فالاختبارات النموذجية هي حجر الزاوية في تنمية المنتجات، ولكنها غالبا ما تكشف عن حدوث إخفاقات باهظة التكلفة في دورة التصميم، بينما تكون أساليب الاختبار التقليدية قيّمة، فإنها تكتشف مشاكل لا تُكتشف إلا بعد بناء النماذج الأولية المادية وتشغيلها، وتقلب التعلم الآلات الدينامية هذه، مما يتيح للفرق التنبؤ بالفشل قبل حدوثها، ومن خلال تحليل أنماط البيانات التاريخية، يمكن لنماذج إنتاجية حركة تحرير البحر أن تُدر مجالات عالية المخاطر في وقت مبكر، مما يتيح الفرصة، وتُعُ الوقت.

فهم أوجه القصور في النموذج الأولي

ويحدث الفشل الأولي عندما لا يفي المنتج أو العنصر أو النظام بمعايير الأداء المقررة أثناء الاختبار، ويمكن أن تنبع هذه الإخفاقات من عيوب التصميم، أو عدم الاتساق المادي، أو عيوب التصنيع، أو التفاعلات غير المتوقعة بين النظم الفرعية، وتكون النتائج شديدة: فقد تأخر إطلاق المنتجات، وتجاوز الميزانية، وهدر ساعات الهندسة، وأحياناً من الضرر الناجم عن السمعة، ووفقاً لدراسة أجراها المعهد الوطني لصناعة الفشل والاختبارات

فالإخفاقات في النموذج الأولي تأتي في أشكال كثيرة، وبعضها يؤدي وظيفته، مثل كسر هيكلي تحت الحمولة، وبعضها يتعلق بالأداء، مثل توليد الحرارة المفرطة في مجلس الدوائر، بينما توجد أشكال أخرى عامة، حيث يعمل عنصر ما في عزلة ولكن يفشل عند دمجه، وتعتمد الأساليب التقليدية على اختبارات مادية، وتستهلك كل منها الوقت والمواد، وتوفر التعلم في مجال الآلات نهجا متكاملا ومحركا للبيانات يحدد سلائف الفشل قبل فترة طويلة من الزمن.

كيف تفشل تلاميذ التعلم

وتُدرَّب نماذج التعلم من الآلات على البيانات التاريخية من النماذج الأولية السابقة - بما في ذلك بارامترات التصميم، ونتائج المحاكاة، ونتائج الاختبار، والأداء الميداني، وتتعلم الخوارزميات علاقات معقدة وغير خطية بين المدخلات (مثل الخواص المادية، والمقاييس الجيولوجية، وظروف التشغيل) والنواتج (مثل الإجهاد، والتفكك الحراري، ومعدل الفشل) وعند التدريب، يمكن أن يبرز النموذج نموذجاًاًاًاًاًاً للتصميم.

وهناك عدة تقنيات من تقنيات القانون النموذجي فعالة بوجه خاص بالنسبة للتنبؤ بالفشل:

  • Supervised learning (مثل الغابات العشوائية، وتعزيز التدرج، والشبكات العصبية) خرائط تحمل بيانات تاريخية عن الفشل، مما يتيح تصنيفا دقيقا للتصميمات الجديدة.
  • Unsupervised learning] (مثل التكتلات، والكشف عن الشذوذ) يحدد المتفوقين في قراءات أجهزة الاستشعار أو نواتج المحاكاة التي تنحرف عن الأنماط العادية، مما يشير في كثير من الأحيان إلى الفشل الوشيك.
  • Reinforcement learning] can optimize testing sequences by learning which parameters to vary next to maximize the chance of uncovering failure modes.
  • Deep learning] structures like convolutional neural networks (CNNs) and long shortterm memory (LSTM) networks are used for highdimensional data such as time —series sensor data or 3D geometry from CAD models.

والممكن الرئيسي هو توافر بيانات تاريخية نظيفة ومهيكلة تجهيزاً جيداً، والمنظمات التي استثمرت في التوأم الرقمي، وقواعد بيانات المحاكاة، ومخازن الاختبارات هي أفضل موقع لنشر التنبؤ بالفشل القائم على أساس متعدد اللغات، وتحسن دقة النموذج بمرور الوقت مع اختبار نماذج أولية أكثر، وتعود النتائج إلى دورة التدريب التي بدأت تتطور باستمرار.

استحقاقات الرسوبيات من أجل الإدمان على الفشل

الكشف المبكر والوفورات في التكاليف

وربما كانت الفائدة الأكثر قسوة هي القدرة على الإمساك بالفشل قبل إنفاق أي موارد مادية، ففي تدفقات العمل التقليدية، يمكن تصميم نموذج أولي، وتصنيعه، وتجميعه، واختباره على مدى أسابيع أو أشهر قبل اكتشاف عيب، ويمكن للتعلم الماكنة أن يُعلم أن نفس العيب خلال مرحلة التصميم بمقارنة التصميم الجديد مع آلاف الأمثلة السابقة، وعلى سبيل المثال، استخدم نظام إمدادي آلي للتنبؤ بحجم تصميم المركبات

تحسين الاستحقاق ورؤية البيانات

Inchine learning models are unbiased and can detect correlations that would be visible to even the most experienced designer. For example, a subtle interaction between surface completion, ambient humidity, and vibration frequency might cause unprecedented bearing failure-a pattern the ML model can spot.

