جدول المحتويات
حين تكون سجلات الصيانة ضعيفة، تعاملوا مع نظام إدارة الصيانة المحوسب (CMMS) على أنه قائمة أحداث مرشّحة لا حقيقة مرجعية. أعيدوا بناء كل عطل من مصادر متعددة (أوامر العمل، وسجلات الوردية، وسجلات الإنذارات، ومنحنيات المستشعرات)، واطلبوا من المهندسين تحديد بدايته ونهايته على البيانات، وسجّلوا درجة الثقة في كل تسمية، وقيّموا النماذج لكل حدث لا لكل نقطة.
أهم النقاط
- كثيرًا ما تحتوي أوامر العمل التاريخية على حقول ناقصة أو خاطئة للموقع الوظيفي ونمط العطل وإجراء الصيانة والحالة، لكن النص الحر والمعرفة بممارسات الصيانة يتيحان تصحيح كثير منها (Hodkiewicz and Ho, 2016).
- تاريخ أمر العمل ليس بداية العطل. ففي ISO 14224 تاريخ العطل هو تاريخ اكتشافه (Selvik, 2014)، وبداية التدهور وأول اكتشاف له «نادرًا ما يتزامنان» (NASA, 2008).
- الفترة التي لا عطل مسجلًا فيها فترة غير معنونة، لا فترة سليمة.
- أخطاء التسميات تغيّر النموذج الذي يبدو الأفضل: فقد احتوت مجموعات الاختبار في عشر مجموعات بيانات مرجعية واسعة الاستخدام على 3.3% على الأقل من التسميات الخاطئة في المتوسط (Northcutt et al., 2021).
- قيّموا النماذج لكل حدث عطل، مع مدة الإنذار المسبق والإنذارات الكاذبة. فمع التعديل النقطي (point adjustment) يمكن حتى لدرجة عشوائية أن تبدو في مستوى أحدث الأساليب (Kim et al., 2022).
لماذا يصعب استخراج تسميات الأعطال من سجلات المصنع؟
يحتاج نموذج الأعطال إلى أمثلة على الأعطال موضوعة في مكانها الزمني الصحيح على بيانات المستشعرات. والسجل المعتاد هو نظام CMMS، وقد صُمّم لتخطيط الأعمال ومتابعتها لا لتدريب النماذج. وتتكرر ثلاث مشكلات:
- حقول ناقصة أو خاطئة. درس Hodkiewicz وHo أوامر عمل لمعدات متنقلة ثقيلة من عدة مؤسسات، ووجدا أن السجلات التاريخية كثيرًا ما تحتوي على حقول ناقصة أو خاطئة للموقع الوظيفي ونمط العطل وإجراء الصيانة والحالة. وقد أتاح النص الحر والمعرفة بممارسات الصيانة وموقع المعدة في دورة حياتها جعلَها صالحة للاستخدام، عبر عملية تنظيف قائمة على القواعد، قابلة للتكرار وشفافة (Hodkiewicz and Ho, 2016).
- النص الحر. أنشأ NIST مجموعة أدواته Nestor لأن أوامر عمل الصيانة تستخدم مفردات متخصصة ومصطلحات مهنية تتعثر أمامها أدوات معالجة اللغة الجاهزة (NIST, Nestor). وفي المصانع الجزائرية قد تمزج الملاحظة الواحدة الفرنسية والعربية والاختصارات؛ انظروا الوثائق التي تمزج العربية والفرنسية والإنجليزية.
- وقت خاطئ. يُؤرَّخ أمر العمل بلحظة إصداره، لا بلحظة بدء العطل.
والأعطال نادرة أيضًا، لذا فإن كل عطل موضوع في غير مكانه أو مفقود له وزنه.
لماذا لا يمثل تاريخ أمر العمل وقت العطل؟
يذكر دليل ناسا للصيانة المرتكزة على الموثوقية أن نقطة بداية التدهور ونقطة أول اكتشاف له «نادرًا ما يتزامنان» (NASA, 2008). فقد يتدهور محمل لأسابيع قبل أن يلاحظه أحد، وقد يأتي أمر العمل بعد الإنذار بأيام.
