وقد ظلت نظم مراقبة المحرك منذ وقت طويل القلب المحوسب للمركبات الحديثة، وإدارة حقن الوقود، وتوقيت الإشعال، ونسب الهواء إلى الوقود، ومراقبة الانبعاثات، حيث تتسارع التكنولوجيا الآلية نحو الكهربة والاستقلالية والوصل، والاستخبارات الاصطناعية، والتعلم الآلاتي، وتبرز كقوى تحولية، وتعود هذه النظم بالضغط على التحكم في المحرك إلى ما يتجاوز جداول التطلعات الذاتية، والمنطق القائم على القواعد.

تطور نظم مراقبة المهندسين: من الخرائط إلى النماذج

وتعتمد الوحدات التقليدية لمراقبة المحرك على الخرائط المميزة - على أساس ثنائي أو ثلاثي الأبعاد التي تحدد نواتج المحركات استنادا إلى مجموعة محدودة من المدخلات مثل سرعة المحرك وعبءه، وفي حين أن هذه الخرائط قوية ومحددة، فإنها تتطلب آلاف ساعات من اختبار مقياس الديناموسومات وتوفر مجالا ضئيلا للتكيف في الوقت الحقيقي، حيث أن أنظمة الانبعاثات تشدد وظروف القيادة تصبح أكثر تنوعا، فإن القيود المفروضة على الخرائط تصبح أكثر تنوعا.

ويحدث التعلم في مجال الآلات تحولاً في النموذج، فبدلاً من أن يُشدد كل حالة تشغيلية، تتعلم نماذج الأشعة فوق البنفسجية من مجموعات بيانات واسعة النطاق تُجمع أثناء الاختبارات التي تجري في العالم الحقيقي للسيارات والاختبارات الخاضعة للمراقبة، ويمكن لهذه النماذج أن تستوعب العلاقات غير الخطية التي يمكن أن تُشفر يدوياً، وعلى سبيل المثال، شبكة عصبية مدربة على البيانات المستمدة من أجهزة الاستشعار الحرارية، والمجسّة، ومجسّدات الأكسجين، ويمكن أن تتن باستمرار.

والانتقال من الخرائط إلى النماذج ليس مجرد أكاديمي، فقد أثبت العديد من أفرقة البحث وصانعي السيارات، بما في ذلك الشراكة بين SAE International and major OEMs، أن أجهزة التحكم في المحرك القائمة على حركة تحرير الكونغو لا يمكنها أن تحقق تحسيناً في اقتصاد الوقود بنسبة تصل إلى 5 في المائة، مع الحد في الوقت نفسه من انبعاثات أكسيد النيتروز بواسطة هوامش قابلة للمقارنة، وهذه المكاسب ذات أهمية خاصة في مكامات الكهرباء المختلطة، حيث يمكن للمبادرة أو التداخل.

Core AI and ML Techniques for Engine Control

التعليم في مجال التنفيذ العميق من أجل تحقيق الاستخدام الأمثل في الوقت الحقيقي

(د) التعلم من أجل تعزيز الطاقة هو فرع للتعلم الآلي حيث يتعلم الوكيل الإجراءات المثلى من خلال التفاعلات بين التجارب والأعراق مع بيئة، وفي مجال مراقبة المحرك، يمكن للعامل أن يعدل موقع الصدع أو توقيت الصمامات أو أن يزيد الضغط من أجل زيادة الإشارة إلى المكافأة إلى أقصى حد، التي تجمع بين كفاءة الوقود، وإنتاج الطاقة، والامتثال للانبعاثات.

وتظهر شركة " ديب ريل " التي تستخدم شبكات عصبية عميقة لتمثيل السياسة، وعداً استثنائياً في بيئات المحاكاة. ] تشير البحوث المتكافئة إلى أن الشبكة العالية الجودة يمكن أن تتعلم التحكم في محرك الديزل المزود بالتوريب في مجموعة واسعة من ظروف التشغيل، وتحقيق تخفيضات في استهلاك الوقود بنسبة تتراوح بين 3 و7 في المائة مقارنة بخارطة خط الأساس المعايرة.

