المجلة الأكاديمية للأبحاث والنشر العلمي
مجلة علمية دولية محكمة

Email: editor@ajrsp.com

موعد إصدار العدد الواحد والثمانون:
5 يناير 2026م


الرؤية والأهداف

توفير عملية مراجعة ونشر سريعة وفعالة للأبحاث والأوراق العلمية وفهرسة وأرشفة النتاج العلمي والمعرفي العربي في كبرى قواعد البيانات العلمية العالمية.
تصدر المجلة بشكل دوري كل شهر.


روابط قد تهمك
  • . إرشادات المؤلفين
  • . فهرسة المجلة
  • . رسوم النشر
  • . قالب البحث
  • . نموذج طلب نشر
  • . اقرار وتعهد
  • . سياسات المجلة

    • إصدارات المجلة
  • . العدد الحالي
  • . الأعداد السابقة

    • جميع حقوق النشر محفوظة للمجلة الأكاديمية للأبحاث والنشر العلمي وفق رخصة المشاع الإبداعي لحقوق التأليف والنشر

    مجلة علمية محكمة

    الباحث/ مريسي سعيد مريسي الغامدي
    ماجستير العلوم في الذكاء الاصطناعي، المملكة العربية السعودية
    doi.org/10.52132/Ajrsp/v7.80.10


    الملخص:

    يهدف هذا البحث إلى توظيف تقنيات الذكاء الاصطناعي العميق في تحليل البيانات الصناعية لتشخيص أعطال الأنظمة الميكانيكية المعقدة، وذلك من خلال إجراء تطبيق عملي على المضخات الترددية الثلاثية؛ حيث تم بناء نموذج ديناميكي في بيئة بايثون يحاكي السلوك الفيزيائي للمضخة في الحالات السليمة وفي وجود أعطال ميكانيكية وهيدروليكية شائعة، ولتجاوز صعوبات الحصول على بيانات تتعلق بالبارامترات الواقعية للمضخة أثناء التشغيل؛ تم توليد بيانات اصطناعية تحاكي إشارات التشغيل الواقعية كالضغط والاهتزاز والتيار الكهربائي مع تضمين ضجيج يحاكي الظروف العملية. استُخدم التحويل المويجي المستمر (CWT) لتحويل هذه الإشارات إلى خرائط طيفية زمنية (Scalograms)، ثم جرى توظيف نماذج التعلم العميق متمثلة في الشبكات التلافيفية (CNN) وشبكات الذاكرة الطويلة (LSTM) والنموذج الهجين بينهما لتصنيف الأعطال تلقائيًا، وأظهرت النتائج تفوّق النموذج التلافيفي (CNN) بدقّة بلغت96%‎، ما يؤكد قدرة خوارزميات التعلم العميق على استخلاص الأنماط الدقيقة من البيانات الصناعية وتحسين موثوقية الصيانة التنبؤية. في ضوء ما توصل له البحث من نتائج يوصي الباحث بتوسيع قاعدة بيانات الاهتزازات لتشمل بيانات حقيقية لمضخات ترددية تغطي أعطالًا وظروف تشغيل متنوعة، وذلك لتعزيز قدرة النموذج على التعميم. كما ينصح باستكشاف بنى الشبكات العصبية التلافيفية الأكثر عمقًا، بما في ذلك البنى المتقدمة أو التعلم بالنقل باستخدام شبكات كبيرة مُدرَّبة مسبقًا عند توفر موارد حاسوبية عالية. وأخيرًا، يقترح الباحث دمج بيانات استشعار إضافية، مثل الضغط ودرجة الحرارة، لإنشاء نظام تشخيص أكثر شمولًا وموثوقية.

    الكلمات المفتاحية:

    الذكاء الاصطناعي، التعلم العميق، التحويل المويجي المستمر، الشبكات التلافيفية، تشخيص الأعطال، المضخات الترددية الثلاثية، البيانات الاصطناعية، الصيانة التنبؤية.

    تحميل PDF