مقدمة

وقد تطورت عملية التعلم من الآلات بسرعة من فضول بحثي إلى أداة عملية تعيد تشكيل عمليات التصنيع، وفي مجال تكوين العمليات التي يجري فيها تشكيل المواد الخام في إطار القوة لإيجاد عناصر لضمان السيارات والفضاء الجوي وصناعات المعدات الثقيلة، يتيح مساراً لمراقبة العمليات المحكم وضمان الجودة الأعلى، وتعتمد خطوط التكوين التقليدية على الوصفات الثابتة، والتسويات اليدوية، وطرائق التكييف الافتراضية فيما بعد.

فهم عملية التشكيل

وتشمل عمليات التشكيل طائفة واسعة من التقنيات المستخدمة لتشويه شكل معدني ثابت أو بلاستيكي إلى شكل مرغوب فيه دون إزالة المواد، وتشمل الأساليب المشتركة التخميد، والتدمير، والتدحرج، والسحب العميق، وتشمل كل عملية مراقبة دقيقة لمقاييس القوة، ودرجة الحرارة، والسرعة، والتشحيم، ومقياس الهندسة، بل إن الخيوط من الهدف يمكن أن ينتج عنها عيوب في عمليات الإنتاج السطحي:

وفيزياء التشوهات البلاستيكية غير خطية وغالبا ما تكون مقترنة بالآثار الحرارية والتريبية، ففي مرحلة التكوين الساخن مثلا، تؤثر درجة حرارة التفريغ على الإجهاد التدفقي والدي، بينما في ختم المعادن، وقوة الحائز الفارغة، وتدفق مواد مراقبة تصميم الخرز، ويُعتبر من الصعب تحليل هذه التفاعلات، حيث تُظهر نماذج التعلم الآلات التي تحركها البيانات في التاريخ بين عملية رسم الخرائط.

مواد تعليمية ميكانيكية

وقبل التراجع عن تطبيقات محددة، من المفيد استعراض الفئات الرئيسية للتعلم الآلي ذات الصلة بتشكيل العمليات. Supervised learning] تستخدم البيانات الملصقة لتدريب نموذج يتوقع متغيراً مستهدفاً، على سبيل المثال، التنبؤ بما إذا كان جزء مطروحاً سيعاني من كراك (التصنيف الموحّد) أو من سميك بعد الإبطال (ال: الجرعة].

وتشمل الخوارزميات المشتركة في مجال الزراعة الصناعية الغابات العشوائية، وآلات تعزيز التدرج، وآلات دعم ناقلات الوصل، والشبكات العصبية العميقة، ويتوقف الاختيار على حجم البيانات، وتعقيد السمات، والحاجة إلى الترجمة الشفوية، فمثلاً يمكن أن توفر الغابات العشوائية ترتيباً هاماً، وتساعد المهندسين على فهم ما يشير إليه الاستشعار من أهمية بالغة عند نشر نماذج على أرضية تفسر فيها مسائل الثقة والاضطرابات.

التعليم المشرف على الصلاحية

ومن أكثر التطبيقات وضوحاً للتعلم المشرف عليه التنبؤ بالعيوب، ففي دورة تشكيلية، تلتقط أجهزة الاستشعار بيانات السلسلة الزمنية من خلايا الحمولة، وأجهزة التكفير، ومنتجات التشريد، ومواصفات التسارع، وتصبح هذه الإشارات، إلى جانب بارامترات ثابتة مثل البصمات المادية ومقياس الأدوات، سمات لنموذج يُنتج عنه احتمال وجود عيوب في العينة، تبلغ مساحتها 90 في المائة.

ولنشر هذا النموذج في الإنتاج، يجب على المهندسين أن يعالجوا الاختلالات في الصفات النادرة في خط جيد، كما أن التقنيات مثل " سموت " (تقنية التمعن في أقلية صناعية) أو التدريب الذي يراعي التكلفة يساعد النموذج على إيلاء الاهتمام لفئة الأقليات، وبالإضافة إلى ذلك، يمكن تحديد عتبة القرار في النموذج لموازنة الإنذارات الكاذبة (التي تسبب توقفاً غير ضروري) ضد العيوب السيئة (التي تسمح بذلك).