الإشراف على التعلم من أجل كشف النقوس وتوقعات الهواء

ويجري بالفعل نشر نماذج تعليمية مشرفة في وسائل الإنتاج لأغراض التصنيف والتراجع المتباينين، مثلاً، يمكن تحسينها بواسطة جهاز استخلاص طرقات وطرقات متحركة، بواسطة شبكة عصبية ذات حدودية مدربة على إشارات التسارع، ويمكن للشبكة العصبية التمييز بين الضوضاء الميكانيكية الحسنة والطرق الخفية التي تتسم بدرجة أكبر من الحساسية، مما يتيح للوحدة الأوروبية أن تسرع في الإشعال.

وبالمثل، تعاني أجهزة الاستشعار التي تستخدم في استخدام الوقود الجوي من النواقص والحساسية المتقاطعة، ويمكن للشبكة العصبية المتكررة الخاضعة للإشراف أن تتنبأ بالمعاملات المضادة للمركبات الفعلية من مدخلات الاستشعار المتعددة، وتعوض عن التأخير في أجهزة الاستشعار، وتزيد من صرامة الرقابة على الترددات العالية، وتحسن المراقبة الأضيق بشكل مباشر كفاءة المحولات المحفزة الثلاث وتخفض استهلاك الوقود.

التعلم غير المشرف وكشف الشذوذ

ولا تستخدم تقنيات التعلم غير المشرف مثل أجهزة التكتيك والتجميع في الرقابة المباشرة وإنما في رصد الصحة وكشف الأخطاء، وبتعلم السلوك الطبيعي لبارامترات المحرك، يمكن للوسيط أن يكشف عن الانحرافات التي تدل على وجود اضطرابات أو تدهور في أجهزة الاستشعار، مما ييسر الصيانة المتوقعة التي ترد مناقشتها أدناه.

الصيانة والتنبؤات الافتراضية

وتكتسي أهمية كبيرة في الأساطيل التجارية حيث يمكن أن يكلف التعطل غير المقرر آلاف الدولارات في الساعة، ويتيح التعلم في مجال الآلات التحول من الصيانة القائمة على الزمن أو على أساس الميل إلى الصيانة القائمة على الظروف، ويمكن للنموذجات المدربة على بيانات الفشل التاريخي ومجاري الاستشعار في الوقت الحقيقي التنبؤ بالحياة المفيدة المتبقية لمكونات مثل بلوغرات الشرارة، والحقن، ومجسات الأكسجين، وعلامات التربومر.

- مشغل الأسطول الذي يستخدم نظام صيانة متوقع - مثل تلك التي تقدمها منصة بريديكست الرقمية G Digital’s Predix - يمكن إصلاح الجدول الزمني خلال فترات متدنية الطلب، والاستعاضة عن الأجزاء قبل أن تسبب إخفاقات في التكسير، وتفادي انهيار جانب الطريق، وتشير الدراسات إلى أن الصيانة المتوقعة يمكن أن تقلل من الإنفاق العام على الصيانة بنسبة 25 إلى 30 في المائة وأن تزيد من وقت المركبات عن طريق هوامشات مماثلة.

وبالنسبة لنظم مراقبة المحرك نفسها، يمكن أن تتوقع النماذج التنبؤية أيضاً عندما يكون ملجأ التحكم (مثل جهاز التحكم في النفايات أو آلية التلقيح المتغير في الهندسة) على الأرجح أن يلتزم أو يستجيب ببطء أكبر، ويمكن لمراقب الحسابات في أي وقت أن يعدل استراتيجيته للتعويض، مثلاً باستخدام مكاسب أكثر عدائية في التغذية العكسية بينما لا يزال الملجأ صحياً، ثم يتراجع تدريجياً مع ارتدائه للتقدم في الحفاظ على سلامة التشغيل.

