Conditional Diffusion-Based Data Augmentation for Imbalanced Multi-Mode Fault Diagnosis in Predictive Maintenance
تُثبت هذه الورقة أن نماذج الانتشار الاحتمالية لتقليل الضجيج المشروطة بالفئات (class-conditional DDPMs) تخفف بفعالية من عدم التوازن الشديد في الفئات في الصيانة التنبؤية من خلال توليد عينات عالية الدقة للفئات الأقلية، متفوقة بشكل كبير على طرق التعزيز التقليدية مثل SMOTE وGANs في اكتشاف الأعطال الصناعية النادرة.
تخيل أنك محقق يحاول حل لغز ما، ولكن هناك عقبة: مسرح الجريمة هو مدينة ضخمة ومزدحمة، حيث أن 97% من الناس أبرياء تماماً، بينما عدد قليل جداً هم المجرمون الحقيقيون. إذا قمت ببناء برنامج حاسوبي لرصد الأشرار، فسوف يتعلم بسرعة أسهل خدعة: وهي افتراض أن الجميع "أبرياء". سيكون محقاً بنسبة 97% من الوقت، وسيحصل على درجة مثالية، لكنه سيفشل في رصد كل مجرم. هذا هو الصراع اليومي لـ الصيانة التنبؤية في العالم الصناعي الحديث. المصانع مليئة بالمستشعرات التي تراقب الآلات باستمرار، لكن الآلات نادراً ما تتعطل. وعندما تتعطل، تكون الكارثة مكلفة للغاية. تبدو البيانات وكأنها محيط شاسع من "كل شيء على ما يرام" مع مجرد قطرات قليلة من "هناك خطب ما".
ولحل هذه المشكلة، يستخدم العلماء تعزيز البيانات (Data Augmentation)، وهو يشبه آلة تصوير مستندات رقمية للبيانات. فبدلاً من مجرد الانتظار للحصول على المزيد من حالات الفشل الحقيقية (والتي قد تستغرق سنوات)، يحاولون إنشاء أمثلة مزيفة ولكن واقعية للأعطال لتعليم الكمبيوتر كيف يبدو العطل. لفترة طويلة، استخدموا حِيلاً بسيطة مثل نسخ الأمثلة السيئة الموجودة أو تمديد المسافات بينها. لكن هذه الأساليب تشبه إلى حد ما محاولة تعلم شكل النمر من خلال النظر فقط إلى صورة واحدة، ثم رسم خط باهت بينها وبين صورة أخرى؛ فأنت لا تتعلم الخطوط فعلياً، بل تتعلم المتوسط فقط. مؤخراً، أصبح نوع جديد من الذكاء الاصطناعي يسمى نموذج الانتشار (Diffusion Model) مشهوراً بقدرته على إنشاء صور مذهلة. وهو يعمل عن طريق البدء بضجيج نقي (مثل تشويش التلفاز) ثم تنظيفه تدريجياً، خطوة بخطوة، حتى تظهر صورة واضحة. تسأل هذه الورقة البحثية: هل يمكننا استخدام سحر "من التشويش إلى الصورة" هذا لإنشاء أعطال آلية مزيفة وواقعية وتعليم المحقق لدينا بشكل أفضل؟
قرر الباحثان، الدكتور عبد الحفيظ حمدي علاوي والأستاذ أنور مدوي، وضع هذه الفكرة قيد الاختبار باستخدام مجموعة بيانات شهيرة ومتاحة للجمهور تحاكي آلة طحن صناعية. لقد أعدوا مواجهة عادلة: أخذوا العدد الضئيل من أمثلة الفشل الحقيقية (حوالي 3% فقط من إجمالي البيانات) وطلبوا من خمس طرق مختلفة للذكاء الاصطناعي إنشاء 500 مثال جديد لكل نوع من أنواع الفشل. كانت المتنافسة هي: عدم فعل أي شيء، مجرد نسخ البيانات القديمة، طريقة "التمديد" (SMOTE)، شبكة الخصومة التوليدية (GAN) (وهي لعبة عالية المخاطر من القط والفأر بين اثنين من الذكاء الاصطناعي)، والمشفر التلقائي المتغير (VAE) (وهي طريقة تضغط البيانات وتعيد بناءها). وكان نجم العرض هو نموذج الانتشار الشرطي (Conditional Diffusion Model)، الذي يعمل مثل نحات ماهر، ينحت الضجيج ليكشف عن فشل جديد وفريد ولكنه واقعي.