التعلم غير المشرف من أجل كشف الشذوذ

ولا يعرف أو يُسمّى جميع العيوب المكوّنة، فاللباس المُتفجر أو انهيار التزليق أو التحولات المفاجئة في الممتلكات المادية يمكن أن يخلق أنماطاً جديدة من الأخطاء، حيث أن نماذج الكشف غير المُوصَف بها عن الشذوذ، مثل أجهزة التزود بالأجهزة الآلية، أو أجهزة الأشعة فوق البنفسجية، أو العزلة التي يمكن أن تتعلم توزيع التوقيعات العادية على العمليات، أو أي انحرافات، مثلاً، أو على نماذج التلفيق.

وفي عملية النشر، يجب تحديد عتبة الشذوذ بعناية، وكثيرا ما يستخدم مهندسو النباتات مزيجا من قواعد مراقبة العمليات الإحصائية وسجلات الشذوذ التي تستمدها حركة تحرير السودان للحد من الايجابات الكاذبة، ويوفر إدماج الفيلق و ML دفاعا مطبقا: يلتقط المفرزة النوبات التدريجية، بينما يكتشف جيش تحرير السودان وجود أورام متعددة الأنواع التي قد تفتقدها لجنة البرنامج والتنسيق.

تعزيز التعلم من أجل تحقيق الاستخدام الأمثل للعملية

ويتيح التعلُّم في مجال تعزيز القدرات وسيلةً لزيادة معايير العمليات إلى أقصى حد في الوقت الحقيقي، وفي خط تشكيلي، يمكن لوكيل القانون الإقليمي أن يحترم الحالة الراهنة (مثل درجة الحرارة، والطن، وقياسات السميكة) وأن يختار إجراءً (مثل زيادة قوة الحائز على الفرن بنسبة 2 في المائة)، ثم تنتقل البيئة إلى دولة جديدة وتمنح جائزة تستند إلى نوعية جزئية وزمن دورة.

ويتمثل أحد التحديات في كفاءة العينة: لا يمكن لعمليات التكوين الحقيقي أن توفر عشرات الآلاف من دورات المحاكمة والحرق، ولهذا السبب يستخدم العديد من عمليات التنفيذ على أساس التواؤم الرقمي، وهو محاكاة عالية الجودة للعملية، لتأهيل الوكيل قبل نشره، وبعد ذلك على الخط المادي، قام الوكيل بغرامة في سياسته مع استكشاف محدود في العالم الحقيقي.

اقتناء البيانات وتجهيزها

ويتوقف نجاح أي مشروع من مشاريع القانون النموذجي في عمليات تكوين البيانات اعتماداً بالغ الأهمية على نوعية البيانات وحجمها، إذ تجهز الصحف الحديثة بمجموعة متنوعة من أجهزة الاستشعار: خلايا الحمل على الترام، أو معالجات درجة الحرارة في الموت، وأجهزة استشعار الفطائر للانبعاثات الصوتية، وأجهزة التشريد ذات السمات العالية، وتحصل البيانات عادة على درجات عالية من درجات التجهيز غير الكاملة للأجهزة.

كما أن هندسة المعالم هي ذات أهمية مماثلة، إذ أن الخبرة الأساسية تساعد على خلق سمات مستمدة مثل الذروة في الحمولة، وقطعة من منحنى تشرد القوة، وجزء لا يتجزأ من القوة على منطقة محددة من السكتة، وكثيرا ما تلتقط هذه السمات فيزياء العملية أفضل من قيم الإشارة الخام، وكبديل لذلك، يمكن أن تتعلم نماذج التعلم العميق ذات الطبقات الملتوية أو المتكررة سمات مفيدة تلقائيا من السلسلة الزمنية، وإن كانت تتطلب مزيدا من البيانات والصورة.

مراقبة العمليات في الوقت الحقيقي مع نماذج القانون النموذجي للتحكيم

وبمجرد أن يتم تدريب نموذج للتعلم الآلي والتحقق منه، يجب إدماجه في حلقة التحكم للتأثير على عملية التشكيل في الوقت الحقيقي، وهناك هيكلان مشتركان للنشر: الاختبارات الحادة والاختلاف السحابي، ويدير الاختبار النموذج مباشرة على جهاز التحكم المنطقي البرمجي أو مركزي للضغط بجانب الصحافة، مما يتيح التدريب الثانوي دون المتوسط وعدم الاعتماد على الربط الشبكي، على خطوط أخرى للوصل.