Algorithms for Varying Conditions

ومن أكثر المزايا إلحاحاً التي تتمتع بها شركة AI في مجال مراقبة المحركات القدرة على التكيف تلقائياً مع التغيرات البيئية والوقودية، وقد تُشغل مركبة مصنَّعة في سوق ما في وقت لاحق في سوق أخرى تختلف درجة الحرارة فيها أو الارتفاع فيها أو أو أو أو أو أوكتان الوقود اختلافاً جذرياً، وسيتطلب الاتحاد الأوروبي القائم على الخرائط إعادة تكييف؛ ويمكن أن يتعلم نظاماً قائماً على أساس " AI " .

والتحكم في النموذج التناسلي المتوافق مع التعلم على الإنترنت هو اتجاه تصاعدي، ويحتفظ المراقب بنموذج دينامي للمحرك يستكمله باستخدام بيانات الاستشعار الواردة، وعندما يتم اكتشاف الوقود الذي يحتوي على محتوى أقل من الإيثانول (من خلال قراءة أجهزة الاستشعار ذات النطاق الواسع للأكسجين وميلات الدق)، يعدل النموذج نسبة الوقود الجوي المستهدفة وتوقيت الحقن في غضون ثوان، دون أي تدخل بشري.

ويمتد هذا التكييف أيضاً إلى سلوك السائق، ويمكن لنظام آي أن يتعلم أسلوب قيادة المشغل - العدواني أو السلس أو المزيج - وربط المحركات بالسلخ تبعاً لذلك، ففي سائق عدواني مثلاً، قد يميل المتحكم إلى الخليط بشكل طفيف لتوفير معلومات أكثر استجابة مع توفير الحماية من طرق المرور، وقد يساعد على رسم خرائط الاقتصاد.

التكامل مع التنقيب الذاتي والتواصل

ومع انتقال المركبات نحو مستويات أعلى من الاستقلال الذاتي، يجب أن يتكامل نظام مراقبة المحرك بشكل صارم مع نظم التصور والتخطيط، قد يعرف مخطط المركبات المستقل أن درجة حرارة مترين أمامنا، وباستخدام التحكم بالتنبؤ، يمكن لمتحكم المحرك أن يستعد بزيادة درجة حرارة الغاز المستنفد في حالة تجدد، أو عن طريق استخدام معدات أقل على نحو استباقي لتجنب حدوث انحرافات مفاجئة تؤدي إلى تدهور المواهب.

وعلاوة على ذلك، فإن الاتصالات بين المركبات والمركبات (V2X) تتيح لنظم مراقبة المحرك تلقي معلومات عن إشارات المرور، وظروف الطرق، ومناطق البناء المقبلة، ويمكن لنماذج آي أن تثبط هذه البيانات الخارجية بمجارير الاستشعار الداخلية من أجل تحقيق الاستخدام الأمثل لعملية المحرك في الرحلة بأكملها بدلا من مجرد اللحظة الحالية، وقد يؤدي متحكم المحرك الموصل، مثلا، إلى خفض ناتج الطاقة الكهربائية قليلا عند اقتراب الضوء الأحمر المعروف، وإنقاذ الوقود، ثم التنسيق مع الضوء.

وفي المركبات الكهربائية والهجينة، تصبح إدارة الطاقة التي يقودها جهاز الاستخبارات المالية أكثر أهمية، ويمكن للشبكات العصبية أن تتعلم أنماط القيادة النموذجية للمستعمل، ومطالب الطاقة على مرحل، ثم تقرر التمزيق الأمثل للبطارية والمحرك - أو حتى عندما تنتقل من السلسلة إلى نمط هجين موازي - إلى أقصى قدر من الكفاءة عموما.

التحديات والنظر في مجال مكافحة المهندسين في منطقة البحر الأبيض المتوسط

وفي حين أن الإمكانات هائلة، فإن نشر أجهزة الاستخبارات في نظم مراقبة المحرك الحرجية للأمان يشكل تحديات فريدة يجب حلها قبل اعتمادها على نطاق واسع.