كانت النتائج انتصاراً واضحاً لنموذج الانتشار. فعندما اختبروا هذه البيانات "المزيفة" الجديدة على نوعين مختلفين من "الأدمغة الحاسوبية" (Multi-Layer Perceptron و Random Forest)، ساعد نموذج الانتشار هذه الأدمغة على رصد حالات الفشل النادرة بشكل أفضل بكثير من أي طريقة أخرى. بدون أي مساعدة، كان الكمبيوتر يفتقد حوالي 40% إلى 60% من حالات الفشل النادرة. ومع مساعدة نموذج الانتشار، بدأ في رصد 76% منها. في الواقع، كان نموذج الانتشار جيداً لدرجة أنه في كل مرة من المرات الثماني المختلفة التي أجروا فيها الاختبارات، تفوق على جميع الطرق الأخرى. وتفند الورقة البحثية صراحةً فكرة أن مجرد نسخ البيانات أو تمديدها بين النقاط كافٍ؛ فقد فشلت تلك الطرق في خلق التنوع اللازم لتعليم الكمبيوتر كيفية رصد الأعطال الصعبة والنادرة.
ومع ذلك، هناك مقايضة، تشبه تماماً حارس أمن طُلب منه القبض على كل لص. إذا كان الحارس شديد اليقظة، فقد يمسك بكل اللصوص، ولكنه قد يوقف أشخاصاً أبرياء بالخطأ أيضاً. وجدت الورقة أنه بينما رصد نموذج الانتشار المزيد من حالات الفشل الحقيقية، فإنه تسبب أيضاً في المزيد من "الإنذارات الكاذبة" (القول بأن الآلة معطلة بينما هي ليست كذلك). ويجادل المؤلفون بأنه في عالم الصيانة التنبؤية، يعد هذا أمراً جيداً في الواقع. ففقدان حالة فشل حقيقية يكلف المصنع ملايين الدولارات ويمكن أن يكون خطيراً، بينما لا يكلف الإنذار الكاذب سوى القليل من الوقت لفحص الآلة. لذا، فإن "الخطأ" المتمثل في كون المرء حذراً للغاية هو الرهان الأكثر أماناً.
كما بحثت الدراسة في مقدار الجهد الذي يتطلبه ذلك. استغرق إنشاء هذه الأعطال المزيفة باستخدام نموذج الانتشار حوالي 15 ثانية على معالج كمبيوتر قياسي، وهو أبطأ قليلاً من الطرق الأبسط وأسرع بكثير من لعبة "القط والفأر" الخاصة بالذكاء الاصطناعي. وأشار الباحثون بعناية إلى أن نتائجهم تأتي من مجموعة بيانات محاكاة، وليس من أرض مصنع حقيقية بعد، لذا فبينما تبدو الأرقام رائعة، قد تكون المستشعرات في العالم الحقيقي أكثر فوضوية. لكن النتيجة الجوهرية قائمة: من خلال استخدام تقنية "من التشويش إلى الصورة" لإنشاء أمثلة متنوعة وواقعية لحالات الفشل النادرة، يمكننا تدريب آلاتنا لتكون أفضل بكثير في رصد الكوارث قبل وقوعها، مما يحول المحقق الأعمى إلى محقق حاد البصر.
