقة التوقعات أكثر أهمية لاتخاذ القرارات. وأخيرًا، لا مفر من وجود عشوائية وتشويش في العملية والقياسات ونماذج التنبؤ، ولذا فإن التنبؤات تتضمن حتمًا قدرًا من عدم اليقين في تقديراتها. لذا، يجب أن يتضمن تقييم أداء التنبؤات القوي آثار هذا عدم اليقين.

لقد تطورت العديد من مقاييس أداء التنبؤ مع مراعاة هذه القضايا:

• يُحدد الأفق التنبؤي (PH) مدى قدرة الخوارزمية على التنبؤ بدقة مطلوبة قبل حدوث عطل. ويُفضل أفق تنبؤي أطول، حيث يتيح ذلك مزيدًا من الوقت لاتخاذ إجراء تصحيحي.
• تُحسّن دقة α-λ مستويات الدقة المطلوبة باستخدام نطاق متناقص للدقة المطلوبة مع اقتراب نهاية عمر الجهاز. وللامتثال لمواصفات α-λ المطلوبة في جميع الأوقات، يجب أن تتحسن الخوارزمية بمرور الوقت للبقاء ضمن هذا النطاق.
• تحدد الدقة النسبية الدقة بالنسبة للوقت الفعلي المتبقي قبل الفشل.
• يحدد التقارب مدى سرعة تقارب أداء الخوارزمية مع اقتراب نهاية عمرها الافتراضي.

يمكن استخدام التمثيل المرئي لهذه المقاييس لتصوير الأداء التنبؤي على مدى فترة زمنية طويلة.

توجد العديد من معايير عدم اليقين التي يمكن أن تؤثر على دقة التنبؤ. ويمكن تصنيفها على النحو التالي: ^{[ 15 ]}

• عدم اليقين في معايير النظام: يتعلق هذا الأمر بعدم اليقين في قيم المعايير الفيزيائية للنظام (المقاومة، الحث، الصلابة، السعة، إلخ). وينشأ هذا عدم اليقين نتيجةً للظروف البيئية والتشغيلية التي يتطور فيها النظام. ويمكن معالجة ذلك باستخدام أساليب مناسبة، مثل أساليب الفترات.
• عدم اليقين في نموذج النظام الاسمي: يتعلق هذا الأمر بعدم الدقة في النماذج الرياضية التي تُنشأ لتمثيل سلوك النظام. قد يكون عدم الدقة هذا (أو عدم اليقين) ناتجًا عن مجموعة من الافتراضات المستخدمة أثناء عملية النمذجة، والتي تؤدي إلى نماذج لا تتطابق تمامًا مع السلوك الحقيقي للنظام.
• عدم اليقين في نموذج تدهور النظام: يمكن الحصول على نموذج التدهور من اختبارات العمر المتسارع التي تُجرى على عينات بيانات مختلفة للمكون. عمليًا، قد تختلف اتجاهات التدهور في البيانات التي تم الحصول عليها من اختبارات العمر المتسارع التي أُجريت في ظل نفس ظروف التشغيل. ويمكن اعتبار هذا الاختلاف في اتجاهات التدهور بمثابة عدم يقين في نماذج التدهور المستمدة من البيانات المتعلقة باختبارات العمر المتسارع.
• عدم اليقين في التنبؤ: يُعدّ عدم اليقين جزءًا لا يتجزأ من أي عملية تنبؤ. فجميع تنبؤات النماذج الاسمية و/أو نماذج التدهور غير دقيقة، ويتأثر ذلك بعدة عوامل عدم يقين، مثل عدم اليقين في معلمات النموذج، والظروف البيئية، وملامح المهمة المستقبلية. ويمكن معالجة عدم اليقين في التنبؤ باستخدام أدوات التقدير والتنبؤ البايزية والفورية (مثل مرشحات الجسيمات ومرشح كالمان، إلخ).
• عدم اليقين في عتبات الفشل: تُعدّ عتبة الفشل عنصرًا أساسيًا في أيٍّ من أساليب الكشف عن الأعطال والتنبؤ بها. فهي تُحدّد الوقت الذي يتعطل فيه النظام، وبالتالي العمر التشغيلي المتبقي. عمليًا، لا تكون قيمة عتبة الفشل ثابتة، بل تتغير بمرور الوقت. كما أنها تتغير تبعًا لطبيعة النظام، وظروف التشغيل، والبيئة المحيطة به. تُؤدي جميع هذه العوامل إلى عدم اليقين، وهو ما يجب أخذه في الاعتبار عند تحديد عتبة الفشل.

