Federated Learning for Distributed CNC Tool Wear Prediction

تخيل عالماً تتحدث فيه الآلات مع بعضها البعض لتصبح أكثر ذكاءً، لكنها لا تضطر أبداً لمشاركة وصفاتها السرية. هذا هو جوهر تعلم الآلة (Machine Learning)، وهو فرع من علوم الحاسوب حيث يتعلم البرنامج من الأمثلة بدلاً من اتباع تعليمات جامدة. عادةً، لكي يتعلم الحاسوب بشكل جيد، فإنه يحتاج إلى كومة هائلة من البيانات—مثل طالب يقرأ آلاف الكتب المدرسية. ولكن في العالم الصناعي الحقيقي، غالباً ما تكون هذه البيانات محبوسة في مصانع مختلفة، أو محمية بقواعد الخصوصية، أو ببساطة ضخمة جداً بحيث يصعب نقلها. وهنا يأتي التعلم الاتحادي (Federated Learning) كحل ذكي. فكر في الأمر كأنها مجموعة من الطهاة يحاولون إتقان وصفة حساء؛ فبدلاً من إرسال مكوناتهم السرية إلى مطبخ مركزي (وهو أمر قد يكون خطيراً أو مستحيلاً)، يقوم كل منهم بطهي قدر صغير في مطبخه الخاص، ويتذوقه، ثم يرسل فقط التعليمات حول كيفية تحسين النكهة إلى رئيس الطهاة. يقوم رئيس الطهاة بخلط هذه التعليمات لإنشاء وصفة رئيسية، ثم يرسلها مرة أخرى، وتتكرر الدورة. والنتي نتيجة ذلك؟ يحصل الجميع على حساء أفضل دون أن يرى أي شخص المكونات السرية للآخر. يسأل هذا البحث سؤالاً حيوياً: هل يمكن لأسلوب "الوصفة السرية" هذا أن ينجح فعلياً في التنبؤ بالوقت الذي أوشكت فيه أداة قطع معدنية على الكسر، أم أنه مجرد فكرة براقة ستفشل في الواقع الفوضوي لأرض المصنع؟

---

قصة ريشة المثقاب المتعبة

في عالم التصنيع باستخدام التحكم الرقمي بالحاسوب (CNC)، تستخدم الآلات أدوات معدنية حادة لنحت أجزاء للسيارات، والهواتف، والطائرات. لكن هذه الأدوات ليست منيعة؛ فهي تصبح ثلمة، أو مشطوفة، أو متآكلة بمرور الوقت، تماماً مثل سن قلم الرصاص. إذا تآكلت الأداة بشكل كبير، فقد تصبح الأجزاء التي تصنعها خردة، وقد تتعطل الآلة نفسها. لذا، تحتاج المصانع إلى معرفة الوقت الدقيق لاستبدال الأداة.

لفترة طويلة، حاول الخبراء استخدام الحواسيب للتنبؤ بهذا التآكل. لكن هناك عقبة: قد لا يمتلك مصنع واحد بيانات كافية لتعليم الحاسوب بشكل جيد، ولا يمكنهم ببساطة إرسال جميع بيانات آلاتهم الحساسة إلى سحابة مركزية لأنها ضخمة جداً، أو خاصة جداً، أو تنطوي على مخاطر عالية. وهنا يأتي دور بحثنا. قرر المؤلفون، وهم فريق من جامعة ماستريخت، اختبار ما إذا كان التعلم الاتحادي يمكنه حل هذه المشكلة. أرادوا معرفة ما إذا كان بإمكان المصانع المختلفة التعاون لبناء "متنبئ بالتآكل" فائق الذكاء دون مشاركة بياناتها الخام أبداً.

التجربة: لعبة المصنع الافتراضي

لاختبار ذلك، لم يبنِ الباحثون مصنعاً حقيقياً. بدلاً من ذلك، استخدموا مجموعة بيانات خاصة تسمى MATWI، والتي تحتوي على تسجيلات لـ 17 مجموعة مختلفة من أدوات القطع. تمثل كل مجموعة دورة حياة أداة فيزيائية كاملة، من كونها جديدة وحادة إلى كونها متآكلة ومكسورة. هذه البيانات "متعددة الأنماط"، مما يعني أنها تأتي بنوعين:

1. بيانات المستشعرات: مثل سماعة الطبيب للآلة، حيث تسجل الاهتزازات، والأصوات، والقوى أثناء قطع الأداة.
2. بيانات الصور: مثل كاميرا تلتقط صورة لحافة الأداة بعد الانتهاء من القطع.

أعد الباحثون محاكاة حيث تم تقسيم مجموعات الأدوات الـ 17 هذه بين ثلاثة "عملاء" تخيليين (لنسمهم المصنع أ، والمصنع ب، والمصنع ج).

