شركة جيانغسو هايفا للتصنيع الميكانيكي المحدودة

أولاً: الوضع الحالي لتشغيل وصيانة المضخ الطاردة المركزية الصناعية وخلفيةرقية الذكية

تُعد المضخات الطاردةية من المعدات الأساسية لنقل السوائل في مجالات البتروكيماويات، وكيمياء الفحم، والطاقة الكهربائية، والتعدين، وإمدادات المياه في المناجم،الجة المياه، وتحلية مياه البحر، وذلك بفضل مزاياها الأساسية مثل الهيكل الموث، ونطاق النقل الواسع، والاستقرار التشغيلي العالي والكفاءة الشاملة الممتازة. تطور المنشآت الكيميائية الحديثة وأنظمة الطاقة نحو الحجم الكبير، والتشغيل المستمر، ودورات التشغيل الطويلة، لم يعد نموذج الصيانة السلبية التقليدي القائم على الفحص البشري، والإصلاح الدوري، والحكم بالخبرة قادراً على تلبيةتياجات إدارةات في ظل الظروف القاسية مثل درجات الحرارة الع، والضغط الع، واحتواء المواد الصلبة، ودرجات الح المنخفضة.

أثناء التشغ المستمر الطويل للمضخات الطاردة المركزيةاعية، يتم توليد بيانات استشعار زمنية متعددة الأبعاد بشكل مستمر مثل الاهتزاز، ودرجة ح المحامل، وضغط المدخل والمخرج، وتدفق الوسيط، وتيار المحرك، وسرعة الدوران وضوضاء المعدات. تحتوي هذه الكميات الهائلة من بيانات تشغيل المعدات علامات مبكرة للأعطال مثل التجويف، وانسداد قنوات التدف، وتآكل الأجزاء، وعدم محاذاة العمود، وتقادم المحامل وفشل الختم. الطرق التقليديةتحليل البشري غير فعالة، وتتجاهل بسهولةذوذ الضعيف في المراحل المبكرة من تدهور أداء المعدات، مما يؤدي إلى تحول الأعطال الصغيرة خسائر كبيرة مثل التوقف غير المخطط له، وتلف الأجزاء الأساسية وتوقف المنشآت عن الإنتاج. لذلك، أصبح إعادة هيكلة نظام صيانة المضخات الطاردة المركزية بالاعتماد على تقنيات التعلملي، والتعلم العميق، وتحليل البيانات الضخمة، والترقية من الصة الدورية البشرية إلى الصيانة التنبؤية بالذكاء الاصطناعي، مساراً رقمياً أساسياً لتحسين أداء المضخات الصناعية، وإطالة عمر المعدات، وتوفير الطاقة وخفض الكربون.

ثانياً: تجديد نموذج الصيانة: من الصيانة الدورية إلى الصيانة التنبؤية القائمة على

على عكس الصيانة التقليدية غير الدقيقة القائمة على التفكيك الدوري، تعتمد الصيانة التنبية بالذكاء الاصاعي على نظرية مراقبة حالة المعدات طوال دورة حياتها، مع دمج قاعدة بيانات التشغيل التاريخية وبيانات الاستشعار في الوقت الفعلي للتحليل المترابط، لتحديد انحراف ظروف تشغيل مجموعة المضخة، وتدهور الأداء ومخاطر الفشل المحتملة بدقة. بناءً على قاعدة بيانات موحدة لتشغيل المضخات الصناعية، يتم إنشاء نموذج الأساس للحالة الصحية للمضخة الطاردة المركزية، حيث يمكن لنظام الذكاء الاصطن مقارنة معلمات التشغيل الوقت الفعلي مع نطاق ظروف التشغيلثلى القياسية في الوقت الفعلي. للخصائص الشاذة مثل طيف الاهتزاز غير الطبيعي، وارتفاع درجة حرارةامل عن الحد المسموح، وتقلبات ضغطخرج، وتشوه تيار المحرك،عدم استقراردفق، يمكن للخوارزمية تحديد المشكلات الخفية المبكرة مثل التجويف، وانسداد قنوات التدف، وتآكل الدفاعة، وعدم محاذاةارنة، وانحراف العمود، وأعطال المحامل بدقة. يمكنموذج الصيانة الذكي التنبؤ بمخاطر أعطال المعداتسبقاً، وإجراء الصيانةهدفة قبل حدوث التوقف، وتجنب مخاطر التوقف غيرخطط له بشكل فعال، ومنع تفاقم الأعطال البسيطة إلى فشل الختم الميكاني، واحتراقامل، وتلف الدفاعة، وتشقق خطوط الأنابيب بسبب الاهتاز. كما يقلل بشكل كبير من تكال التشغيل النات عن الصيانة المفرطة، والصيانة غير الفة، والتخزين الزائد لقطع الغيار، يعزز بشكل شامل استقرار تشغيل مجموعات المضخات الصناعية على المدى الطويل.