الوفورات في الوقت والتنمية المعجلة

ومن خلال إعطاء الأولوية لجهود الاختبار في المناطق الأكثر تعرضاً للمخاطر، يقلل القانون النموذجي عدد المضاعفات الأولية المادية المطلوبة، ويمكن للمهندسين التركيز على التحقق من أهم جوانب التصميم، بدلاً من إجراء اختبارات شاملة على كل سمة، فعلى سبيل المثال، يستخدم المصنّعون الإلكترونيون ML للتنبؤ بمخططات مجالس الدوائر التي من شأنها أن تسبب قضايا نزاهة الإشارة، مما يُحدث في أسرع فترة تتراوح بين أسبوعين وثلاثة أسابيع من دورة التنمية.

تحقيق الاستخدام الأمثل للموارد

أما مرافق الاختبار والمواد والمواهب الهندسية فهي موارد محدودة، وتساعد وزارة العمل على تخصيصها بمزيد من الكفاءة بتحديد النماذج الأولية أو المكونات التي تحتاج إلى الاختبارات الأكثر صرامة والتي تكون منخفضة المخاطر، مما يتفادى الإفراط في اختبار التصميمات الآمنة مع التركيز على الموارد حيثما كانت أهميتها، وفي قطاع الفضاء الجوي، استخدم أحد الصانعين الرئيسيين ML لتقليل عدد اختبارات النفق الريحي لتصميم أجنحة جديد بنسبة 60 في المائة، مما يحرر مشاريع رأسمالية أخرى.

التحسين المستمر والتعلم الإيجابي

وعلى عكس القواعد الثابتة أو القوائم المرجعية، فإن نماذج التعلم الآلي تتحسن بمرور الوقت، وكل اختبار نموذجي جديد يجتاز أو يفشل - يقدم بيانات جديدة يمكن استخدامها في إعادة تدريب النموذج، وهذا يخلق منظمة تعلم حيث تتراكم المعارف التصميمية للشركة بأكملها وتصبح أكثر ذكاء.

تنفيذ القانون النموذجي للتحكيم في وضع النماذج الأولية

ويتطلب إدماج التعلم الآلي في عملية إنمائية قائمة تخطيطا دقيقا، وتوفر الخطوات التالية خريطة طريق للمنظمات التي تسعى إلى اعتماد هذه التكنولوجيا.

جمع البيانات وإعدادها

وأساس أي مشروع من مشاريع القانون النموذجي هو بيانات عالية الجودة، وبالنسبة للتنبؤ بالفشل، فإن مجموعة البيانات المثالية تشمل معايير التصميم (متغيرات الـ ديوان الـ دي، والمواصفات المادية)، ونتائج المحاكاة (خرائط الضغط التي وضعتها الوكالة، وتوزيعات الضغط على الصندوق المركزي للتنمية)، وظروف الاختبار (التعيين، والتقدير، وحساب الدورة)، والنتائج (التجاوز، والفشل، والوقت للفشل)، ويجب تنظيف البيانات وتطبيعها، وتوسيمها باستمرار.

اختيار الحق

ولا تكون جميع الخوارزميات مناسبة لكل مشكلة من مشاكل التنبؤ بالفشل، وبالنسبة لمهام التصنيف (وربما يفشل النموذج الأولي أم لا)؟ وكثيرا ما تؤدي أساليب الجمع مثل شبكتي XGBoost أو LightGBM بشكل جيد بيانات منقوصة، وبالنسبة للتراجع (كم عدد الدورات حتى الفشل؟) دعم تراجع ناقلات الأمراض أو شبكات العزلة، إذا كانت البيانات تتضمن صوراً متكررة (مثلاً، سلسلة الاختراقات).

التدريب النموذجي والتقييم

وبعد اختيار الخوارزمية، يتم تقسيم مجموعة البيانات إلى مجموعات للتدريب والتثبت والاختبارات، ويُدرَّب النموذج على نماذج تاريخية حتى تاريخ معين، ثم يُثبت على نماذج أولية لاحقة لحفز التنبؤات في العالم الحقيقي، كما أن تقنيات الموازنة الشاملة (مثلاً، كيلوبايت) تساعد على ضمان تعميم النماذج جيداً.

