تقدير العمر المتبقي: ثورة في الصيانة الصناعية باستخدام نماذج الزمن المتسلسل

في عالم الصناعة الحديثة، يعتبر تقدير العمر المتبقي (Remaining Useful Life - RUL) للأجهزة أمرًا حيويًا لضمان أداء فعال وتقليل التكاليف. لكن الكثير من الأساليب التقليدية تعتمد على تقنيات هندسية معقدة أو تحتاج إلى مجموعات بيانات كبيرة محددة سلفًا.

يقدم الباحثون في هذه الدراسة منهجًا جديدًا وخفيفًا للغاية، حيث يتم الاستفادة من نموذج الزمن المتسلسل الأساسي (Time-Series Foundation Model - TSFM) المُعد مسبقًا، مع دمجه مع رأس انحدار صغير لتقدير العمر المتبقي من تدفقات بيانات أجهزة الاستشعار المتعددة.

تستخدم هذه الطريقة نموذج Chronos-2 كنموذج أساسي لاستخراج ميزات نافذة السياق، مما يعزز أداء شبكة انحدار عصبية خفيفة لتقدير العمر المتبقي.

تظهر التجارب على بيانات استشعار صناعية حقيقية من نوعين مختلفين من الأجهزة أن ميزات Chronos-2 تتفوق باستمرار على نماذج شائعة أخرى مثل الشبكات العودية (Recurrent Neural Networks - RNN) ونماذج الالتفاف (Convolutional Neural Networks - CNN) والنماذج المعتمدة على المحولات (Transformers) وغير ذلك، وذلك تحت نفس بروتوكول المعالجة المسبقة والتقييم.

وتشير التحليلات كذلك إلى أن زيادة طول السياقات التاريخية تؤدي إلى تحسين الأداء بشكل ملحوظ، مما يوضح أن تمثيل TSFM يوفر بديلًا عمليًا وفعالًا من ناحية البيانات لتقدير العمر المتبقي في البيئات الصناعية.

باختصار، يبدو أن هذا الابتكار الجديد سيكون له تأثير كبير على كيفية إجراء الصيانة في المصانع، مما يسهم في تحسين الكفاءة وتقليل الأعطال غير المتوقعة.