Stabilization of industrial processes with time series machine learning

في عالم الصناعة الحديثة الواسع والنابض بالحركة، من التدفقات المنصهرة في مصانع الصلب إلى التوازنات الحرارية الدقيقة في محطات الطاقة، يمثل الاستقرار كل شيء. تعمل المصانع بناءً على بيانات السلاسل الزمنية، وهي ببساطة سجل لكيفية تغير الأشياء بمرور الوقت: درجة حرارة فرن، أو الضغط في أنبوب، أو سرعة محرك. إن الحفاظ على استقرار هذه القيم هو معركة مستمرة ضد الفوضى؛ فإذا ارتفعت درجة الحرارة بشكل مفرط، يمكن أن تتعطل المعدات، وإذا انخفضت كثيراً، يفشل المنتج. لعقود من الزمن، اعتمد المهندسون على الأساليب الرياضية الكلاسيكية لحل هذه المشكلة، حيث تعاملوا مع المسألة كأنها سلسلة من الخطوات المنعزلة. كانوا ينظرون إلى الحالة الراهنة، ويحسبون التعديل المثالي للحظة التالية، ثم يجرون ذلك التغيير، ويعيدون العملية. وبينما ينجح هذا الأسلوب، إلا أنه غالباً ما يكون بطيئاً ومستهلكاً للحوسبة، مثل محاولة التنقل في مدينة معقدة عبر التحقق من الخريطة بعد كل خطوة تخطوها.

لقد كان التحدي دائماً هو إيجاد طريقة لتثبيت هذه العمليات بشكل أسرع وبجهد أقل، دون التضحية بالدقة. وهنا يقدم تقاطع الهندسة الصناعية والتعلم الآلي مساراً جديداً. فبدلاً من حساب الحركة المثالية لكل لحظة زمنية، يستكشف الباحثون ما إذا كان بإمكان الكمبيوتر تعلم "الشعور" العام بالنظام. ومن خلال تدريب آلة على فهم العلاقات بين المتغيرات المختلفة — مثل كيفية تأثير تغيير التيار في سخان ما على درجة حرارة الغرفة بعد ساعات — قد يكون من الممكن التنبؤ بأفضل مسار للعمل لفترة طويلة دفعة واحدة. هذا التحول من حساب الخطوات الفردية إلى تعلم استراتيجية مستمرة يعد بجعل التحكم الصناعي أكثر كفاءة، مما يسمح للأنظمة بالتصحيح الذاتي بمستوى من السلاسة تجد الأساليب التقليدية صعوبة في تحقيقه.

في دراسة حديثة، اقترح باحثون من معهد موسكو للفيزياء والتكنولوجيا طريقة جديدة لمعالجة هذه المشكلة، مع التركيز تحديداً على تثبيت العمليات الصناعية. لقد تناولوا المهمة من خلال بناء نظام يتكون من جزأين مصمم لمحاكاة سلوك عملية فيزيائية ثم تعلم كيفية التحكم فيها. يعمل الجزء الأول من نظامهم كمُتنبئ، وهو "توأم رقمي" يتعلم التنبؤ بما سيحدث لاحقاً بناءً على البيانات الماضية. أما الجزء الثاني فهو مُحسِّن، وهو شبكة عصبية تتعلم أفضل طريقة لضبط عناصر التحكم للحفاظ على استقرار العملية. الفكرة الجوهرية هي استبدال ذكي: فبدلاً من استهلاك كميات هائلة من قدرة الكمبيوتر في محاولة إيجاد القيمة المثالية لكل لحظة، يقضي النظام وقته في تدريب الشبكة العصبية لإيجاد مجموعة مثالية من الإعدادات الداخلية، أو "الأوزان"، التي تحقق أفضل النتائج على مدى فترة طويلة.

