A Shop Floor Production Scheduling Case based on RFID-supported Smart Factory

في القلب النابض لمصنع حديث، غالباً ما تملي اليد الخفية للجدول الزمني إيقاع الإنتاج. هذا الجدول هو خطة تقرر أي آلة تعمل على أي جزء ومتى، بهدف إنهاء المنتجات بأسرع وقت وأقل تكلفة ممكنة. لعقود من الزمن، اعتمدت هذه الخطط على مجموعة من الافتراضات: وهي أن كل وظيفة تتبع مساراً صارماً وغير قابل للتغيير عبر المصنع، وأن الوقت الذي تستغرقه المهمة هو رقم ثابت معروف مسبقاً. ومع ذلك، نادراً ما تكون الحياة الواقعية منظمة بهذا الشكل؛ فالآلات تتعطل، والعمال يأخذون استراحات، وسرعة الإنتاج تتغير مع وقت اليوم أو أيام الأسبوع. وعندما يتجاهل الجدول الزمني هذه التقلبات، فإنه يتسبب في حدوث اختناقات، وهدر للوقت، وتأخير في التسليمات. ويكمن التحدي الذي يواجه المهندسين في إنشاء نظام يمكنه رؤية هذه التغييرات فور حدوثها وتعديل الخطة فوراً، محولاً المخطط الجامد إلى استراتيجية مرنة وحية.

ولحل هذه المعضلة، توجه فريق من الباحثين من جامعة هونغ كونغ إلى مصنع حقيقي في مدينة هوايجي بالصين، حيث كانت شركة تصنع صمامات محركات السيارات قد قامت بالفعل بتركيب شبكة من علامات تحديد الهوية بموجات الراديو، أو ما يعرف بـ (RFID). هذه الرقائق الإلكترونية الصغيرة، المثبتة على الأجزاء التي تتحرك عبر خط التجميع، تعمل كجوازات سفر رقمية، حيث تسجل تلقائياً كل خطوة يمر بها المنتج، ومن تعامل معه، ومتى أنهى مهمة ما بالضبط. ومن خلال جمع أكثر من 413,000 سجل لهذا النشاط، اكتسب الباحثون رؤية نادرة وعالية الدقة لكيفية عمل المصنع فعلياً، بدلاً من كيفية افتراض أنه يعمل نظرياً. وقد استخدموا هذا التدفق الهائل من البيانات للكشف عن حقيقتين حاسمتين تغفل عنهما طرق التخطيط التقليدية. أولاً، اكتشفوا أن الترتيب الذي يؤدي به العمال خطوات معينة ليس ثابتاً؛ فبالنسبة لصمام محرك معين، وجد الفريق أن العمال غالباً ما يبدلون تسلسل العمليات، مثل الطحن والحفر، دون التأثير على الجودة النهائية. ثانياً، أدركوا أن الوقت الذي تستغرقه المهمة ليس رقماً واحداً، بل هو متغير يتغير بناءً على عوامل مثل الوقت من اليوم، وما إذا كان يوماً من أيام عطلة نهاية الأسبوع، والآلة المستخدمة تحديداً.

وباستنادهم إلى هذه الرؤى، بنى الباحثون نوعاً جديداً من أنظمة الجدولة لا يعتمد على قواعد ثابتة، بل يتعلم من البيانات. فقد قاموا بتغذية الأنماط التي وجدوها — التسلسلات المرنة والسرعات المتغيرة — في برنامج حاسوبي يعتمد على التعلم المعزز العميق. وهذا نوع من الذكاء الاصطناعي الذي يتعلم من خلال التجربة والخطأ، تماماً مثل لاعب يتقن لعبة فيديو معقدة. وفي هذه الحالة، كانت "اللعبة" هي أرضية المصنع. وُضع "وكيل الذكاء الاصطناعي" في محاكاة افتراضية لمصنع هوايجي، حيث تم تزويده بالحالة الآنية للآلات والوظائف. وكان مسموحاً له باتخاذ القرارات، مثل تخصيص وظيفة معينة لآلة معينة أو الانتظار لفرصة أفضل. وفي كل مرة يتخذ فيها قراراً، كان يتلقى تغذية راجعة بناءً على مدى مساهمة ذلك القرار في إنهاء جميع الوظائف في أقصر وقت إجمالي. ومن خلال آلاف التجارب المحاكاتية، تعلم النظام استراتيجية متطورة للتنقل في فوضى المصنع الحقيقي، مكيفاً قراراته مع الظروف المتغيرة التي لاحظها.

وقد تم اختبار نتائج هذا النهج مقابل الأساليب المستخدمة حالياً في الصناعة، بما في ذلك القواعد البسيطة مثل "الوارد أولاً يُصرف أولاً"، حيث تُعالج الوظائف حسب ترتيب وصولها، والخوارزميات الحاسوبية الأكثر تقدماً. وفي عمليات المحاكاة، تفوق النظام الجديد، الموجه ببيانات (RFID) ونموذج التعلم، باستمرار على غيره من الأساليب. فقد تمكن من إنجاز دفعة مكونة من عشرين وظيفة في 476 دقيقة، متفوقاً على أفضل طريقة تالية والتي استغرقت 485 دقيقة. ورغم أن الفرق قد يبدو ضئيلاً، إلا أنه في عالم التصنيع عالي الحجم، يترجم توفير حتى بضع دقائق لكل دفعة إلى مكاسب كبيرة في الكفاءة وتوفير في التكاليف. لقد أثبتت الدراسة أنه من خلال السماح لنظام الجدولة برؤية الواقع الفعلي والمضطرب لأرضية المصنع من خلال البيانات، بدلاً من الاعتماد على افتراضات مثالية، فمن الممكن إنشاء خطة إنتاج أكثر ذكاءً وسرعة. ويشير هذا العمل إلى أن مستقبل التصنيع الذكي لا يكمن فقط في أتمتة الآلات، بل في أتمتة عملية اتخاذ القرار نفسها، مما يسمح للمصانع بالتدفق مع مد وجزر الإنتاج الطبيعي بدلاً من محاربته.