كيف يمكن استخدام الذكاء الاصطناعي في الصيانة التنبؤية؟

وفي العمليات الصناعية، يُعد المقياس الأساسي للنجاح هو مدة التشغيل. وعلى مدى عقود، عملت قطاعات التصنيع والخدمات اللوجستية والطاقة على مستوى العالم وفق استراتيجية صيانة تفاعلية أو جداول صيانة صارمة. وعندما تحدث أعطال في المعدات، لا تقتصر النتيجة على تلف أحد الأجزاء، بل تمتد إلى اضطراب كامل في سلسلة الإمداد. وتكلف فترة التعطّل غير المخطط لها الصناعات مليارات الدولارات سنويًا نتيجة فقدان الإنتاجية وارتفاع نفقات الإصلاحات الطارئة.

وللحد من هذه الأعطال، اعتمدت المؤسسات تقليديًا على الصيانة الوقائية. ويقوم هذا الأسلوب على تنفيذ أعمال الصيانة وفق جداول زمنية ثابتة، مثل استبدال أحد المحامل كل ستة أشهر بغض النظر عن درجة تآكله الفعلية. وعلى الرغم من أن هذا الأسلوب يقلل من تكرار أعطال الآلات، فإنه يظل غير فعّال بطبيعته. فهو يؤدي إلى "الإفراط في الصيانة"، حيث تُستبدل الأجزاء التي ما تزال صالحة للعمل قبل أوانها، كما يعجز عن منع الأعطال التي تقع بين الفحوصات المجدولة.

تمثل الصيانة التنبؤية (PdM) تحولًا جذريًا في النهج. فبدلًا من الاعتماد على المتوسطات أو التخمين، تستخدم الصيانة التنبؤية القائمة على الذكاء الاصطناعي بيانات في الوقت الفعلي للتنبؤ بموعد احتياج الآلة إلى التدخل. ومن خلال الاستفادة من مستشعرات إنترنت الأشياء (IOT) وتحليلات البيانات المتقدمة، تنتقل الصيانة من مهمة تستند إلى جدول زمني إلى منهج قائم على البيانات.

ويتمثل الهدف الأساسي للنهج المدعوم بالذكاء الاصطناعي في إطالة العمر التشغيلي لكل أصل. ومن خلال استخدام الذكاء الاصطناعي لمراقبة حالة المعدات، تستطيع فرق الصيانة التدخل عند الضرورة فقط. ويخفض هذا التحول تكاليف الصيانة بشكل كبير، ويحول دون حالات الانقطاع الجسيمة التي تميز الصيانة التفاعلية.

ولنوضح هذا النموذج من خلال تشبيه طبي. فالصيانة التفاعلية تعادل زيارة غرفة الطوارئ بعد أزمة صحية كبرى. أما الصيانة الوقائية، فهي أشبه بفحص سنوي عام.

وعلى النقيض من ذلك، تشبه الصيانة المدعومة بالذكاء الاصطناعي جهازًا متطورًا قابلًا للارتداء لتتبع الحالة الصحية. فهو يراقب باستمرار المؤشرات الحيوية، مثل الاهتزاز ودرجة الحرارة والضغط، ويوفر إنذارًا مبكرًا بالمشكلات المحتملة قبل أسابيع من ظهورها. وتتيح هذه المراقبة تنفيذ صيانة استباقية، بما يضمن بقاء أداء المعدات عند مستوى مرتفع من دون تعطيل مهام سير العمل الأوسع في المنشأة.

من خلال دمج التحليلات التنبؤية في دورة حياة الأصول الصناعية، لم تعد الشركات تكتفي بإصلاح الآلات، بل أصبحت تتحكم في توقيت عملياتها.

ولفهم الأثر الحالي للذكاء الاصطناعي، يجب أولًا أن نستعرض التطور التقني في كيفية إدارة الصناعات لأصولها. يُصنَّف تطور الصيانة عمومًا إلى ثلاثة أجيال، يحدَّد كل منها بحسب مستوى تحليلات البيانات ومدى تطور عملية صناعة القرار.

الجيل الأول: الصيانة التفاعلية (التشغيل حتى الفشل)

ويُعد هذا الأسلوب أبسط أشكال الصيانة. وفي هذا النموذج، لا تتدخل فرق الصيانة إلا بعد وقوع عطل في الآلة. وعلى الرغم من أنه لا يتطلب استثمارًا أوليًا في المراقبة، فإنه يُعد الاستراتيجية الأعلى تكلفة على المدى الطويل.

