في كثير من المنشآت الصناعية، لا يَبدأ العُطل من صوتٍ مفاجئ أو إنذارٍ أحمر على لوحة التحكم. بل يبدأ بصمت. إشارة صغيرة في الاهتزاز، ارتفاع طفيف في درجة الحرارة، أو تغير غير ملحوظ في سلوك النظام.
لكن لأن برامج الصيانة التقليدية لا ترى إلا التاريخ المكتوب في الجدول، يَمر هذا التَغُّير دون انتباه. حتى يتحول إلى تَوقف مكلف. المفارقة هُنا هي أَن هذه المنشأت تُنفق مبالغ ضخمة على عمليات الصيانة، ومع ذلك تبقى الأعطال المفاجئة حدثاً متكرراً. ليس بسبب نقص الموارد، بل بسبب الاعتماد على فَلسفة صيانة تُعامل جميع المُعدات بالطريقة نفسها، بغض النظر عن حالتها الفعلية.
هنا يظهر التحول الحقيقي:
الإِنتقال من صِيانة تُنفّذ لأن الوقت حان، إلى صيانة تُنفّذ لأن البيانات قالت إن الوقت قد حان. هذا هو جوهر الصيانة التنبؤية، حيث تتحول المُؤشرات الفيزيائية القابلة للقياس إلى أداة لاتخاذ القرار، ويصبح العُمر المتبقي للنظام متغيراً يمكن إدارته، لا مجرد تقدير تقريبي.
ما هدف الصيانة التنبؤية؟
تنقسم استراتجيات الصيانة إلى ثلات أنواع:
- الصيانة الأنية : تقوم على المُعاينة و الإصلاح اللحظي فقط عند تَعطل النظام. و غالبا تكون تكاليفها باهضة من ناحية الإِنتاجية و قد تصل إلى استبدال النظام بكامله .
- الصيانة الوقائية : يَتِّم ترتيب مواعيد للإصلاح أو الصيانة مُحددة مُسبقا وفق لجَدول خاص تجنبا لظُهور أعطال مفاجئة للنظام. تُشَكل هذه الوسيلة أكثر فائدة من الصيانة الأَنية لأنه تسمح للفريق التقني بمعالجة المشكلة قبل أن تصبح مُشكلة أكبر. لكنها قد تؤدي إلى هَدر للمَوارد و فترات توقف غير ضرورية في حال كون المعدات لاتزال تعمل بكامل كفاءتها.
- الصيانة التنبؤية : عن طريق إستخدام البيانات الملتقطة و المتراكمة حول النظام لتوقع لحظة تعطله وتحديد أفضل وقت لعملية الإِصلاح ما يُسهم بالرفع من العمر الافتراضي التشغيلي. يَكمن التَحَّدِي هنا في التعقيدات التكنولوجية و الحاجة الضرورية للإستثمار في الموارد لبناء أنظمة التنبؤ.
يَعتمد اختيار اِستراتيجيات الصيانة على عِدَّة عوامل، منها أَهمية المُعدات، تكاليف تَوقف التشغيل، والموارد المُتاحة للاِستثمار في تقنيات الصيانة التنبؤية المتقدمة وإدارتها. عِند النظر في قطاعات حساسة مثل مصانع صناعة الطائرات أو منشئات إنتاج الطاقة، قد يُسَبِب تَعطل المعدات إلى مخاطر جسيمة على السلامة البشرية أو خسائر إنتاجية كبيرة، لذا يَتِّم اعتماد الصيانة التنبؤية لما تُوَفِره من إمكانيات مراقبة آنية. أما في القطاعات التي لا تَعتبر دقة التنبؤ بمدة التَعطل أمرًا بالغ الأهمية، فقد تختار المُنشئات الإِعتماد على الصيانة الوقائية لبساطتها وسهولة تطبيقها.