ويعكس معيار ISO 14224، الخاص ببيانات الموثوقية والصيانة في صناعات النفط والبتروكيماويات والغاز الطبيعي، هذا الواقع. فكما عرضه المحرر التقني لفريق العمل في ISO، تاريخ العطل هو «تاريخ اكتشاف العطل (السنة/الشهر/اليوم)»، ويُصنَّف أثره على وظيفة المعدة إلى حرج أو متدهور أو ناشئ، ويسجّل حقل مستقل طريقة الكشف (Selvik, 2014). وتاريخ الاكتشاف يكفي لإحصاءات الموثوقية، لكن النموذج المدرَّب على بيانات مستشعرات بدقة الدقيقة يحتاج إلى معرفة متى تغيّرت الإشارة.
لذلك تحتاج تسمية العطل في السلاسل الزمنية إلى أكثر من طابع زمني واحد:
| حقل التسمية | معناه | المصدر المعتاد |
|---|---|---|
| المعدة والوسوم (tags) | المعدة ووسوم المستشعرات التي ترصد العطل | الموقع الوظيفي في CMMS، قائمة الوسوم |
| نمط العطل | ما لوحظ، من قائمة ثابتة | رمز على نمط ISO 14224، أو يُعاد بناؤه من النص |
| البداية | أول تغيّر مرئي في بيانات المستشعرات | مراجعة المهندس للمنحنى |
| الاكتشاف | متى لاحظ الناس: إنذار، جولة، تفتيش | سجل الإنذارات، سجل الوردية، أمر العمل |
| العطل الوظيفي أو الفصل الآلي (trip) | متى توقفت المعدة عن أداء وظيفتها | سجل الفصل الآلي، سجل الأحداث، بيانات الإنتاج |
| الإصلاح والعودة إلى الخدمة | فترة تُستبعد من البيانات العادية | تواريخ أمر العمل، تصاريح العمل |
| طريقة الكشف | إنذار، مراقبة الحالة، جولة تشغيل، انهيار | أمر العمل، تقرير التفتيش |
| الثقة والمصادر | مدى يقين المراجع، والسجلات التي تدعم التسمية | ملاحظة المراجع |
والفارق بين البداية والاكتشاف هو ما يسعى النموذج التنبؤي إلى استغلاله، لذا فهو الحقل الذي يجب ضبطه بعناية.
من أين تأتي التسميات حين يكون نظام CMMS ضعيفًا؟
| المصدر | ما يقدمه | نقطة ضعفه الرئيسية |
|---|---|---|
| أوامر العمل في CMMS | المعدة، والتواريخ، والنص الحر، وأحيانًا رمز العطل | رموز غائبة أو عامة؛ تواريخ إدارية |
| سجلات الوردية وملاحظات التسليم | ما رآه المشغلون ومتى | نص حر، غالبًا على الورق أو في جداول بيانات |
| سجل الإنذارات والأحداث | الأوقات الدقيقة للإنذارات والفصل الآلي | معظم الإنذارات ليست أعطالًا |
| تقارير الفصل الآلي والحوادث | السبب المؤكد للأحداث الكبرى | للأحداث الكبرى فقط |
| تقارير التفتيش ومراقبة الحالة | نتائج الاهتزاز وتحليل الزيت والتصوير الحراري مع تواريخها | دورية؛ محفوظة في صورة وثائق |
| بيانات المستشعرات نفسها | البداية كما يراها المهندس | تتطلب وقت الخبراء؛ ويختلف التقدير |
| مقابلات موظفي الصيانة | أحداث لم تُكتب قط | الذاكرة تضعف؛ التواريخ تقريبية |
وتكون التسمية متينة حين يتفق مصدران مستقلان، مثل أمر عمل وفصل آلي في سجل الأحداث، أو ملاحظة وردية وتغيّر مرئي على المنحنى.