• تكلفة العطل: عندما يتعطل أحد المكوّنات، فإنه كثيرًا ما يتسبب في أضرار جانبية لأجزاء أخرى من الآلة.
• الاضطراب: يؤدي ذلك إلى فترة تعطّل غير مخطط لها، تمتد آثارها عبر سلسلة الإمداد وتتسبب في توقفات فورية في الإنتاج.
• دورة حياة الأصل: يقصّر هذا النهج العمر التشغيلي للآلات مرتفعة التكلفة بدرجة كبيرة، لأن المكونات تُدفَع باستمرار إلى أقصى حدود تحمّلها.

الجيل الثاني: الصيانة الوقائية (القائمة على الوقت)

ومع ازدياد تعقيد الصناعات، اتجهت إلى الصيانة الوقائية. وتقوم هذه الاستراتيجية على صيانة المعدات وفق جداول صيانة ثابتة مستندة إلى البيانات التاريخية وتوصيات الشركات المصنّعة.

• فجوة الكفاءة: على الرغم من أن هذا النهج يقلل الأعطال، فإنه يخلق قدرًا كبيرًا مما يمكن وصفه بـ “العمل غير الضروري”. فغالبًا ما تُستبدل الأجزاء بينما لا يزال أمامها عمر تشغيلي معتبر، مما يؤدي إلى تضخم تكاليف الصيانة.
• النقطة العمياء: لا يستطيع هذا النهج احتساب الانحرافات الناتجة عن ظروف تشغيل غير مألوفة، مثل الحرارة الشديدة أو الحمل الزائد، وهي ظروف قد تؤدي إلى تعطل جزء ما قبل موعد صيانته المجدول.

الجيل الثالث: الصيانة التنبؤية المدعومة بالذكاء الاصطناعي

ويتسم العصر الحالي بالصيانة التنبؤية القائمة على الذكاء الاصطناعي. يستفيد هذا الجيل من أجهزة استشعار إنترنت الأشياء (IOT) وخوارزميات التعلّم الآلي للابتعاد عن الجداول الصارمة والاتجاه نحو الصيانة الاستباقية.

ومن خلال نشر نماذج الذكاء الاصطناعي مباشرة على مستوى حوسبة الحافة أو في السحابة، أصبح بإمكان المؤسسات الآن مراقبة حالة المعدات في الوقت الفعلي. ويعتمد هذا الانتقال على عدة ركائز تقنية:

• جمع البيانات: ترصد أجهزة استشعار إنترنت الأشياء (IOT) مجموعات ضخمة من البيانات الخاصة بالمعايير الفيزيائية مثل الاهتزاز، والحرارة، والصوتيات.
• نماذج التعلّم الآلي: تحلل هذه النماذج البيانات الجديدة في ضوء البيانات التاريخية لتحديد الحالة التشغيلية "الطبيعية" للآلة.
• اكتشاف الشذوذ: ترصد أدوات الذكاء الاصطناعي أدق الانحرافات التي قد تشير إلى مشكلة محتملة.

ولا يقتصر هذا التطور على استبدال الأجزاء فحسب، بل يتعلق أيضًا بموثوقية الأصول. ومن خلال استخدام حلول الصيانة التنبؤية، تستطيع المؤسسة تحسين دورة حياة الصيانة بالكامل. وبدلًا من التخمين بشأن موعد تعطل الآلة، يستخدم علماء البيانات والمهندسون تنبؤات دقيقة لجدولة الإصلاحات خلال فترات الانخفاض المخطط لها في الإنتاج، مما يحد فعليًا من فترة التعطّل غير المخطط لها.

ولتطبيق استراتيجية ناجحة للصيانة التنبؤية، ينبغي النظر في البنية التقنية التي تتيح للذكاء الاصطناعي مراقبة حالة المعدات. تشكل هذه العملية حلقة مستمرة من جمع البيانات وتحليلها وصناعة القرار.

1. جمع البيانات عبر أجهزة استشعار إنترنت الأشياء

يعتمد أي نظام مدعوم بالذكاء الاصطناعي في أساسه على بيانات عالية الجودة. ننشر أجهزة استشعار إنترنت الأشياء عبر الآلات لرصد مجموعة متنوعة من المقاييس المادية. تراقب أجهزة الاستشعار هذه ما يلي:

• تحليل الاهتزازات: تحديد اختلال المواءمة أو عدم الاتزان في الأجزاء الدوارة.
• التصوير الحراري: كشف السخونة الزائدة في الدوائر الكهربائية أو الاحتكاك في المحامل.
• أجهزة الاستشعار الصوتية: رصد الأصوات العالية التردد التي تشير إلى أعطال في مراحلها المبكرة.
• الضغط والتدفق: مراقبة مستويات السوائل أو تسربات الغاز التي قد تؤدي إلى تعطل الآلة.