التكامل مع تدفقات العمل الهندسي

ويجب إدماجها في أدوات المهندسين المستخدمة بالفعل، ويمكن القيام بذلك عن طريق نداءات من برنامج " إي دي " (CAD/CAE)، وهو لوحة بيانات على شبكة الإنترنت تعرض درجات المخاطر للتصميمات الجديدة، أو الإنذارات الآلية في نظم إدارة المشاريع، ولا ينبغي أن يكون الناتج مجرد تصميم ثنائي للتنبؤات - يتعين فهمه [النموذج الإلكتروني:]

التحديات والنظر في المسألة

وفي حين أن الفوائد واضحة، فإن تنفيذ القانون النموذجي للتنبؤ بالفشل الأولي ليس بدون عقبات، ولا تزال نوعية البيانات وتوافرها تشكلان الحواجز الرئيسية، إذ تفتقر شركات كثيرة إلى مستودع مركزي للنتائج الأولية السابقة، أو البيانات الموجودة في صحائف النشر المائلة، وصناديق التنمية الشعبية، ومذكرات المهندسين، كما أن تجميع هذه البيانات وتنظيفها يتطلب وقتا واستثمارا، بالإضافة إلى أن بعض النماذج المميزة تجعل من الجيل المتوازن.

وثمة تحد آخر هو إمكانية تفسير النموذج: ففي صناعات السلامة - الحرجة مثل أجهزة الطيران أو الأجهزة الطبية، يحتاج المهندسون والمنظمون إلى فهم سبب توقع الفشل في مشروع ML، وقد تحقق نماذج التعلم العميقة ذات النطاق الأسود قدراً كبيراً من الدقة، بينما قد تضحي نماذج أكثر بساطة وتفسيراً ببعض الدقة، وقد ينشأ في النهاية نهج هجين يستخدم نموذجاً عالي الدقة للفحص ونموذج مستقل للتنبؤات الثقافية.

التطبيقات العالمية الحقيقية وقصوات النجاح

(ج) في مجال السيارات، يستخدم مورد من الطوابق الميكانيكية مقياساً للتنبؤ بأجزاء الألومنيوم الجاهزة للتلفزيون في تطوير المسامير أثناء التبريد، حيث يُتوقع أن تؤدي هذه المواصفات إلى الحد من الحرارة المميتة، وسرعة الحقن، وتكوين السككك الحديدية، إلى تحقيق الدقة بنسبة 92 في المائة، مما أدى إلى انخفاض معدلات الخردة بنسبة 25 في المائة، وإلى إنقاذ الشركة سنوياً بلغت 1.5 مليون دولار.

ويستخدم المصنّعون الإلكترونيون مثل شركة إنتل للتنبؤ بالفشل الحراري في مجموعات الرقائق قبل إنتاج أول وفرة، ويمكن للنموذج، من خلال التدريب على بيانات المحاكاة من آلاف التصميمات السابقة، أن يوصي بتغييرات في شكل مقطع أو تعديلات في الهندسة المغنطية التي تحافظ على درجات الحرارة في حدود آمنة، ونتيجة لذلك، تقلّل من شوارع التصميم وتسارع دورات التكيّف في قطاع السلع الاستهلاكية، وقدّمت شركة علم الأحذية رئيسية

مستقبل القانون النموذجي في الاختبارات الأولية

ومن المتوقع أن يتوسع دور التعلم الآلي في التطوير الأولي، ويتمثل أحد الاتجاهات الناشئة في استخدام التصميم المولدات مع التنبؤ بالفشل: فالخواريات يمكن أن تقترح آلافا من متغيرات التصميم، وتحفز كل منها على نموذج للوزن الخفيف، وتوصي فقط تلك التي تنطوي على احتمال كبير بأن تتغلب على جميع أنماط الفشل المتصور، وهذا يؤدي إلى ظهور ظواهر مسببة للاختلالات في مجال الهندسة.

وكما هو الحال بالنسبة للحساب الحاشف وتكاثر التوحيد القياسي، فإن التنبؤ بالفشل سيدخل في النموذج الأولي نفسه، ويمكن أن يُظهر النموذج الأولي الذكي مستوى المخاطر ويُبلغ الفريق الهندسي بمستوى المخاطر، وعلاوة على ذلك، فإن التعلم في مجال النقل سيتيح للنموذجات المدرَّبة على أحد المنتجات أن تتكيف بسرعة مع منتج جديد ذي صلة يُحدِّد الحاجة إلى بيانات تاريخية كبيرة، ومن المرجح أن تكون هناك زيادة في الصناعات التنظيمية القائمة على نظام " إم آي " (XAI) التي تُقَم.

خاتمة

فإعطاء نماذج الفشل في التعلم الآلات لم يعد رؤية عملية، بل استراتيجية عملية ومثبتة توفر الوقت والأموال والموارد، وباعتماد بيانات تاريخية وخرافيزمية متقدمة، يمكن للمنظمات أن تكتشف المخاطر في وقت مبكر، وتخصيص موارد الاختبار بكفاءة، وتخلق حلقة تعلم مستمرة تحسن نوعية التصميم على مر الزمن، ويتطلب التنفيذ الالتزام بالهياكل الأساسية للبيانات، والتعاون بين مختلف العناصر، والاستعداد للثقة في البيانات.