كيف تُعاد بناء تسميات الأعطال خطوة بخطوة؟
ابدؤوا بالفحوص الواردة في مشكلات جودة البيانات الصناعية، فالمُرسِل العالق أو اختبار الحلقة قد يبدو تمامًا مثل عطل. ثم:
- اختيار فئة معدات واحدة ونمطين أو ثلاثة أنماط أعطال ذات أهمية، مثل تسربات الحشوات الميكانيكية وأعطال المحامل في أسطول مضخات. وكتابة تعريف من سطر واحد لكل نمط.
- استخراج كل أوامر العمل على هذه المعدات خلال الفترة، بما فيها الملغاة، مع نصها الحر.
- تصنيف النص بقواعد بسيطة أولًا: قوائم كلمات مفتاحية لكل نمط، مثل «garniture» و«fuite» و«roulement» و«vibration»، يراجعها مهندس صيانة. فأداة Nestor مثلًا تجمع المصطلحات المتقاربة والتهجئات المختلفة لمراجعتها بسرعة (NIST, Nestor).
- مطابقة كل حدث مرشّح مع المصادر الأخرى: الإنذارات والفصل الآلي وملاحظات الوردية ضمن نافذة حول تاريخ أمر العمل. ويتناول دليلنا حول بيانات historian للتعلم الآلي عملية الاستخراج.
- تحديد البداية والنهاية على المنحنى. فالأداة مفتوحة المصدر Label Studio مثلًا توفر قالبًا لعنونة مقاطع من سلاسل زمنية متعددة القنوات تُحمَّل من ملفات CSV (Label Studio).
- تسجيل الثقة والمصادر لكل تسمية، والاحتفاظ بالأحداث المرشّحة المرفوضة مع سبب رفضها.
- عنونة عينة من قِبل مراجع ثانٍ بشكل مستقل. يقيس معامل كابا لكوهين (Cohen's kappa) الاتفاق بين اثنين من المعنونين؛ وتعني القيمة 0 غياب أي اتفاق يتجاوز الصدفة، والقيمة 1 اتفاقًا تامًا (scikit-learn). وضعف الاتفاق يعني عادة أن تعريف أحد أنماط الأعطال غير واضح.
- تدوين القواعد كي تُطبَّق العملية نفسها على سجلات السنة التالية.
هل يقلّص الإشراف الضعيف والتعلم النشط الجهد المطلوب؟
كلاهما يقلّص ساعات عمل الخبراء.
الإشراف الضعيف (weak supervision). بدل عنونة كل مثال يدويًا، يكتب الخبراء دوال عنونة: قواعد تقريبية مثل «فصل آلي لمضخة خلال 48 ساعة من أمر عمل يذكر "garniture" هو عطل في الحشوة الميكانيكية». ويجمع Snorkel هذه القواعد المشوّشة دون حقيقة مرجعية. وفي دراسته على المستخدمين، بنى خبراء المجال نماذج أسرع بـ2.8 مرة مقارنة بسبع ساعات من العنونة اليدوية، مع أداء تنبؤي أفضل بنسبة 45.5% في المتوسط (Ratner et al., 2017). وتخص هذه النتائج مهام مرجعية لا بيانات مصانع.
التعلم النشط (active learning). يختار النموذج الأمثلة التي يعنونها الخبير بعد ذلك، وهي عادة تلك التي يكون أقل يقينًا بشأنها. والفكرة الأساسية أن خوارزمية التعلم يمكن أن تبلغ دقة أعلى بعدد أقل من الأمثلة المعنونة إذا سُمح لها باختيار بيانات تدريبها (Settles, 2009). وفي المصنع، يعني ذلك أن يراجع المهندس كل أسبوع أكثر الفترات غموضًا، لا عينة عشوائية.