السلامة والنزاهة الوظيفية

فالشبكات العصبية وسياسات التعلّم بالتدعيم غير مكتملة حسب الطبيعة - فهي تنتج نواتج دون مبرر واضح، وهذا الافتقار إلى التفسير يثير إشكالية بالنسبة للنظم التي يجب التصديق عليها بموجب معايير مثل المعيار الدولي للتوحيد القياسي 26262 (الأمان الوظيفي لمركبات الطرق) ويتعين على المنظمين والمصنّعين أن يكفلوا تصرفات المتحكم في الانبعاثات بأمان في جميع الحالات الحادة، بما في ذلك الفشل في أجهزة الاستشعار، والطقس المتطرف، والمدخلات الخصمة.

ويتمثل أحد النهجين في استخدام هيكل هجين حيث يعمل نموذج آي في إطار مظروف السلامة التقليدية القائمة على القواعد، ويقترح المعهد نقاطاً أمثل، ولكن تجاوز منطقي أبسط ومتحقق يحول دون أي ناتج يتجاوز الحدود الآمنة، وثمة اتجاه واعد آخر يتمثل في التحقق الرسمي من الشبكات العصبية - استخدام الأدلة الرياضية لضمان عدم انتهاك بعض النواتج قط للقيود المفروضة على الإنتاج.

أمن البيانات وخصوصيتها

وتخلق نظم مراقبة المحركات التي يقودها المعهد الأوروبي أماكن جديدة للهجوم، ويمكن للجهات الفاعلة في مالي أن تحاول إفلاس بيانات التدريب، أو قذف أجهزة الاستشعار الخاطئة، أو التلاعب بوظيفة مكافأة التعاضد من أجل إحداث سلوك ضاري، وضمان التحديثات فوق الجو، وضمان سلامة الأوزان النموذجية، كلها عوامل ضرورية.

كما تنشأ شواغل تتعلق بالخصوصية، فإذا علم متحكم المحرك بسلوك السائق، فإن البيانات يمكن استخدامها لأغراض التأمين أو المراقبة، وسيلزم وضع لوائح واضحة وسياسات اختيارية للموازنة بين الابتكار وحقوق المستعملين.

الحواسيب وضغوط الطاقة

والشبكات العصبية العميقة مكثفة من الناحية الحسابية، إذ أن وحدة التخصيب في الدرجة العادية للسيارات لديها قدرة محدودة على التجهيز والذاكرة والميزانية الحرارية، إذ أن تشغيل نموذج كبير في الألف من الثانية من كل نقطة من الاختبار، أمر لا يزال صعبا، كما أن معدات الادخار في الهواء، مثل سلسلة جيتسون التابعة للنافيدي، أو موفيديوس في إنتل، لا تزال أكثر شيوعا في المركبات ذات الارتفاع، ولكنها حلول فعالة من حيث التكلفة بالنسبة للإنتاج.

كما أن أساليب الضغط النموذجية - التكييف والتشغيل والتفكيك المعرفي - هي أمور أساسية لمواءمة أجهزة الاستنشاق مع قيود وحدات التشغيل الأوروبية، كما يقوم العديد من صانعي السيارات باستكشاف الحمولة السحابية للحوسبة الثقيلة، ولكن متطلبات المرونة والوصل تجعل الحلول السحابية غير عملية لمراقبة الوقت الحقيقي، ومن ثم قد يظهر هيكل مقسم: نماذج محلية سريعة ومرنة للثبطات الخافتة المتطورة على السلامة، مع التدريب الدوري على التخمة.