ثالثاً: مبادئ التكنولوجيا الأساسية: التعلم الآلي يحدد بدقة أنواع أعطال المضخات الطاردة المركزيةينقسم نظام تشخيص أعطالخات الطار المركزية الصناعية الحالي بشكل أساسي إلى نظامين تقنيين: النمذجة القائمة على النموذج والنمذجة القائمة على البيانات. يعتبر نظام التشخيص القائم البيانات بقيادة التعلم الآلي أكثر قابلية للتكيف، ودقة، وقابلية للتطبيق، ويستخدم على نط واسع في المراقبة الذكية لمضخات العمليات الصناعية API 610، والمضخات متدة المراحل، والمضخات الرأسية. يعتمد التشخيص القائم النموذج على بناء نماذج محاكاة رياضية بناءً على الخصائص الهيدوليكية للمخة، ومعلمات الهيكل الميكيكي، وآليات الأعطال، وهو مناسب للتح النظري في ظل ظروف التشغ القياسية. بينما لا يحتاج التشخيصائم على البيانات إلىادلات فيزيائية معقدة بل يقوم بتدريب نموذج خوارزمية الذكاءطناعي من خلال كميات هائلة من بيانات التشيل الميدانية،علم بشكل مستقل قواعد الاختلاف بين خصائص التشغ الطبيعية للمعدات وخصائص الأعطال الشاذة، مما يجعله مناسباًظروف التشغ الميدانية الصناعية المعقدة والمتغيرة. حالياً، تم تطبيق الخوارزميات الناضجة السائدة في الصناعة في سيناريوهات الصيانة الذكية للمضخات: آلةاقلات الدعم، والغابة العشوائية، وتجميع K-means، والشبكة العصبية التلافيفية CNN، والمشفر الذاتي AE، والشبكة الزمنية للذاكرة الطويلة والقصيرة LSTM، والتي يمكنها تغطية تحليل حالة المضخة الطاردة المركزية والتنؤ بالأعطال شامل. بالنسبة لإشارات الاهتزاز غير المستقرة وإشارات نبضات التجويف للمضخة، يمكن تقنيات تحليل الوضع التجريبي وتحليل الوضع المتغير لتقليل الضوضاء واستخراج الميزات الأساسيةصدمات التجويفآكل المحامل بدقة. يمكن للشبكة العصبية التلافيفية التعرف تلقائياً علىضرار الموضعية الشاذة من خلال أطياف الاهتزاز والصور الزمنية الترددية، والصور الصوتية يتكيف المشفر الذاتي مع سيناريوهات ندرة عينات الأعطال في الميدان الصناعي، من خلاللم خط الأساس لبيانات التشغ الطبيعية، لتحديد ظروف التشغيلاذة بسرعة تتميز شبكة الذاكرة الطويلة والقصيرة LSTMدرة على تح البيانات الزمنية المستمرة، والتقاط الاتجاه التدريجي لتدهور الأداء على المدى الطويل وانخفاض الكفاءة للمضخة الطاردة المركزيةقة. بالنسبة لنقص علامات الأعطال في الميدان الصناعيقيد ظروف التشغيل، فإن خوارزميات التعلم شبه الخاضع للإشراف والتعلم غير الخاضع للإشراف ذات قيمة هندسية ع. يعتمد النموذ على كميات هائلة من بيانات التشغيل الطبيعية لإنشاء مع تشغيل أساسي، ويحدد بشكل مستقل ظروف التشيل الشاذة التي تنحرف عن توزيع البيانات، مما يقلل بشكل كبير اعتماد الصيانة التقليد على الخبرة البشر ووضع العلامات من قبل الخبراء.