غير المعنون ليس سليمًا. إذا لم تُسجَّل بعض الأعطال قط، فإن فترات «بلا عطل» تخفي أمثلة إيجابية. وقد بيّن Elkan وNoto أنه إذا اختيرت الأمثلة الإيجابية المعنونة عشوائيًا من بين جميع الأمثلة الإيجابية، فإن المصنِّف المدرَّب على أمثلة إيجابية وغير معنونة يتنبأ باحتمالات لا تختلف عن الاحتمالات الحقيقية إلا بمعامل ثابت (Elkan and Noto, 2008). وفي المصانع تُسجَّل الأعطال الخطيرة أكثر من البسيطة، فنادرًا ما يتحقق هذا الافتراض تمامًا، لكن الدرس يبقى قائمًا: الفترة غير المسجلة ليست مثالًا سلبيًا.
ماذا يحدث حين تكون بعض التسميات خاطئة؟
تضر أخطاء التسميات بالتقييم بقدر ما تضر بالتدريب. فقد قدّر Northcutt وAthalye وMueller وجود 3.3% على الأقل من التسميات الخاطئة في المتوسط في مجموعات الاختبار لعشر مجموعات بيانات واسعة الاستخدام في الصور والنصوص والصوت. وعلى ImageNet، كانت زيادة بنسبة 6% في حصة أمثلة الاختبار الخاطئة التسمية كافية ليتفوق ResNet-18 على ResNet-50 (Northcutt et al., 2021).
ولا تشذ المجموعات المرجعية للسلاسل الزمنية عن ذلك. إذ يكتب Wu وKeogh أن جميع المجموعات المرجعية الشائعة لكشف الشذوذ التي فحصاها «تبدو محتوية على بيانات خاطئة التسمية، إيجابيات كاذبة وسلبيات كاذبة معًا» (Wu and Keogh, 2022).
وبالنسبة لبيانات المصانع، خصّصوا وقت الخبراء لمجموعة الاختبار أولًا، مع مراجعة كل تسمية اختبار مرتين، حتى لو بقيت تسميات التدريب تقريبية.
كيف يُقيَّم النموذج على أحداث الأعطال؟
يمتد العطل على فترة زمنية، لذا فإن الدقة المحسوبة نقطةً بنقطة مضللة. ويلاحظ Tatbul وزملاؤه أن كثيرًا من حالات الشذوذ الحقيقية تمتد على مدى زمني، ويوسّعون مقياسي الدقة والاستدعاء (precision وrecall) ليشملا المدى (Tatbul et al., 2018). والخطأ المعاكس شائع في الأبحاث: فمع التعديل النقطي، إذا اكتُشفت لحظة واحدة من مقطع شاذ عُدّ المقطع كله مكتشفًا. وقد بيّن Kim وزملاؤه أنه مع هذا البروتوكول يمكن حتى لدرجة شذوذ عشوائية أن تبدو كأسلوب من أحدث الأساليب (Kim et al., 2022).
قيسوا ما يهم مخططي الصيانة:
| المقياس | السؤال الذي يجيب عنه |
|---|---|
| الأحداث المكتشفة | من بين الأعطال المؤكدة في فترة الاختبار، كم منها أطلق تنبيهًا قبل العطل الوظيفي؟ |
| مدة الإنذار المسبق | كم من الوقت سبق التنبيه الفصلَ الآلي، أو سبق ملاحظة الناس للعطل؟ |
| التنبيهات الكاذبة في الأسبوع | كم تنبيهًا لم يطابق أي حدث مؤكد؟ |
| النتائج حسب درجة الثقة | هل يصمد الأداء على التسميات عالية الثقة وحدها؟ |
وانتبهوا إلى انحياز التشغيل حتى العطل (run-to-failure). فقد وجد Wu وKeogh أن كثيرًا من حالات الشذوذ في المجموعات المرجعية تقع قرب نهاية السلاسل، بحيث يكون لأسلوب ساذج يشير إلى النقطة الأخيرة فرصة ممتازة لأن يصيب. فإذا كانت سجلاتكم التاريخية تتوقف عند العطل، فتحققوا من أن النموذج لم يتعلم ببساطة «متأخر في السجل»، وقسّموا البيانات زمنيًا: التدريب على الفترات الأقدم والاختبار على الأحدث.