ملخص تقني: تعزيز البيانات القائم على الانتشار الشرطي لتشخيص الأعطال متعدد الأنماط غير المتوازن
بيان المشكلة تعتمد الصيانة التنبؤية (PdM) في عصر الثورة الصناعية الرابعة (Industry 4.0) على النماذج القائمة على البيانات للتنبؤ بأعطال المعدات. ومع ذلك، فإن البيانات الصناعية غير متوازنة بنيوياً: حيث تولد ظروف التشغيل السليمة الغالبية العظمى من الملاحظات، بينما تكون أنماط فشل معينة نادرة وغير موزعة بالتساوي. هذا الاختلال في الفئات يتسبب في جعل المصنفات القياسية، التي يتم تحسينها بناءً على الدقة الإجمالية، تنحاز نحو فئة "الحالة السليمة" (الأغلبية)، مما يؤدي إلى تفويت حالات الفشل النادرة وعالية التكلفة التي صُممت أنظمة الصيانة التنبؤية لاكتشافها بشكل منهجي. غالباً ما تفشل تقنيات إعادة أخذ العينات الكلاسيكية مثل إعادة أخذ العينات العشوائي (الذي لا يضيف أي معلومات جديدة) وSMOTE (الذي يقوم بالاستيفاء بين النقاط الموجودة) في التقاط الطبيعة المعقدة ومتعددة الأنماط لآليات الفشل، أو قد تنتج عينات غير منطقية في المناطق ذات الكثافة المنخفضة. وبينما توفر النماذج التوليدية العميقة مثل شبكات الخصومة التوليدية (GANs) والمشفرات التلقائية المتغيرة (VAEs) بدائل أخرى، إلا أن شبكات GAN تعاني من عدم الاستقرار الملحوظ عند التعامل مع مجموعات البيانات الجدولية الصغيرة، بينما تميل نماذج VAE إلى إنتاج عينات مفرطة في التنعيم ومنخفضة التنوع.
المنهجية يقترح المؤلفون معياراً مضبوطاً لتقييم نماذج الانتشار الاحتمالي لإزالة الضجيج (DDPMs) الشرطية كاستراتيجية لتعزيز البيانات في تشخيص الأعطال غير المتوازن. تستخدم الدراسة مجموعة بيانات AI4I 2020 Predictive Maintenance، وهي معيار اصطناعي يحتوي على 10,000 سجل يحاكي آلة طحن صناعية. تم صياغة المشكلة كمسألة تشخيص أعطال أحادية التسمية خماسية الفئات، تتضمن فئة أغلبية واحدة (لا يوجد فشل) وأربعة أنماط فشل ثانوية: فشل تآكل الأداة (TWF)، وفشل تبديد الحرارة (HDF)، وفشل الطاقة (PWF)، وفشل الإجهاد الزائد (OSF).
يعزل مسار التجربة استراتيجية التعزيز من خلال تثبيت جميع المكونات الأخرى:
معالجة البيانات: يتم توحيد الميزات (Standardization)، وتشفير المتغيرات الفئوية باستخدام الترميز الأحادي (One-hot encoding). يتم تقسيم مجموعة البيانات إلى 70% للتدريب و30% للاختبار، مع بقاء مجموعة الاختبار دون مساس.
استراتيجية التعزيز: يتم تعزيز الفئات الأربع الثانوية للوصول إلى هدف قدره 500 عينة لكل منها. تستخدم الطريقة المقترحة نموذج DDPM شرطي يتم تدريبه على بيانات الفئات الثانوية المجمعة لتخليق عينات جديدة.
النماذج المرجعية (Baselines): تتم مقارنة نموذج الانتشار مع:
عدم وجود تعزيز.
إعادة أخذ العينات العشوائي (ROS).
SMOTE.
شبكة الخصومة التوليدية الشرطية (cGAN).
المشفر التلقائي المتغير الشرطي (cVAE).
التقييم: يتم تدريب مصنفين متميزين هيكلياً — المدرك متعدد الطبقات (MLP) والغابة العشوائية (RF) — على البيانات المعززة، ويتم تقييمهما على مجموعة الاختبار الحقيقية. تُكرر العملية بأكملها عبر ثماني بذور عشوائية لضمان المتانة.
المقاييس: يتم تقييم الأداء على محورين:
الأمانة الجوهرية (Intrinsic Fidelity): استخدام تباعد المتوسط الأقصى (MMD) واختبار المصنف لعينتين (C2ST) لقياس مدى محاكاة البيانات الاصطناعية للتوزيع الحقيقي.
المنفعة الخارجية (Extrinsic Utility): استخدام متوسط F1 الكلي، والدقة المتوازنة (Balanced Accuracy)، وبالتحديد استدعاء الفئة الثانوية (Minority Recall) (القدرة على اكتشاف حالات الفشل النادرة)، والذي يُعطى الأولوية كمقياس تشغيلي.
المساهمات الرئيسية
التقييم الموحد: توفر الورقة إطاراً قابلاً لإعادة الإنتاج لمقارنة إعادة أخذ العينات الكلاسيكية، وGANs، وVAEs تحت بروتوكولات وأهداف ومصنفات متطابقة.