في عِدَّة دول أوروبية مثل ألمانيا و فرنسا، إعتمد مُشغلو شبكات النقل الكهربائي برامج صيانة تنبؤية مُتقدمة لأنظمة تحويل القدرة الكهربائية ذات الجهد العالي جدًا. إذ يَتِّم تجميع بيانات مُتعددة المصادر تشمل تحليل الغازات المذابة، قياسات التفريغ الجزئي، درجات الحرارة، وتاريخ التحميل. تُدمج هذه المعطيات داخل منصات تحليل تعتمد نماذج إِحصائية وخوارزميات تَعلُّم آلي بهدف تقدير مُؤشر صِحة المُحَول الكهربائي (Transformer Health Index). أَسهمت نتائج هذه المشاريع إلى اِنخفاض ملموس في الأعطال الكارثية، وتجنب استبدال المُحولات المُكَلفة.
إطار عمل الصيانة التنبؤية
في مشاريع الشبكات الكهربائية الأُوروبية، تُطَبَق عمليات الصيانة التَنبؤية على معدات التوزيع الكهربائية مثل الخطوط الأرضية، ومحطات التحويل الثانوية. تعتمد هذه المشاريع على بيانات العدادات الذكية، مستشعرات التيار والجهد، وقياسات التفريغ الجزئي في الخطوط الكهربائية المعزولة. من خلال التحليل الزمني لهذه البيانات، يَتمكن المهندسون من رصد مؤشرات تدهور العزل الكهربائية أو تآكل آليات الفصل في أنظمة الحماية قبل حدوث أي عطل. تسهم هذه المقاربة في تحسين مؤشرات خَاصة مثل SAIDI وSAIFI، وهي مؤشرات تنظيمية أساسية تُقيَّم على أساسها جودة الخدمة تزويد الطاقة في أوروبا.
تؤدي الأعطال الكهربائية إلى شللٍ في العمليات الصناعية عند فرض صيانة طارئة وغير مخططة. لذلك، يمثّل التَنبؤ المبكر بموعد حدوث العطل وتقدير العمر المتبقي للمُعَّدات ركيزة أساسية لضمان استمرارية التشغيل، إذ يتيح للمنشآت تقليص التَوقفات غير المخططة، التحكم الاستباقي في الأعطال المُفاجئة، وتعزيز مستويات السلامة عبر تقليل الحوادث المرتبطة بالإخفاقات الكهربائية.
لإنشاء نظام صيانة تنبؤية فعّال، يَنصًّب تركيز المهندسين في الإجابة عن ثلاثة أسئلة محورية:
- هل الألة تعمل بشكل طبيعي؟
- لماذا الألة تعمل بشكل غير مألوف؟
- كم بقي من دورة حياة الألة؟
يُمكن الإجابة عن كل سؤال من هذه الأسئلة عبر توظيف تِقنيات محددة تم تصميمها لمعالجة جانب معيّن من عملية الصيانة التنبؤية.
- كشف التصرفات الغير الطبيعية
- تصنيف و تعقب الأعطال
- تقدير مدة الحياة المتبقي للألة
كل ما حاولنا الرفع من مستوى الصناية التنبؤية، كلما تَطَّلب الأمر حجماً أكبر من البيانات الذي يجب استقطابها و تحليلها لكسب أكبر قيمة ممكنة من هذه التقنيات . تعمل الصيانة التنبؤية من خلال دمج أدوات مراقبة مُتطورة وتقنيات تحليل البيانات لإِكتشاف بوادر التدهور الفني للمعدات وتتبع تطورها بشكل استباقي
كشف التصرفات الغير الطبيعية
تركّز هذه التقنية على رصد الإِنحرافات في سلوك تشغيل المُعدات، مثل ظُهور أعطال تشغيلية، أو حدوث خروقات في منظومات الحماية، أو تسجيل اضطرابات في ظروف التشغيل. ويقتصر تفعيلها على جمع بيانات تمثّل الحالة التشغيلية الطبيعية للنظام، ما يجعل تطبيقها أكثر بساطة ومرونة مقارنةً بالخوارزميات المتقدمة المعتمدة في الصيانة التنبؤية.