ماذا لو لم تكن هناك أعطال تكاد تُذكر لعنونتها؟
لا تبدؤوا بمصنِّف أعطال خاضع للإشراف. درّبوا كاشفًا على التشغيل العادي واستخدموا الأحداث المعنونة القليلة لاختباره، كما يشرح دليلنا لأساليب كشف الشذوذ، واجمعوا بيانات المعدات المتطابقة العاملة في ظروف متشابهة. وتصبح التسميات ضرورية لاحقًا، لنماذج تصنيف الأعطال وتقدير العمر المتبقي الموصوفة في الصيانة التنبؤية بالذكاء الاصطناعي في النفط والغاز، ولمراقبة النموذج بعد تشغيله، كما يشرح مقالنا عن مراقبة انجراف النماذج.
كيف نحصل على سجلات أفضل من الآن فصاعدًا؟
تكون التسميات أقل كلفة حين تُسجَّل عند إغلاق أمر العمل، لذا عدّلوا أمر العمل نفسه:
- تحويل نمط العطل وطريقة الكشف وأثر العطل إلى قوائم اختيار، متوافقة مع ISO 14224 حيثما تسمح رموزكم.
- إضافة حقل لوقت أول ملاحظة للمشكلة، بالتاريخ والساعة.
- ربط كل أمر عمل بالوسم، وبالإنذار أو الفصل الآلي إن وُجد.
- مراجعة عينة من أوامر العمل المغلقة كل شهر مع المخططين.
ويمكن لوكيل ذكاء اصطناعي أن ينبّه إلى الأوامر المغلقة دون رموز أعطال؛ انظروا ربط وكيل ذكاء اصطناعي بنظام CMMS. وتتضمن قائمة التحقق من جاهزية بيانات النفط والغاز اختبارًا سريعًا لأوامر العمل.
ما الذي لاحظناه في KABAS AI
تشمل خدمة علوم البيانات لدينا إعداد البيانات، والنماذج التنبؤية التي تستبق الأعطال، وخطوط MLOps التي تراقبها في بيئة الإنتاج. وتذكر صفحة النفط والغاز الصيانة التنبؤية ضمن حالات الاستخدام، مع DALILE الذي يربط بيانات الإنتاج وسجلات الصيانة وتاريخ المعدات. ولم ننشر مشروعًا للصيانة التنبؤية، لذا فما يلي توجيهات لا نتائج مُبلَّغ عنها.
ففي ADFC (مجمع سوناطراك)، كانت خبرة التركيبات «مبعثرة في صيغ وأماكن مختلفة» قبل أن يهيكل Virtual Lab الاختبارات السابقة والوصفات المعتمدة في صورة بيانات قابلة لإعادة الاستخدام. وتاريخ الأعطال مبعثر عادة بالطريقة نفسها. ونصائحنا:
- رصد وقت المهندسين للعنونة في خطة المشروع، فهو أندر الموارد.
- بناء مجموعة الاختبار أولًا، مع مراجعتها مرتين، قبل أي نموذج.
- إبقاء السجلات والتسميات وأدوات العنونة داخل شبكتكم، لأن أوامر العمل تصف معداتكم وموظفيكم.