التقييم ثنائي المحور: تقيم الورقة الطرق ليس فقط بناءً على درجات التصنيف النهائية، بل أيضاً بناءً على الأمانة التوزيعية للبيانات الاصطناعية.
الدقة الإحصائية: تم التحقق من النتائج عبر ثماني بذور عشوائية باستخدام اختبار رانك ويلكوكسون (Wilcoxon signed-rank test) غير المعلمي، مما يضمن أن النتائج ليست مجرد نتاج تقسيمات معينة للبيانات أو تهيئات أولية.
تحليل المقايضات الشفاف: تحلل الدراسة صراحةً المقايضة بين الدقة والاستدعاء (Precision-Recall trade-off) الناتجة عن تعزيز الانتشار، موضحةً آثارها التشغيلية.
النتائج
الأداء النهائي: حقق التعزيز القائم على الانتشار باستمرار أعلى استدعاء للفئات الثانوية وأعلى دقة متوازنة لكل من مصنفي MLP وRandom Forest.
بالنسبة لـ MLP، تحسن استدعاء الفئة الثانوية من 0.61 (بدون تعزيز) إلى 0.76 مع نموذج الانتشار.
بالنسبة لـ Random Forest، تحسن استدعاء الفئة الثانوية من 0.41 إلى 0.76.
كانت هذه التحسينات ذات دلالة إحصائية (p=0.008) وكانت متسقة عبر جميع البذور الثمانية مقابل جميع النماذج المرجعية الخمسة.
الأمانة التوزيعية: بينما حقق SMOTE أدنى قيمة MMD (بسبب طبيعة الاستيفاء الخاصة به)، أنتج نموذج الانتشار أكثر العينات واقعية بين النماذج التوليدية، كما يتضح من قيمة AUC لاختبار C2ST بلغت 0.70 (الأقرب إلى 0.5، مما يشير إلى عدم القدرة على التمييز عن البيانات الحقيقية) مقارنة بـ 0.85 لـ cVAE و0.88 لـ cGAN.
المقايضة بين الدقة والاستدعاء: جاء الاستدعاء العالي لنموذج الانتشار مصحوباً بانخفاض في دقة الفئة الثانوية (زيادة في الإنذارات الكاذبة). يشير المؤلفون إلى أن هذه مقايضة متعمدة ومقبولة في سياقات الصيانة التنبؤية الحرجة للسلامة، حيث يكون تفويت الفشل أكثر تكلفة بكثير من الإنذار الكاذب.
التحليل لكل فئة: حسن تعزيز الانتشار الاستدعاء عبر جميع أنماط الفشل، بما في ذلك النمط الأكثر صعوبة (TWF)، حيث ارتفع الاستدعاء من 0.06 إلى 0.21.
التكلفة الحسابية: كان نموذج الانتشار فعالاً حسابياً، حيث تطلب وقتاً أقل للتدريب من cGAN وكان مشابهاً لـ cVAE على نواة وحدة معالجة مركزية واحدة.
الأهمية والادعاءات تدعي الورقة أن نماذج الانتشار الشرطية هي أداة تنافسية وقابلة لإعادة الإنتاج للتخفيف من حدة عدم توازن الفئات في الصيانة التنبؤية، خاصة عندما تكون الأولوية التشغيلية هي تعظيم اكتشاف حالات الفشل النادرة. يجادل المؤلفون بأن التعزيز الأكثر فائدة ليس هو الذي ينسخ بيانات التدريب بأمانة شديدة (مثل SMOTE)، بل هو الذي يضيف تنوعاً معلوماتياً ومنطقياً.
تخلص الدراسة إلى أن تعزيز الانتشار يحسن توزيع التدريب نفسه بدلاً من استغلال ثغرات في مصنف معين، كما يتضح من المكاسب المتسقة عبر عائلتين مختلفتين من النماذج. ورغم أن مجموعة البيانات اصطناعية وأن الدراسة تقتصر على البيانات الجدولية، إلا أن المؤلفين يفترضون أن هذا النهج يقدم حلاً عملياً للأصول الجديدة، بشرما يتم ضبط هدف التعزيز لموازنة تكلفة تفويت حالات الفشل مقابل الإنذارات الكاذبة. وقد تم تحديد العمل المستقبلي في توسيع هذا النهج ليشمل بيانات السلاسل الزمنية والبيانات الميدانية الحقيقية.