رابعاً: المنطق الأساسي للبيانات: جودة البيانات تحدد موثوقية ودقة تشخيص الذكاء الاصطناعي

الأساس الأساسي لتشخيص الأعطال وتحسين الأداء بالذكاء الاصطناعي هو بيانات استشعار عالية الجودة، وموحدة،الية النقاء تعتمد دقة نموذج الخوارية بشكل كامل على مستوى جمع البيانات ومعالجتها المسبقة. تتضمن عملية التشخيص الذكي الكاملة للمضخة الطاردة المركزيةذكاء الاصاعي سبع مراحل أساسية: تحليل البيانات الاستكشافي، وتنظيف الق الشاذة، واستخراج ميزات الهندسة وتوحيد البيانات، والتحقق من توزيع ظروفغيل، والتدريب التكراري للنموج، والتحقق ظروف التشغيل الميدانية. يمكن لتحليل البيانات الاستكشافي تنظيم دورة تشغيل المعدات، وقوانين توزيعلمات، وخصائص الارتباط لمؤشرات التشيل المختلفة بدقة،بعاد بيانات التداخل غير الفعالة.تبر هندسة المات جوهر تحسين البيانات، يتم استخراج مؤشرات ميزات الأعط الأساسية مثل الجذرربيعي المتوسط، والذروة، والتفرطح، وطاقة النطاق الترددي، ومل تقلب الضغط، وانحراف كفاءة التشغيل منشارات الاهزاز والضغط ودرجة الحرارة والتدفق الأصلية. من خلال توحيد البيانات وتطبيعها، يتم التخلص من الاختلافات في أبعاد أجهزة الاستش المختلفة، وتجنب تداخل معلمة رقمية واحدة عالية القيمة مع نتائج حكم النذج. أثناء التنفيذ الهندسي يجب التركيز على حل المشكلاتائعة في الصن مثل انحراف أجهزة الاستشعار، وفقدان البيانات، وعدم توحيد تردد أخذ العينات،تبديل المتر لظروف التشيل، والتداخل الضوضائي للبيئة الميد. يؤدي استخدام البيانات الأصلية غير المنظفة والمتحقق منها مباشرة في تدريب النموج إلى حدوث إنذارات خاطئة وأعطال غير مكتشفة بسهولة، مما إلى تشويه نتائج تشخيص الذكاء الاصاعي وفقدان قيمتها الهندسية.

خامساً: الصعوبات التقنية الحالية وحلول التحسين الهندس

في الوقت الحالي، تطبيق تقنياتلم الآلي والصيانة الذك بالذكاءطناعي على نط واسع في تشخيص أعطال المضخ الطاردة المركزية ولكن لا يزال هناك بعض الاختناقات التقنية في التنفيذ الصناعي: ندرة عينات أعطال المعدات وعدم قابلية نماذج الخوارزمية للتعميم على أنواع المضخات المختلفة، ودقة التعرف المحدودة ظروف التآ المعقدة / احتواء المواد الصلبة، وعدم كفاية قابلية تفسير نماذج الذكاء الاصطن. تعاني بعض أعطال المضخات الطاردة المركزية من مشكلة اقتران الميزات على سبيل المثال، يمكن أن يحدث الاهتزاز الشاذ بسبب عوامل متعددة مثل التجويف، وعدم توازن الدوار، وارتخاء القاعدة، وإجهاد خطوط الأنابيب، مما يؤدي بسهولة إلى تشخيص خاطئ باستخدام بيانات مستشعر واحد. بالنسبة لهذه المشكلة، فإن الحل الأمثل في الصناعة التشخيص بتكامل البيانات متعددة المصادر، من خلال دمج إشارات متعد الأبعاد مثل التزاز والضغط ودرجة الحرارة والتدفق والتيار والصوت، مع معلمات هيكل المضخة، وخصائص وسيط النقل،روف التشغيليدانية، وسجلات الصيانة التاريخية للحكم الشامل، ممازز بشكل كبير دقة تشيص الأعطال. في الوقت نفسه، من الواضح أن نظام الصيانة بالذكاء الاصطناعي لا يمكن أن يحل محل الخبرات الفنية المتخصصة مثل التصم الهيدروليك للمضخة، واخار النوع والتحقق، وتحليل ديناميكيات الدوار، وتحسين الهيكل الميكانيكي. يجب أن يجمع حل الصيانة الذ الموثوق بين معايير المضخات الصناعية الدولية API 610،بيانات الاختبارات الهيدوليكية للمض، وآليات أعطال المعدات، وخبرات عمليات التصنيع ونماذج خوارزميات الذاء الاصطناعي بشكل متكامل، معاعاة مزايا البيانات والخبرة الهندسية،تعزيز مصداقية وقابلية تطبيقائج التشخيصسادساً: اتجاهات التطوير المستقبليةصيانة الذك للمضخاتاردة المركزية