2. تحديد خط الأساس

وبمجرد توفر مجموعات البيانات، تُستخدم خوارزميات التعلم الآلي لتحديد بصمة تشغيل "طبيعية". ومن خلال تحليل البيانات التاريخية، تتعلم نماذج الذكاء الاصطناعي كيفية أداء الآلة في ظل ظروف تشغيل مختلفة. ويُعد هذا الخط الأساسي عنصرًا حاسمًا، إذ لا يستطيع النظام من دونه التمييز بين ارتفاع طبيعي في استهلاك الطاقة وانحراف فعلي يشير إلى احتمال وقوع عطل.

*ملاحظة: الصورة أدناه مجرد نموذج، وسيتم استبدالها فور إعداد الصورة الفعلية.

3. دور التعلم الآلي

في الصيانة التنبؤية القائمة على الذكاء الاصطناعي، نستخدم أساسًا نوعين من نماذج التعلم الآلي:

• اكتشاف الشذوذ: غالبًا ما تُنفَّذ هذه العملية من خلال التعلم غير الخاضع للإشراف. ويفحص الذكاء الاصطناعي البيانات الجديدة باستمرار بحثًا عن القيم الخارجية. وعندما تنحرف قراءات المستشعرات عن خط الأساس المحدد، يضع النظام علامة عليها بوصفها إنذارًا مبكرًا.
• توقع الفشل: باستخدام التعلّم العميق والنماذج الخاضعة للإشراف، يمكننا حساب العمر الإنتاجي المتبقي (RUL) لمكوّن ما. ومن خلال مقارنة بيانات أجهزة الاستشعار الحالية بأعطال المعدات السابقة، يستطيع الذكاء الاصطناعي التنبؤ بدقة بعدد الساعات أو الدورات المتبقية للمكوّن قبل وقوع تعطّل.

4. حوسبة الحافة والمعالجة في الوقت الفعلي

في كثير من أنظمة الصيانة التنبؤية الحديثة، لا تُرسل البيانات إلى سحابة مركزية فحسب. بل تُستخدم حوسبة الحافة لمعالجة المعلومات مباشرة على الآلة أو بالقرب منها. وتتيح هذه الطريقة إجراء تنبؤات دقيقة في غضون أجزاء من الثانية. وإذا تم تجاوز عتبة حرجة، يمكن للنظام المدعوم بالذكاء الاصطناعي تشغيل مهمة سير عمل مؤتمتة، مثل إبطاء محرك أو تنبيه فرق الصيانة فورًا لمنع فترة التعطّل غير المخطط لها.

5. التحسين المستمر

ومن أبرز نقاط قوة التحليلات التنبؤية أن النماذج ليست ثابتة. ومع تلقي النظام مزيدًا من البيانات في الوقت الفعلي ورصده نتائج إجراءات الصيانة، تتحسن عملية التعلّم الآلي ذاتيًا. وتحد هذه الحلقة الارتجاعية من النتائج الإيجابية الزائفة، وتضمن أن تصبح النماذج التنبؤية أكثر دقة على امتداد دورة حياة الأصل بأكملها.

يمثل تطبيق الصيانة التنبؤية المدعومة بالذكاء الاصطناعي تحولًا استراتيجيًا يحقق أثرًا ملموسًا وقابلًا للقياس في الأداء الصناعي. ومن خلال الانتقال إلى أنظمة مدعومة بالذكاء الاصطناعي، يمكن للمؤسسات تحسين دورة حياة أصولها عبر عدد من المزايا الرئيسية:

• وفورات كبيرة في التكاليف: يمكن أن يؤدي الانتقال من الصيانة الوقائية إلى نموذج تنبؤي إلى خفض تكاليف الصيانة بنسبة تتراوح بين 25% و30%، من خلال تنفيذ الإصلاحات فقط عندما تشير البيانات إلى وجود تآكل فعلي^[1].
• تقليل فترات التعطل غير المخطط لها: يمكن للذكاء الاصطناعي تقليل إجمالي فترة التعطل بنسبة تتراوح بين 35% و45%، عبر تمكين فرق الصيانة من معالجة الأعطال المحتملة خلال فترات انخفاض الإنتاج المجدولة.
• تعزيز سلامة العاملين: من خلال توفير إنذار مبكر بالمشكلات المحتملة، يساعد الذكاء الاصطناعي على منع الأعطال الجسيمة والإخفاقات الميكانيكية التي تشكل مخاطر مباشرة على العاملين.
• تحسين مخزون قطع الغيار: تتيح التنبؤات الدقيقة سلسلة توريد أكثر رشاقة، إذ تُطلب المكونات بناءً على الاحتياجات المتوقعة بدلًا من جداول الصيانة التقديرية.
• تحسين كفاءة الطاقة: تحدد النماذج التنبؤية الحالات التي تستهلك فيها الآلات طاقة مفرطة بسبب الاحتكاك الداخلي أو التآكل، مما يتيح تنفيذ إصلاحات تعيد الأداء إلى مستواه الأمثل.
  

ولفهم الأثر العملي للصيانة التنبؤية المدعومة بالذكاء الاصطناعي، ننظر في تطبيقاتها عبر قطاعات متنوعة. وتوضح حالات الاستخدام هذه كيف تعمل المؤسسات على تحسين موثوقية أصولها ومهام سير العمل لديها من خلال تجاوز نهج الصيانة التقليدي.

التصنيع

وفي قطاع التصنيع، يتمثل الهدف الأساسي في تحقيق صفر عيوب والقضاء على فترات التعطّل غير المخطط لها. ومن خلال تطبيق الصيانة التنبؤية القائمة على الذكاء الاصطناعي، تستطيع المصانع مراقبة خطوط التجميع عالية السرعة في الوقت الفعلي. ويتيح هذا النهج المدعوم بالذكاء الاصطناعي للمصنعين اكتشاف الأعطال أو الانحرافات في ظروف التشغيل قبل أن تؤدي إلى تعطل الآلة.

تشير البيانات إلى أن حلول الصيانة التنبؤية هذه يمكن أن تؤدي إلى خفض فترة التعطّل غير المخطط لها بنسبة 47%، بما يضمن استمرار سلسلة الإمداد دون انقطاع وتحقيق أهداف الإنتاج بكفاءة عالية.[1]

السفر والنقل

إنتاجية الأصول هي الركيزة الأساسية في قطاع النقل. ومن خلال استخدام أجهزة استشعار إنترنت الأشياء (IOT) والتحليلات التنبؤية، يمكن للمشغلين مراقبة حالة المعدات في الأساطيل والبنية التحتية. وتتيح هذه الرؤية المدعومة بالذكاء الاصطناعي لفرق الصيانة تنفيذ صيانة استباقية تستند إلى التآكل الفعلي بدلًا من جداول الصيانة الجامدة.

وقد ثبت أن الانتقال إلى أنظمة الصيانة التنبؤية المدعومة بالذكاء الاصطناعي يرفع إنتاجية الفنيين بنسبة 26%، مما يبسط مهام سير العمل ويضمن مستويات عالية من السلامة والموثوقية للركاب والبضائع^[1].

الطاقة ومرفق الخدمة

ويستفيد قطاع الطاقة من الذكاء الاصطناعي لتحسين أداء الأصول مع الالتزام الصارم بمعايير الصحة والسلامة والبيئة (HSE). ومن خلال جمع البيانات من الشبكات الذكية والمحطات الفرعية، تستطيع النماذج التنبؤية التنبؤ بالانقطاعات المحتملة الناتجة عن تدهور المعدات. وباستخدام أدوات الذكاء الاصطناعي للمراقبة المستمرة، تستطيع مَرافق الخدمات إطالة العمر التشغيلي للبنية التحتية الحيوية بنسبة تصل إلى 17%، بما يضمن استقرار إمدادات الطاقة ويخفض العبء المالي للصيانة التفاعلية^[1].

النفط والغاز

وفي بيئة النفط والغاز عالية الحساسية، يُعد الحفاظ على أداء الأصول وسلامتها أمرًا بالغ الأهمية. وتركز استراتيجية الصيانة التنبؤية في هذه الصناعة على مراقبة معدات الاستخراج والتكرير المعقدة لرصد الأعطال المحتملة. ومن خلال تطبيق خوارزميات التعلم الآلي على بيانات أجهزة الاستشعار، يمكن للمؤسسات تحديد المشكلات المحتملة، مثل تآكل خطوط الأنابيب أو تآكل المضخات.

وقد أسهمت صناعة القرار القائمة على البيانات في زيادة كفاءة الفحص ودقته بنسبة 34%، مما يتيح تنفيذ استراتيجية الصيانة بدرجة أعلى من الدقة من دون تعطيل الإنتاج^[1].