ويستخدم هيكل قياسي نموذجي لمراقبة القاع المغلقة على النحو التالي: في كل ضربة، يتم الاستيلاء على مجرى الاستشعار وتجهيزه مسبقاً، ويمكن أن يؤدي نموذج ML (مثل نموذج تراجعي يتوقّع سميك جزء) إلى تنفيذ نظام يقل عن 10 مليمترات، وإذا ما هبط السميك المتوقع خارج نطاق الهدف، فإن جهاز التحكم يُعدّل حتى حجم الجرعات العائمة يُعدّلُ درجة الحرارة المتطاولة.

وتتطلب هذه المراقبة التكييفية ترابطاً دقيقاً في مجال السلامة، ويجب أن يُقيد ناتج القانون النموذجي لمنع إجراء تعديلات شديدة يمكن أن تلحق الضرر بالأدوات، بالإضافة إلى أن تجاوز اليدوي يسمح للمشغلين بالتحكم في حالة التصرفات غير المتوقعة، وينفذ العديد من المصنّعين نهجاً " البداية " ، حيث يجري نظام القانون النموذجي في شكل استشاري لمدة أسابيع قبل السماح له بتغيير معايير العمليات بصورة مباشرة، ويثق به مشغِّل البناء.

تحسين النوعية

(ب) فيما بعد [مراقبة العمليات، يحسن التعلم الآلات ضمان الجودة من خلال التفتيش الآلي، ويمكن لنظم الرؤية الآلة المجهزة بالتعلم العميق أن تكتشف عيوب سطحية (الغرفات، الحوادث، التآكل) وتقيس الأبعاد الجيولوجية بدقة دون ثابتة، وتهيمن الشبكات العصبية للثورة على هذه المساحة لأنها تتعلم السمات الهرمية من الصور: الحواف، والصور الخفيفة، والشكل 99٪.

فعملية التفتيش المختلط مع بيانات العمليات تزيد من تعزيز معدلات الوفيات. فعلى سبيل المثال، إذا اكتشف عيب سطحي طفيف، يمكن للنظام أن يربطه بقراءات الاستشعار الأخيرة لتحديد الأسباب الجذرية - أي انخفاض بنسبة درجتين مئويتين في درجة حرارة الوفاة، وهذه التغذية المرتدة تغلق الحلقة: فبيانات الجودة لا تفرز الأجزاء فحسب، بل تحفز أيضاً على إجراء تعديلات في العمليات لمنع تكرار حدوث ذلك.

الصيانة الافتراضية

فالالصيانة الافتراضية هي أحد أعلى تطبيقات التعلم الآلي في مجال التكوين، حيث أن التكوينات والكمات والاختبارات القالبية ترتدى وتفتت على آلاف الدورات، وتتسبب فشل الأدوات غير المخطط لها في انخفاض الوقت باهظ التكلفة وقد تنتج أجزاء معيبة، وتحليل التأشيرات ورصد الانبعاثات الصوتية، وتتبع مسارات الحملات توفر مؤشرات مبكرة للتدهور.

فعلى سبيل المثال، يمكن أن تقدر غابة البقاء العشوائية التي تم تدريبها على نظام إدارة السجلات والكميات القصوى من الصحافة الناشئة احتمال الفشل في الـ 100 ضربة القادمة، ويستخدم مخططو الصيانة هذه المعلومات لتفتيش وتجديد الأدوات على فترات زمنية أمثل، ومد الحياة الغذائية بنسبة تتراوح بين 10 و20 في المائة، مع تجنب الاختراق الكارثي، ويمكن أيضا استخدام النموذج نفسه كجهاز كشف شاذ:

تحديات التنفيذ وأفضل الممارسات

ورغم الفوائد الواضحة، فإن نشر التعلم الآلي في عمليات تكوين المعلومات ليس بدون عقبات. Data availability] مسألة أساسية: يفتقر العديد من الخطوط إلى البنية الأساسية للاستشعار اللازمة لجمع بيانات التدريب الشاملة.