يمكن الكشف عن بعض الانحرافات بواسطة العَين المُجَّردة من خلال تحليل البيانات و استخراج الإِستنتاجات منها. لكن، أغلب الإنحرافات يَصعب تحديدها بشكل بَصري، لذا تُعتمد خوارزميات تقوم على معالجة البيانات المتراكمة و المستخرجة من مستشعرات المُعدات الصناعية من أجل بناء نظام مراقبة ذَاتي. توجد العديد من الطرق المعتمدة في عملية الكشف، نذكر منها الأتي :
- تقنيات إحصائية : تعتمد على افتراضات حول توزيع البيانات الأساسي لكشف السلوكات الغير الطبيعية للمُعدات من خلال تحديد نقاط البيانات التي تَنحرف بشكل كبير عن السُلوك المرغوب فيه.
- تقنيات الذكاء الاصطناعي أحادية التصنيف : تَعمل بشكل فعال في حالة كون الإِنحرافات في النظام نادرة أو لا تملك شكل بارز. تَتَطَّلب هذه التقنيات تُوفر كَمِّيات ضخمة من البيانات لتدريب نماذج التعلم الألي.
- تقنيات التجميع : عند امتزاج البيانات الواقعية بأخرى غير طبيعية. يصبح من الصَعب تصنيفها بدِقَّة. في هذا السياق، يُمكن اللجوء إلى أساليب التجميع غير الخاضعة للإِشراف للكشف عن هذه التَغيرات. تَعتمد هذه الخوارزميات على تجميع نِقاط البيانات المتشابهة استنادًا إلى خصائصها الإحصائية أو السلوكية. وغالبًا ما تُطبَّق تقنيات التجميع على الميزات المستخرجة من البَيانات المُتسلسلة زمنياً. في بعض الأحيان، يمكن ربط مجموعات البيانات الإعتيادية والغير الواقعية، ولكن إذا كانت مجموعة البيانات مُتوازنة (تحتوي على العديد من الإنحرافات من النوع نفسه)، فمن المُرجح أن تكون النتائج مفيدة أكثر عند استخدام أساليب الذكاء الاصطناعي أُحادية التصنيف.
تصنيف و تعقب الأعطال
على غرار التقنية الأولى، تشكِّل هذه التقنية المستوى الثاني من عملية الصيانة التنبؤية. فبدل الكشف عن الانحرافات في عمل النظام فقط، يمكن تصنيف و تعقب كافة الأعطال الممكنة للنظام من البيانات المُستقطبة، ما يتيح القيام بجدولة الموارد المناسبة في عملية الصيانة بطريقة فعالة. تتم هذه العملية عبر 3 مراحل :
- حِساب كافة الخصائص المحدِّدة لهذه الأَعطال من خلال البيانات الضخمة المتراكمة حول المعدات.
- إختيار أهم الخصائص و تدريب نموذج التعلم الألي لتصنيف الأعطال اعتمادا عليها.
- إختبار النَموذج بواسطة بيانات جديدة لتقييم كفاءة تعقب و تصنيف الأخطاء بِناءا على البيانات الأنية للنظام.
تقدير مدة الحياة المتبقية للنظام قبل تعطله :
يَتمثل المستوى المُتقدم من الصيانة التنبؤية في القدرة على تقدير العمر الِإفتراضي الفعّال للمُعَّدات قبل تعطلها. ويعتمد ذلك على طبيعة ووفرة البيانات المجمّعة، حيث تُستخدم تقنيات مختلفة لتحليلها بهدف التنبؤ بالعمر المتبقي وتحديد توقيت الصيانة بدقة.
- نماذج التشابه : تعتبر الأكثر فعالية في حال امتلاك بيانات متراكمة حول المُعَّدات التي تَعرضت سابقا للشلل. يمكن مقارنة هذه البيانات و ربطها مع بيانات المعدات المتشابهة في طور التشغيل السليم لبناء نموذج تنبؤي يحدد أفضل تقدير لفترة انتهاء حياة النظام.
- نماذج التدهور : يُشكل التوقف المفاجئ للأنظمة عبئاً اقتصادياً كبيراً، خصوصاً في غياب بيانات تاريخية عن الأعطال. في هذه الحالة، يُمكن الاعتماد على معلومات الصيانة الوقائية التي تُظهر مسار تراجع كفاءة النظام مع الزمن، واستنتاج عتبة حرجة لهذا التدهور ما يُتيح التخطيط المسبق لأعمال الصيانة.