لاختبار هذه الفكرة، أنشأ الفريق محاكاة واقعية لمشكلة التحكم في درجة حرارة الغرفة. لقد صمموا غرفة تتأثر درجة حرارتها بسخان، ولكنها تتأثر أيضاً بعوامل خارجية مثل الرطوبة في الهواء ودرجة الحرارة في الخارج. كان الهدف هو الحفاظ على درجة حرارة الغرفة عند ثلاث وعشرين درجة مئوية ثابتة. جمعوا بيانات حول كيفية استجابة الغرفة للتغيرات في تيار السخان، بما في ذلك التقلبات الطبيعية للبيئة. وباستخدام هذه البيانات، دربوا نموذج المتنبئ الخاص بهم لفهم فيزياء الغرفة، وتعلم كيفية ارتفاع أو انخفاض درجة الحرارة في ظل ظروف محددة. وقد أثبت هذا النموذج دقة عالية، حيث كان قادراً على التنبؤ بدرجات الحرارة المستقبلية بهامش خطأ صغير جداً، مما مكنه من التقاط "الرقصة المعقدة" للحرارة والهواء بفعالية دون الحاجة إلى حل معادلات فيزيائية معقدة في الوقت الفعلي.

بمجرد تدريب المتنبئ، انتقل الباحثون إلى المُحسِّن. كُلفت هذه الشبكة العصبية الثانية بمهمة النظر في الحالة الراهنة للغرفة والتوقعات المستقبلية، ثم تحديد كيفية تعديل تيار السخان بدقة للحفاظ على درجة الحرارة المستهدفة. وبدلاً من الحل لكل لحظة على حدة، تعلم المُحسِّن "سياسة" (policy) تعمل عبر نافذة زمنية. اختبر الباحثون هذا النهج على بيانات لم يسبق للنظام رؤيتها من قبل، وتركوه يعمل في وضع يقوم فيه بتحديث رؤيته للغرفة باستمرار وتعديل السخان وفقاً لذلك. كانت النتائج مذهلة؛ فقد حافظ نظام التعلم الآلي على استقرار درجة حرارة الغرفة بشكل ملحوظ، حيث حامت حول الهدف بانحراف قدره درجة واحدة فقط.

وعند مقارنة هذا النهج بالأساليب التقليدية، أظهرت الطريقة الجديدة مزايا واضحة في الدقة، رغم أنها تطلبت وقتاً أطول في الحوسبة. اختبر الباحثون نظامهم مقابل متحكم صناعي قياسي يُعرف باسم (PID)، وهو خوارزمية واسعة الاستخدام تعدل عناصر التحكم بناءً على الفرق بين القيمة الحالية والمستهدفة. كما اختبروه مقابل مُحلل رياضي أكثر تعقيداً يحاول إيجاد أفضل إجابة من خلال فحص احتمالات عديدة واحداً تلو الآخر. حقق نظام التعلم الآلي أداءً أفضل قليلاً من متحكم (PID) القياسي، حيث حافظ على اتساق درجة الحرارة بنسبة تقارب 10%. ومع ذلك، جاء ذلك على حساب السرعة؛ إذ كان متحكم (PID) أسرع بكثير، حيث يتخذ القرارات في 0.05 ثانية مقارنة بـ 1.46 ثانية لنظام التعلم الآلي. وفي المقابل، كان المُحلل التقليدي أبطأ بكثير، حيث يستغرق مئات الثواني لحساب حل لنافذة زمنية قصيرة، وكان أقل دقة في التثبيت بنحو ثلاث مرات من نهج التعلم الآلي.

تشير الدراسة إلى أن طريقة استبدال تحسين القيم الفردية بتدريب شبكة عصبية تقدم بديلاً قوياً للتحكم الصناعي. فمن خلال تعلم الأنماط الكامنة في العملية، يمكن للنظام توقع التغييرات وتعديل عناصر التحكم بشكل استباقي بدلاً من أن يكون رد فعل. وجد الباحثون أن هذا النهج يتوسع بشكل جيد، مما يعني أنه يمكنه نظرياً التعامل مع أنظمة أكثر تعقيداً تحتوي على متغيرات أكثر بكثير دون أن يغرق في كمية الحسابات المطلوبة. ورغم أن العمل أُجري على مجموعة بيانات محاكاة بناءً على فيزياء العالم الحقيقي، إلا أن النتائج تشير إلى أن هذه التقنية يمكن أن تكون خطوة كبيرة للأمام للصناعات التي تسعى لتحسين استقرار وكفاءة عملياتها. إن القدرة على تثبيت نظام ما بدقة أفضل بثلاث مرات من الحلول العادية، مع استخدام وقت أقل بكثير من تلك الحلول، تشير إلى مستقبل تُدار فيه العمليات الصناعية بمستوى من الذكاء يتجاوز مجرد الحساب البسيط.