الجهات الحكومية والبنية التحتية

يجب على الجهات الحكومية الموازنة بين توقعات المواطنين بشأن خدمات موثوقة والحاجة إلى عمليات فعالة من حيث التكلفة. تُستخدم حلول إدارة الأصول المدعومة بالذكاء الاصطناعي لمراقبة البنية التحتية العامة، من محطات معالجة المياه إلى شبكات النقل. ومن خلال اعتماد المراقبة المدعومة بالذكاء الاصطناعي، يمكن للجهات الحكومية ضمان موثوقية الأصول وسلامتها في مرافق الأشغال العامة. ويساعد هذا الانتقال من الصيانة الوقائية إلى الأنظمة التنبؤية على تجنب الإصلاحات الطارئة المكلفة والأعطال الجسيمة، بما يحمي الموارد العامة ويحافظ في نهاية المطاف على ثقة المجتمع.

ومع تطلعنا إلى عام 2030، يتطور مجال الصيانة التنبؤية المدعومة بالذكاء الاصطناعي ليصبح تخصصًا أكثر استقلالية وبديهية. وفي حين تتميز الأنظمة الحالية بقدرتها العالية على تحديد توقيت احتمال وقوع العطل، سيركز الجيل التالي من الأدوات المدعومة بالذكاء الاصطناعي على الصيانة التوجيهية.

ظهور الذكاء الاصطناعي التوليدي والنماذج اللغوية الكبيرة

يُحدث الذكاء الاصطناعي التوليدي والنماذج اللغوية الكبيرة (LLMs) تحولًا في الطريقة التي تتفاعل بها فرق الصيانة مع البيانات. فبدلًا من مجرد تلقي تنبيه، أصبح بإمكان الفنيين الآن استخدام اللغة الطبيعية لسؤال مساعد افتراضي عن السبب الأساسي للانحراف.
ويمكن لهذه الأدوات المدعومة بالذكاء الاصطناعي استيعاب سجلات الصيانة، وملاحظات المشغلين، والأدلة الفنية، لتقديم تعليمات إصلاح خطوة بخطوة، بل وحتى توليد أوامر عمل جاهزة للتنفيذ بصورة مستقلة. ويحافظ هذا النوع من “الصيانة الحوارية” على المعرفة المؤسسية، ويجعل الخبرات رفيعة المستوى متاحة لكل وردية في كل منشأة.

التوائم الرقمية والعمليات المستقلة

ويتيح دمج التوائم الرقمية، وهي نسخ افتراضية من الأصول المادية، للنماذج التنبؤية محاكاة سيناريوهات “ماذا لو” (what-if) ضمن بيئة خالية من المخاطر.

وبحلول عام 2028، من المتوقع أن تتضمن 33% من تطبيقات المؤسسات ذكاءً اصطناعيًا وكيلاً قادرًا على اتخاذ قرارات شبه مستقلة^[1]. وقد تشمل هذه القرارات تعديل معلمات تشغيل الآلة لمنع وقوع عطل قبل أن يدرك المشغل البشري أصلًا وجود مشكلة. وسيؤدي هذا التوجه نحو الأتمتة والأنظمة ذاتية الإصلاح إلى تقليل العبء على تخطيط القوى العاملة، ومواصلة تحسين دورة حياة الأصول الصناعية.

ولم يعد الانتقال إلى الصيانة التنبؤية القائمة على الذكاء الاصطناعي رفاهية، بل أصبح ضرورة للحفاظ على موثوقية الأصول في اقتصاد معولم. ومن خلال الابتعاد عن “التخمين” في الصيانة الوقائية وعن أزمة الصيانة التفاعلية وما تنطوي عليه من تكاليف مرتفعة، يمكن للمؤسسات إدارة مدة التشغيل لديها بكفاءة.

ومع دخولنا عصر الصيانة المستقلة والصيانة القائمة على التوجيهات، يتعزز هذا الانتقال بفضل “الرؤية بالأشعة السينية” التي لا يمكن أن يوفرها إلا الذكاء الاصطناعي، إذ يكتشف التآكل الداخلي الخفي الذي لا تراه العين البشرية. ومن خلال تمكين الفنيين من معالجة المشكلات قبل أسابيع من ظهورها، يحول الذكاء الاصطناعي العاملين في الصيانة إلى “استراتيجيين مستندين إلى البيانات” قادرين على استشراف مستقبل معداتهم.