- نماذج التشغيل: هذه التقنية تقوم على احتمالية بقاء تشغيل الجهاز مع الوقت اعتمادا على بيانات العمر الافتراضي لمُعدات مُتقاربة و خصائصها.
التحديات التي تحوم الصيانة التنبؤية
على الرغم من المزايا التقنية والاقتصادية التي تُوفرها الصِيانة التَنبؤية، فإِن تطبيقها على أرض الواقع يَتطلب التعامل مع مجموعة من التحديات الهندسية والتنظيمية.
جودة وتكامل البيانات.
تَعتمد الأنظمة الكهربائية على مصادر بيانات غير متجانسة من حيث الدقة، التَردد الزمني… مِما يُعقّد عملية بناء نماذج تنبؤية دقيق. كما أن نقص البيانات التاريخية المرتبطة بحالات الفشل، خاصة في المُعدات الحرجة يَحُّد من فعالية خوارزميات التُنبؤ.
متطلبات جمع البيانات
تحتاج عملية التحليل الإستباقي استخراج حجم كبير من البيانات مع مرور الوقت. بدون مصدر بيانات ثابت، لن يقدر المهندسون من تدريب نماذج التعلم الألي أو تحديد الخصائص المهمة من البيانات المستقطبة.
التدريب التقني
غالبية المنشئات تقوم بتدريب التقنيين و المهندسين للقيام بالصيانة الوقائية المُجدولة. من ناحية أخرى، فإن تَبني الصيانة التنبؤية يُلزِم الشركات ببِناء تَدريب خاص يركِّز على التصرف مع القرارات المبنية على البيانات و التعامل مع المعلومات الصادرة من عملية المراقبة ما يُشكل إستثماراً كبيراً في الموارد البشرية.
التوافق بين الآلات القديمة
لمعالجة مشكلة التوافق بين الآلات القديمة والأقل توافقاً مع أنظمة الصيانة التنبؤية الحديثة، عادةً ما يستخدم المُصَنعون أجهزة استشعار مدعومة بتقنية إنترنت الأشياء (IoT) لتَحديث المعدات القديمة وسد فجوات التوافق، كما تُستخدم تقنيات الذكاء الاصطناعي في إجراء تحليلات مفيدة باستخدام البيانات المحدودة من هذه الألات.
تسهم الشراكات مع المُوردين في تسهيل هذه العملية بشكل أكبر، حيث يصبح بإمكان الآلات القديمة الاستفادة من ابتكارات الصيانة الحديثة على الرغم من التحديات الأولية.
البنية التحتية
لا يمكن ضمان استمرارية عمل أَنظمة الصيانة التنبؤية بكفاءة داخل المنشآت الصناعية دون توفر بنية تحتية مَعلوماتية متينة وقابلة للتوسع. فإنشاء مُستودعات مُخصصة لتخزين البيانات أو الإِعتماد على الخدمات السحابية يُشِكل عنصرًا أساسيًا لتعزيز مسار جمع البيانات ومعالجتها على نطاق واسع.
خلاصة القول
إن الِإنتقال من نِظام الصيانة الأنية إلى الصيانة الإِستباقية القائمة على البيانات يَتًّطلب تحولًا في الثقافة الهندسية، يَشمل تطوير مهارات تحليل البيانات لدى المُهندسين، وتكييف عمليات اتخاذ القرار مع مُخرجات النماذج التحليلية. وعليه، فإن نجاح الصيانة التُنبؤية لا يرتبط فقط بتَوفر التقنيات، بل يَعتمد بشكل أساسي على حَوْكمة البيانات، تأهيل الموارد البشرية، ومواءمة الأُطر التنظيمية مع هذا التَحول الهندسي.
المراجع:
- مقاربة حول الصيانة الإستباقية : https://www.mdpi.com/2673-4591/112/1/70
- الكشف عن الانحرافات: https://www.mathworks.com/discovery/anomaly-detection.html