المصادر
- Hodkiewicz and Ho, Cleaning historical maintenance work order data for reliability analysis, Journal of Quality in Maintenance Engineering 22(2), 2016
- NIST, Nestor: toolkit for maintenance work order text
- Selvik, Collection and exchange of reliability and maintenance data for equipment (ISO 14224), ISO/TC 67/WG4, Rio de Janeiro, 2014
- NASA, Reliability-Centered Maintenance Guide for Facilities and Collateral Equipment, September 2008
- Label Studio, Time Series Labeling template
- scikit-learn, cohen_kappa_score
- Ratner et al., Snorkel: Rapid Training Data Creation with Weak Supervision, PVLDB 11(3), 2017 (arXiv 1711.10160)
- Settles, Active Learning Literature Survey, University of Wisconsin-Madison, 2009
- Elkan and Noto, Learning Classifiers from Only Positive and Unlabeled Data, KDD 2008
- Northcutt, Athalye and Mueller, Pervasive Label Errors in Test Sets Destabilize Machine Learning Benchmarks, NeurIPS Datasets and Benchmarks 2021 (arXiv 2103.14749)
- Wu and Keogh, Current Time Series Anomaly Detection Benchmarks are Flawed and are Creating the Illusion of Progress, ICDE 2022 (arXiv 2009.13807)
- Tatbul et al., Precision and Recall for Time Series, NeurIPS 2018 (arXiv 1803.03639)
- Kim et al., Towards a Rigorous Evaluation of Time-Series Anomaly Detection, AAAI 2022 (arXiv 2109.05257)
الأسئلة الشائعة
كم مثالًا على الأعطال نحتاج لتدريب نموذج للتنبؤ بالأعطال؟
لا يوجد عدد ثابت، فالأمر يتوقف على نمط العطل ومدى تنوع ظروف التشغيل. وإذا لم يتوفر سوى عدد قليل من الأحداث المؤكدة لكل نمط، فدرّبوا كاشف شذوذ على التشغيل العادي واحتفظوا بالأحداث لاختباره. أما المصنِّف الخاضع للإشراف لنمط عطل محدد فيحتاج إلى عدد كافٍ من الأمثلة المراجَعة لذلك النمط، تغطي الظروف التي سيواجهها أثناء الخدمة.
هل يمكن لنموذج لغوي أن يقرأ أوامر العمل ويحدد رموز الأعطال؟
يمكنه اقتراح رموز انطلاقًا من النص الحر، بما في ذلك الملاحظات التي تمزج الفرنسية والعربية والاختصارات، وهذا يوفر وقت المراجعة. لكن تعاملوا مع مخرجاته على أنها تسميات مرشّحة: قارنوها بعينة راجعها المهندسون قبل الاعتماد عليها، واحتفظوا بالنص المصدر بجانب كل رمز مقترح. وبما أن أوامر العمل تصف معداتكم وموظفيكم، شغّلوا النموذج داخل شبكتكم الخاصة.
ما طول النافذة الزمنية السابقة للعطل التي يجب عنونتها؟
حدّدوها لكل نمط عطل انطلاقًا من بدايات التدهور التي يحددها المهندسون على البيانات، لا من قاعدة تقريبية. يجب أن تبدأ النافذة حيث تتغير الإشارة فعلًا، وأن تترك لفريق الصيانة وقتًا كافيًا للتدخل. واختبار بضعة أطوال ومقارنة مدة الإنذار المسبق والإنذارات الكاذبة يبيّن أيها مفيد.
هل نعنون الفترات التي لا يوجد فيها عطل مسجل على أنها سليمة؟
ليس تلقائيًا. فبعض الأعطال لم تُسجَّل قط، كما تتضمن هذه الفترات أعمال إصلاح وعمليات بدء تشغيل واختبارات. لا تعنونوا بوصفها عادية إلا الفترات التي راجعها المشغلون والمهندسون، واستبعدوا فترات الإصلاح والاختبار، وتعاملوا مع الباقي على أنه غير معنون.
من يجب أن يتولى العنونة؟
يقرر مهندسو الصيانة أو الموثوقية والمشغلون ذوو الخبرة ما هو العطل ومتى بدأ، بينما يُعدّ عالم البيانات البيانات والأدوات وعمليات التحقق. واطلبوا من مراجع ثانٍ أن يعنون عينة بشكل مستقل، واستخدموا مواضع الاختلاف لتوضيح تعريفات أنماط الأعطال.
هل يجب اعتماد ISO 14224 قبل البدء في العنونة؟
لا. فحقول نمط العطل وسبب العطل وطريقة الكشف وأثر العطل فيه مرجع مفيد، وربط رموز نظام CMMS الحالية بها يسهّل إعادة استخدام التسميات بين المواقع. ويمكن لمشروع أول أن ينطلق من رموزكم الخاصة، بشرط أن يكون كل نمط عطل معرّفًا كتابيًا.



