الصيانة التنبؤية المدعومة بالذكاء الاصطناعي لمضخات الإنتاج

التحدي

كانت عملية الصيانة الحالية تعاني من ثلاث مشكلات جوهرية:

1. عدم توفر سجل صيانة كامل

على الرغم من أن المضخات كانت مزودة بأجهزة استشعار لقياس درجة الحرارة والجهد والضغط وساعات التشغيل، إلا أن الشركة كانت تفتقر إلى بيانات منظمة حول الأعطال السابقة وعمليات الإصلاح والأسباب الجذرية. وقد أدى ذلك إلى صعوبة تنفيذ نُهج الصيانة التنبؤية التقليدية.

2. تعقيد النظام الشديد

تتألف المضخات من عدة أنظمة فرعية مترابطة — المحامل، ومكونات المحرك، وأنظمة العزل. وقد يؤدي تعطل أي نظام فرعي إلى توقف المضخة تمامًا وخسارة في الإنتاج.

3. معدات باهظة الثمن وذات مخاطر عالية

إصلاح هذه المضخات مكلف للغاية، كما يصعب استبدالها بسبب طول المدة التي يستغرقها تصنيعها. فحتى عطل واحد أثناء الإنتاج قد يعرض الدفعة بأكملها للخطر خلال مرحلة ضمان الجودة، مما يؤدي إلى خسائر مالية كبيرة وتأخيرات تشغيلية.

كان العميل بحاجة إلى حل يمكنه الاستفادة من بيانات مستشعرات إنترنت الأشياء (IoT) المتوفرة، والعمل بموثوقية على الرغم من محدودية سجلات الصيانة، وتقديم تنبؤات عالية الدقة قبل دورات الصيانة المخطط لها.

نطاق المشروع

قام فريقنا بتطوير إطار عمل للصيانة التنبؤية يعتمد على الذكاء الاصطناعي، باستخدام بيانات أجهزة الاستشعار المتاحة، والتقنيات الإحصائية المتقدمة، والتحسين التكراري لنماذج التعلم الآلي. وشمل نطاق المشروع أربعة مكونات رئيسية:

تنظيم بيانات المستشعرات وتكاملها

قمنا بجمع وتوحيد بيانات السلاسل الزمنية من أجهزة استشعار متعددة للمضخات:

• درجة الحرارة
• الضغط
• الجهد الكهربائي
• ساعات العمل
• القياس عن بُعد الخاص بالنظام الفرعي

قام الفريق بتنظيف مجموعة البيانات ومزامنتها وإثرائها لتعويض النقص في سجلات الصيانة وعدم اتساق البيانات. كما تم إدخال سمات مشتقة إضافية لتمثيل أنماط التآكل ومعدلات التدهور وحالات الشذوذ في الأنظمة الفرعية.

التحليل الاستكشافي للبيانات وهندسة السمات

قمنا بتحليل قراءات أجهزة الاستشعار لفهم كيفية أداء المضخات على مدار الوقت، وما هي علامات الإنذار المبكر التي سبقت حدوث الأعطال. وقد حدد الفريق الأنماط الرئيسية وقام بإزالة التناقضات.

وقد مكننا ذلك من تحويل سجلات إنترنت الأشياء (IoT) الأولية إلى مجموعة بيانات منظمة مناسبة لبناء نماذج تنبؤية، على الرغم من عدم اكتمال العلامات التاريخية.

تطوير النماذج التنبؤية

قمنا باختبار عدة مناهج تعتمد على الذكاء الاصطناعي بهدف العثور على النهج القادر على التنبؤ بأعطال المضخات بشكل موثوق استنادًا إلى بيانات أجهزة الاستشعار. وبعد مقارنة النماذج المختلفة، اخترنا الطريقة التي قدمت النتائج الأكثر دقة واستقرارًا.

حلقة التحقق المتوازية بين الإنسان والذكاء الاصطناعي

للتحقق من صحة النموذج في ظروف تشغيلية حقيقية، قمنا بتشغيل نظام قرار موازٍ:

1. أنتجت الخوارزمية تنبؤات.
2. قام المشغلون البشريون بإجراء الفحوصات الروتينية ولاحظوا أي انحرافات.
3. تمت مقارنة التوقعات مع الملاحظات الفعلية.
4. تم وضع علامات على المكونات عالية المخاطر التي حدّدها الذكاء الاصطناعي لاستبدالها.

بعد عدة دورات صيانة، استبدلت الشركة بعض المكونات متبعةً بدقة توصيات الخوارزمية. وأظهر التفكيك اللاحق أن هذه الأجزاء كانت بالفعل على وشك التعطل — مما يؤكد دقة النموذج وموثوقيته.

نتائج العميل

حقق حل الصيانة التنبؤية تحسينات كبيرة على الصعيدين التشغيلي والمالي:

• دقة تنبؤ تبلغ 90٪، مما يتيح اتخاذ قرارات صيانة واثقة تستند إلى البيانات.
• انخفاض بنسبة 65% في فترات التوقف غير المخطط لها، مما يمنع الخسائر والاضطرابات في الإنتاج.
• انخفاض تكاليف الصيانة بنسبة 40٪ من خلال استبدال المكونات في الوقت المناسب.
• موثوقية إنتاج أعلى، مع انخفاض حالات الفشل في ضمان الجودة وزيادة استقرار العمليات.
• أساس أكثر متانة للأتمتة المستقبلية، بفضل بيانات أجهزة الاستشعار الأكثر دقة وتنظيمًا.