يمكن العثور على أمثلة لتحديد كمية عدم اليقين في: ^{[ 16 ] [ 17 ] [ 18 ] [ 19 ] [ 20 ]}

في معظم تطبيقات إدارة صحة الأصول الصناعية، تُعدّ أجهزة جمع البيانات وأجهزة الاستشعار الجاهزة للاستخدام التجاري هي الأكثر عملية وشيوعًا. ومن الأمثلة على موردي أجهزة جمع البيانات: National Instruments ^{[ 21 ]} وAdvantech Webaccess ^{[ 22 ]} ؛ ومع ذلك، يمكن تخصيص هذه الأجهزة أو جعلها أكثر متانة حسب الحاجة لبعض التطبيقات. تشمل أنواع أجهزة الاستشعار الشائعة لتطبيقات إدارة صحة الأصول: مقاييس التسارع، ومقاييس درجة الحرارة، ومقاييس الضغط، وقياسات سرعة الدوران باستخدام أجهزة التشفير أو مقاييس سرعة الدوران، والقياسات الكهربائية للجهد والتيار، والانبعاث الصوتي، وخلايا قياس الحمل لقياس القوة، وقياسات الإزاحة أو الموضع. يوجد العديد من موردي أجهزة الاستشعار لهذه الأنواع من القياسات، ولدى بعضهم خط إنتاج متخصص أكثر ملاءمة لتطبيقات مراقبة الحالة وإدارة صحة الأصول.

تُقدَّم خوارزميات تحليل البيانات وتقنية التعرّف على الأنماط حاليًا في بعض منصات البرامج التجارية أو كجزء من حلول برمجية متكاملة. وتُوفّر شركة National Instruments حاليًا نسخة تجريبية (مع إصدار تجاري في العام المقبل) من مجموعة أدوات Watchdog Agent للتنبؤ بالأعطال، وهي عبارة عن مجموعة من خوارزميات إدارة صحة الأصول (PHM) القائمة على البيانات، والتي طوّرها مركز أنظمة الصيانة الذكية. ^{[ 23 ]} تُمكّن هذه المجموعة، التي تضم أكثر من 20 أداة، من تهيئة وتخصيص الخوارزميات لاستخراج التوقيعات، واكتشاف الحالات الشاذة، وتقييم حالة النظام، وتشخيص الأعطال، والتنبؤ بها، وذلك لتطبيق مُحدّد حسب الحاجة. وتُقدّم شركة Predictronics Corporation الناشئة ^{[ 24 ]} حلولًا تجارية مُخصّصة للمراقبة التنبؤية باستخدام مجموعة أدوات Watchdog Agent ، وقد كان لمؤسسيها دورٌ فعّال في تطوير وتطبيق تقنية إدارة صحة الأصول هذه في مركز أنظمة الصيانة الذكية. مثال آخر هو برنامج MATLAB ومجموعة أدوات الصيانة التنبؤية الخاصة به ^{[ 25 ]} ، والتي توفر وظائف وتطبيقًا تفاعليًا لاستكشاف واستخراج وتصنيف الميزات باستخدام تقنيات تعتمد على البيانات والنماذج، بما في ذلك التحليل الإحصائي والطيفي وتحليل السلاسل الزمنية. تتضمن هذه المجموعة أيضًا أمثلة مرجعية للمحركات وعلب التروس والبطاريات وغيرها من الآلات التي يمكن إعادة استخدامها لتطوير خوارزميات مخصصة للصيانة التنبؤية ومراقبة الحالة. تركز برامج تجارية أخرى على عدد قليل من الأدوات لاكتشاف الحالات الشاذة وتشخيص الأعطال، وعادةً ما تُقدم كحزمة متكاملة بدلًا من مجموعة أدوات منفصلة. ومن الأمثلة على ذلك طريقة التحليل لاكتشاف الحالات الشاذة في برنامج Smart Signals، والتي تعتمد على نماذج من نوع الارتباط الذاتي (النمذجة القائمة على التشابه) التي تبحث عن تغييرات في علاقة الارتباط الاسمية في الإشارات، وتحسب الفروق بين الأداء المتوقع والفعلي، ثم تُجري اختبار فرضيات على إشارات الفروق (اختبار نسبة الاحتمالية المتسلسلة). ^{[ 26 ]} كما تقدم شركة Expert Microsystems أنواعًا مماثلة من أساليب التحليل، والتي تستخدم طريقة النواة الترابطية الذاتية المماثلة لحساب البواقي، ولديها وحدات أخرى للتشخيص والتنبؤ. ^{[ 27 ]}

^{[ 28 ]} في حين أن معظم أساليب التنبؤ تركز على الحساب الدقيق لمعدل التدهور والعمر المتبقي المفيد (RUL) للمكونات الفردية، فإن معدل تدهور أداء الأنظمة الفرعية والأنظمة هو ما يثير اهتمامًا أكبر لدى مشغلي وموظفي صيانة هذه الأنظمة.