تطور ترقية المضخات الطاردة المركزية الصناعية الذكية من مراقبة حالة المعدات الفردية تدريجياً نحو التحسين الشامل والتعاوني للمضخة الواحدة - مجموعةخات - شبكة الأنابيب منشأة الإنتاج. بالاعتماد على تقنيات الحوس الطرفية، والتوأم الرقمي، والذكاء الاصاعي والبيانات الضمة، يمكن مراقبة كفاءة تشغيل مجموعة المضخة، وفتح الصمامات، ومقاومة شبكة الأنابيب الوقت الفعلي، وتحديد حالة تشغيل المعداتحرفة عن منطقة أفضل كفاءة BEP بشكل ذكي. بناءً نتائج تحليل بيانات الذكاء الاصطناعي، يمكن إخراج حلول متخصصة لضبط السرعة، وتحسين قطع الدفاعة، وتبديل حمل ظروف التشغيل وتحسين مقاومة خط الأنابيب بدقة، مما يح تحسين كفاءة المعدات، وتقليل اهتزاز التشغ، والقضاء على مخاطر الأعطال. لا تقتصر القيمةية للتعلم الآلي على تحديد الأعطال بعدوعها، بلجاوز ذلك إلى التنبؤ المبكردهور الأداء، وانخفاض الكف، ومخاطرشل، مما يحقق ترقية شاملة من الصيانة التفاعلية والصيانة الدورية الصيانة حسب الحالة، والصيانة التنبؤية، واتخاذ القرارات الذكية.

الأسئلة الشائعة

س1: كيف يحقق الذكاء الاصطن الإنذار المبكرعطال المضخات الطاردة المركزية؟
ج: يقوم الذكاء الاصطناعي بجمع بيانات زمنية متعد الأبعاد مثل التزاز ودرجة الحرارة والضغط والتيار وبناء نموذ خط الأساس الصحي للمعدات واستخدام خوارزميات التعلم الآلي لتحديدذوذ الضعيف المبكر مثل التجويف والتآكل وعدم المحاذاةقادم المحامل، وإصدار إنذار قبل تفاقم العطل، مما يحقق الصيان التنبؤية.

س2: ما هي مزايا التعلملي مقارنة بالفحص البشري التقلي؟
ج: يمكن للفحص البشري فقط اكتشاف الأعط الظاهرة، ولا يمكنه تحديد مخاطر تدهور الأداء مراحله المبكرة. يمكن للذكاء الاصطناعي المراقبة على مدار 24 ساعة دونقطاع، والتق التغيرات الطفيفة في المعلمات بدقة، دون وجود نقاط عمياء بشرية، مع تقليل تكاليف الصيانة ومنع التوقف غير المخطط له.

س3: ما هو المفتاح الأساسي للصيان الذكية للمضخات الطاردة المركزية؟
ج: المفتاح هو الجمع بين بيانات الاستشعار عاليةودة، والمعالجة المسبقة الموحدة للبيانات، ونماذج آليات الأعطال الناضجة، وخزميات الذكاء الاصطناعي القاب للتفسير، معاعاة مزايا البيانات ومعايير التصميم المتخصصة لمضخات API 610 الصناعية، لضمان توافق نتائج التشخيص مع الواقع الهندسي.

س4: هل يمكن للتحسين الذكيضخات الطاردة المركزية تحقيق تير الطاقة وزيادة الكف؟
ج: نعم. يمكن للذكاء الاصطناعي تحديد ظروف التشغيل المنحرفة عن نقط الكفاءة المث في الوقت الفعلي وتحسين مطابقة شبكة الأنابيب، وتعديل الحمل، ومعلمات التشغيل، وتقليل الفقد الهيدروليك والطاقة غير الفعالة، مماقق تشغيلاً فعالاً ومستقراً للمجموعة علىى الطويل.

الاجع
معيار API 610 للمضخاتاردة المركزية في صناعات البترولتروكيماويات والغاز الطبيعي
معيار ISO