• الفريق "المحلي": حاول كل مصنع تدريب ذكائه الاصطناعي الخاص باستخدام بياناته الخاصة فقط.
• الفريق "المركزي": مصنع خارق افتراضي يمتلك جميع البيانات من (أ) و(ب) و(ج) معاً لتدريب نموذج واحد ضخم. هذا هو "المعيار الذهبي" أو أفضل نتيجة ممكنة.
• الفريق "الاتحادي": لعبت المصانع الثلاثة لعبة "الوصفة السرية". قاموا بالتدريب محلياً، وأرسلوا تحديثات نماذجهم إلى خادم مركزي، وحصلوا على نموذج جديد مدمج. كرروا ذلك عبر جولات عديدة (ما يصل إلى 100 جولة للمستشعرات و30 جولة للصور).

قبل بدء اللعبة، تعين على الفريق تنظيف البيانات. أدركوا أنه عندما تتحرك الأداة دون أن تقطع شيئاً (ما يسمى "القطع في الهواء")، فإن المستشعرات تسجل مجرد ضجيج. لذا، طوروا مرشحاً ذكياً لقص الأجزاء المملة والاحتفاظ فقط بلحظات "القطع النشط". وجدوا أن هذا جعل نماذج المستشعرات أكثر دقة، مما قلل معدل الخطأ بشكل كبير.

النتائج: هل نجح العمل الجماعي؟

كان السؤال الكبير هو: هل يمكن للفريق الاتحادي الاقتراب من المعيار الذهبي "المركزي" دون مشاركة البيانات؟

الحكم النهائي: نعم، وكان قريباً بشكل مفاجئ!

• التفوق على اللاعبين المنعزلين: كان النموذج الاتحادي أفضل بكثير من أي مصنع منفرد يحاول التعلم بمفرده. على سبيل المثال، في اختبارات الصور، سجل النموذج الاتحادي إجمالي خطأ قدره 18.73 ميكرومتر، وهو أقل من جميع المصانع الفردية (التي تراوحت بين 29.97 ميكرومتر و 52.69 ميكرومتر). وهذا يثبت أن مشاركة المعرفة (تحديثات النموذج) أفضل بكثير من البقاء في عزلة.
• اللحاق بالمعيار الذهبي: لم يطابق النموذج الاتحادي نموذج "الوضع الخارق" المركزي تماماً، لكنه كان قريباً جداً منه.
  • بالنسبة لـ بيانات المستشعرات، كان إجمالي الخطأ في النموذج المركزي 16.40 ميكرومتر، بينما كان في النموذج الاتحادي 17.90 ميكرومتر. هذه فجوة ضئيلة جداً!
  • بالنسبة لـ بيانات الصور، كان النموذج المركزي عند 18.06 ميكرومتر، والنموذج الاتحادي عند 18.73 ميكرومتر. مرة أخرى، النتيجة شبه متطابقة.

اللمسة التفصيلية: يشير البحث إلى أن النموذج الاتحادي كان أفضل قليلاً في التنبؤ بـ "الالتصاق" (حيث تلتصق المواد بالأداة) باستخدام الصور، ولكنه كان أسوأ قليلاً في التنبؤ بـ "الالتصاق" باستخدام المستشعرات. وهذا منطقي لأن الالتصاق هو شيء بصري (يمكنك رؤية العوالق)، بينما المستشعرات أفضل في استشعار اهتزاز تآكل الأداة (تآكل الجانب).

ماذا يعني هذا للمستقبل

يخلص البحث إلى أن التعلم الاتحادي هو حل وسط عملي. ويشير إلى أن المصانع يمكنها التعاون لبناء أدوات ذكاء اصطناعي أفضل دون كسر قواعد الخصوصية أو نقل تيرابايت من البيانات. النهج الاتحادي ليس حلاً سحرياً يطابق النسخة المركزية تماماً (لا تزال هناك فجوة صغيرة)، ولكنه تحسن هائل مقارنة بالعمل بمفرد.

يؤكد المؤلفون بحذر أن هذا كان محاكاة باستخدام مجموعة بيانات محددة. ويحذرون من أنه في العالم الحقيقي، مع وجود المزيد من المصانع والبيانات الأكثر فوضوية، قد تصبح الأمور أصعب. كما يشيرون إلى أنه بينما تحمي الطريقة الحالية الخصوصية من خلال التصميم، إلا أنها ليست محصنة بنسبة 100% ضد المخترقين، لذا قد تحتاج الأعمال المستقبلية إلى طبقات أمنية إضافية. ولكن في الوقت الحالي، القصة واضحة: من خلال مشاركة "الدروس المستفادة" بدلاً من "المكونات السرية"، يمكن للآلات تعلم التنبؤ بتآكلها وتلفها بشكل أسرع وأكثر دقة. إنه فوز للكفاءة، وفوز للخصوصية، وفوز لإبقاء أرضيات المصانع تعمل بسلاسة.