Model interpretability] is another concern. Engineers and plant managers need to understand why a model made a certain prediction before they trust it to control a press. Techniques like SHAP (SHapley Additive exPlanations) and LIME (Local Interpretable Model-agnostic Explanoseations) can provide featuret

(أ) لا يمكن تجاهل إدارة الشحن ، وقد يقاوم العاملون الذين وضعوا معايير العمليات غريزة لعقود عملية إدخال تعديلات، ويستلزم نجاح التنفيذ برامج تدريبية توضح كيفية عمل نظام MLT، والقيود المفروضة عليه، وكيفية التدخل عند الضرورة، كما أن شركات كثيرة تستخدم أيضاً تعميماً تدريجياً: أولاً، نظام MLlo لا يسمح إلا بإدخال تعديلات عليه؛

دراسة حالة: معسكرات السيارات

وقد قام نظام كبير للسيارات على نظام للتعلم الآلي على خط تدريجي عالي السرعة لإنتاج أجسام الجسد، حيث بلغ معدل الخردة التاريخي 4.2 في المائة بسبب الانقسامات وقلة البقع، وركب فريق أجهزة استشعار إضافية للقوة وأجهزة قياس درجة الحرارة عند الوفاة وجمع بيانات من 000 50 ضربة، ودربوا جهازا لتصنيف متطورا للتنبؤ بحجم قوة شظية لكل جزء من أجزاء التدرجات، باستخدام سمات من هذا النوع.

وقد حقق النموذج تذكرة بنسبة 92 في المائة للأجزاء المعيبة بنسبة 78 في المائة، وعندما أدمج في جهاز التحكم بالخط، قام بتعديل قوة الحائز الفارغة تلقائيا بنسبة 5 في المائة بين السكتات التي تُحدث على أساس مخاطر العيوب المتوقعة، وفي غضون ثلاثة أشهر انخفض معدل الخردة إلى 1.1 في المائة، وأنتج الخط أجزاء أكثر اتساقا مع تعديلات أقل في الأدوات، وقدرت المنظمة فترة انتكاس أقل من ثمانية أشهر، وذلك أساسا من الوفورات المادية وانخفاض الوقت.

الاتجاهات المستقبلية

أما الحدود التالية للتعلم الآلي في عمليات تكوين الخلية المستقلة تماماً، فالتقاليد الرقمية - البصرية للصوت المادي - تسمح بالتدريب على الإنترنت وتحقيق الاستخدام الأمثل دون توقف الإنتاج، وستنقل عوامل التعلّم المعززة التي تم تدريبها على المحاكاة إلى الخط الحقيقي باستخدام تقنيات التعقيم على النطاقات ونقل المعارف، مما سيقلل بشدة من الحاجة إلى إجراء التجارب المادية.

وثمة اتجاه آخر ناشئ يتمثل في استخدام نماذج سخية لتصميم العمليات، فبدلا من التحكم في عملية قائمة أو شبكات خصومية أو أجهزة آلية مختلفة، يمكن أن تقترح أجهزة قياس عملية جديدة تسفر عن نتيجة جيدة، مثلا، نظرا للخصائص الميكانيكية المستهدفة لجزء مزيف، يمكن أن يؤدي نموذج متجانس إلى تحقيق درجة الحرارة المثلى، وزمن الداخ، وصورة الضغط.

خاتمة

فالتعليم الماكني يحدث بالفعل أثراً قابلاً للقياس على تشكيل مراقبة العمليات وضمان الجودة، إذ يمكن للمصنعين، عن طريق الاستفادة من بيانات الاستشعار والخرفقيات المتقدمة، التنبؤ بالعيوب، وتحقيق أقصى حد ممكن من المعايير في الوقت الحقيقي، والتفتيش الآلي، وتحسب فشل الأدوات، ولا تحل التكنولوجيا محل الخبرة الهندسية، بل تزيدها، وتتحول البيانات إلى أفكار عملية تحسن الاتساق، وتخفض الفوائد، وتعزز القدرة التنافسية.