الهيكل التنظيمي والتأديبي

ولا يوجد حتى الآن معيار لإصدار شهادات السيارات، ولا سيما بالنسبة للتعلم الآلي في نظم المراقبة، ويجري حاليا تنقيح معيار المنظمة الدولية لتوحيد المقاييس 26262 لمعالجة العناصر القائمة على أساس التنفيذ، ولكن العملية بطيئة، ويجب على المصانع أن تعمل مع المنظمين لوضع أطر للتحقق لا تختبر أداء خط الأساس فحسب، بل أيضاً مدى قوة التحول في التوزيع، مثلاً، كيف يؤدي النموذج إلى مرور جبلي حاد بعد أن يتم تدريبه في معظم الأحيان على الطرق السريعة.

ومن المرجح أن يستعاض عن عملية التصديق الذاتي بعمليات أكثر اتساما بالطابع الرسمي مثل مراجعة نوعية البيانات التدريبية، والاختبارات الشاملة في المحاكاة، والرصد المستمر للنماذج المنشورة، كما سيصنف قانون الاتحاد الأوروبي المقبل المتعلق بالتنفيذ في مجال الطاقة المحركات باعتباره من المخاطر العالية، مما سيضيف طبقة أخرى من الامتثال.

التوقعات المستقبلية: نحو توليد الطاقة الكهربائية للتعلم الذاتي

إن المسار واضح: إن نظم مراقبة المحرك ستتحول من قواعد ثابتة ومعايرة إلى هياكل دينامية قادرة على التعلم، وفي العقد القادم، يمكننا أن نتوقع من مركبات الإنتاج أن تبرز " آي " التي تُحدث الاحتراق الأمثل باستمرار، وتكيف مع تغير الوقود، وتتوقع احتياجات الصيانة، ولا تستفيد مضيق الطاقة الكهربائية المهجورة بالكامل، خصوصاً، نظراً إلى ارتفاع درجات حريتها في المقاييس المعقدة للتنسيق التي يمكن أن يحققها البشر.

وقد نرى أيضا ارتفاع مستوى التعلم الاتحادي، حيث تتقاسم العديد من المركبات نماذج تحديثات دون إضفاء الطابع المركزي على البيانات الحساسة، وتتعلم كل سيارة من بيئتها، ثم ترسل فقط درجات الوزن (ليس البيانات الخام) إلى خادم غيوم يجمّعها إلى نموذج عالمي، مما يمكن أن يعجل بشكل كبير بتدريب متحكمين قويين يغطيون ملايين السيناريوهات الدافعة.

وثمة حدود أخرى هي المحاكاة الرقمية التي تُجرى بالتوازي مع المحرك الحقيقي، وهي المحاكاة التي تُستخدم في شكل محاكاة رقمية، ويمكن لمراقب حركة تحرير الكونغو أن يستخدم التوأم الرقمي لتحفيز آلاف الإجراءات المحتملة للمراقبة ونتائجها في الثانية المليمتر، واختيار التسلسل الأمثل قبل تطبيقه على المحرك الحقيقي، وهذا النهج القائم على تعزيز النموذج يبشر بأداء ما يقرب من الأمثل مع ضمان الالتزام بالسلامة.

خاتمة

إن إدماج المعلومات الاستخبارية الاصطناعية والتعلم الآلاتي في نظم مراقبة المحرك ليس مجرد تحديث تدريجي - بل هو تحول أساسي نحو مضيق الطاقة المستقل والمتكيف والذاهب الذاتي - من التعلم العميق للتقويم في الوقت الحقيقي لإدارة العواصف إلى الصيانة المتوقعة التي تقلل من وقت التعطل، فإن الفوائد ملموسة ومتنامية.

إن التحديات في مجالات السلامة والأمن والحساب والتنظيم هائلة ولكنها قابلة للتأثر من خلال البنيانات الهجينة، ومعدات التحقق من الهوية، ومعايير التصديق المتطورة، ومع تسارع صناعة السيارات نحو استخدام مركبات أكثر ذكاء، سيكون نظام مراقبة المحرك واحدا من المجالات الأكثر إثارة التي يمكن أن تحول فيها نظرية التنفيذ إلى واقع عملي، يحقق وفورات في الوقود، ويقلص من الانبعاثات.