IBKA-Transformer: An Improved Black Kite Algorithm Optimized Transformer for Industrial Robot Bearing Fault Diagnosis

تخيل العالم الصناعي كأوركسترا ضخمة، ذات طنين مستمر من الآلات. في هذه الأوركسترا، الروبوتات هي النجوم المتألقة، تعمل بلا كلل في تجميع السيارات والإلكترونيات. ولكن مثل أي موسيقي، لديها نقاط ضعف: المحامل (bearings) في مفاصلها. هذه المحامل هي عجلات صغيرة تسمح لأذرع الروبوت بالدوران والالتواء. وعندما تمرض، تبدأ في الاهتزاز بطرق غريبة وفوضوية، تمامًا مثل وتر كمان على وشك الانقطاع. وإذا لم نكتشف هذه "الأمراض" مبكرًا، يمكن للروبوت بأكمله أن يتعطل، مما يؤدي لتوقف المصنع وتكبد ثروة طائلة.

لفترة طويلة، حاول الخبراء الاستماع إلى هذه الاهتزازات باستخدام أدوات قديمة، مثل محاولة العثور على إبرة في كومة قش باليد. كانوا ينظرون إلى الموجات الصوتية ويخمنون ما هو الخطأ. لكن الروبوتات تعمل في بيئات صاخبة وفوضوية، وحركاتها تتغير باستمرار، مما يجعل العثور على "الإبرة" أمرًا صعبًا. مؤخرًا، بدأ العلماء في استخدام الذكاء الاصطناعي (AI) للاستماع بشكل أفضل. فكر في الذكاء الاصطناعي كـ "محقق خارق الذكاء" يمكنه تعلم الأنماط التي يغفل عنها البشر. أحد أنواع المحققين في الذكاء الاصطناعي يسمى "المحول" (Transformer). وهو بارع في ربط النقاط عبر فترات زمنية طويلة، مثل تذكر قصة من بدايتها إلى نهايتها. ومع ذلك، حتى المحقق الخارق يحتاج إلى إعدادات صحيحة ليعمل بشكل مثالي. إذا كانت الإعدادات خاطئة، سيصاب المحقق بالارتباك. وهنا يأتي دور نوع جديد من "المحسن" (optimizer) — وهي أداة تقوم بضبط دماغ المحقق تلقائيًا للعثور على أفضل الإعدادات الممكنة.

تقدم هذه الورقة البحثية تعاونًا جديدًا بين محقق ذكاء اصطناعي ذكي (المحول) ومحسن مطور حديثًا يسمى "خوارزمية الحدأة السوداء المحسنة" (IBKA). أراد الباحثون حل مشكلة تعطل الروبوتات من خلال إنشاء نظام يمكنه تشخيص أعطال المحامل بدقة مذهلة. لقد بنوا مجموعة بيانات مخصصة باستخدام محامل روبوتات صناعية حقيقية، تحاكي كل شيء من الدوران الطبيعي إلى أنواع مختلفة من التلف تحت سرعات وأحمال مختلفة. ووجدوا أن طريقتهم الجديدة، التي تجمع بين "المحول" والمحسن المطور الخاص بهم، حققت دقة تشخيص بلغت 99.86%. وهذا أفضل بكثير من الطرق الشهيرة الأخرى التي اختبروها، مثل آلات ناقلات الدعم (SVM)، والشبكات العصبية الالتفافية (CNN)، و(ACGAN)، والتي سجلت درجات أقل. تشير الدراسة إلى أنه باستخدام تحسيناتهم الخاصة للمحسن، يمكن للنظام العثور على الإعدادات المثالية بموثوقية أكبر بكثير من ذي قبل، مما يؤدي إلى قدرة شبه مثالية على تحديد ما هو الخطأ بالضبط في محمل الروبوت.

قصة المحقق الطائر والمضبط الذكي

تخيل أنك تحاول تعليم روبوت كيفية التعرف على محمل مريض بمجرد الاستماع إلى طنينه. لديك دماغ خارق الذكاء (المحول) وهو بارع في فهم القصص المعقدة، ولكنه يشبه قليلاً سيارة عالية الأداء: فهي تحتاج إلى مزيج الوقود وضغط الإطارات المثالي لتعمل بأقصى سرعتها. إذا خمنت الإعدادات، فقد يتعثر. وإذا أصبت، فسيحلق عالياً.

المشكلة هي أن العثور على الإعدادات المثالية يشبه محاولة العثور على حبة رمل واحدة محددة على شاطئ يتغير شكله باستمرار. وهنا يأتي دور خوارزمية الحدأة السوداء. في الطبيعة، الحدأة السوداء هي طيور جارحة تحوم، وتغوص، وتهاجر للعثور على الطعام. الخوارزمية الأصلية تحاكي هذا السلوك للبحث عن أفضل حل. إنها تشبه سربًا من الطيور يمسح الشاطئ بحثًا عن تلك الحبة المثالية من الرمل. لكن السرب الأصلي كان يعاني من بعض المشكلات: أحيانًا كان يعلق في بقعة صغيرة من الرمل (الوقوع في الحل الأمثل المحلي)، وأحيانًا كان يطير بشكل عشوائي للغاية ولا يجد المكان الأفضل أبدًا (عدم استقرار التقارب)، وكان يواجه صعوبة عندما يكون الشاطئ يحتوي على أنواع مختلفة من الرمال المختلطة (المعلمات المستمرة والمنفصلة المختلطة).

ولإصلاح ذلك، منح المؤلفان، جيانان سو وجون هوانج، السرب ترقية جادة، حيث أنشآ خوارزمية الحدأة السوداء المحسنة (IBKA). لقد أضافوا ثلاث أدوات خاصة إلى مجموعة أدوات الطيور:

1. بوصلة ذكية (عامل تقارب غير خطي متكيف): بدلًا من الطيران بنفس الطريقة دائمًا، أصبح لدى الطيور الآن بوصلة تتغير بناءً على المسافة التي قطعتها وعدد الطيور الأخرى معها. في بداية البحث، يطيرون بشكل واسع وعشوائي لاستكشاف الشاطئ بأكمله. لاحقًا، عندما يقتربون من الجائزة، يركزون طاقتهم ويغوصون بدقة. هذا يمنعهم من الضياع أو الاستسلام مبكرًا.
2. أجنحة قابلة للتعديل (تعديل حجم الخطوة الديناميكي): أحيانًا تتخذ الطيور خطوات كبيرة جدًا أو صغيرة جدًا. النظام الجديد يسم يهم الشعور بتقدمهم. إذا كان الطائر يبلي بلاءً حسنًا، فإنه يتخذ خطوات واثقة وثابتة. وإذا كان يعاني، فإنه يعدل حجم جناحيه لتجربة شيء مختلف. هذا يمنعهم من الاصطدام بطرق مسدودة.
3. خريطة الرمال المختلطة (استراتيجية الترميز الهجين): الشاطئ يحتوي على نوعين من الرمال: رمال مستمرة ناعمة وصخور منفصلة وعرة. الطيور الأصلية لم تكن تعرف كيف تتعامل مع كليهما في آن واحد. الاستراتيجية الجديدة تمنحهم خريطة تعامل مع هذين النوعين من التضاريس بشكل مختلف، مما يسمح لهم بالتنقل في المزيج المعقد من الإعدادات التي يحتاجها الذكاء الاصطناعي.

الاختبار الكبير: هل يستطيع الروبوت سماع المرض؟

لم يترك الباحثون الطيور تطير في محاكاة فحسب؛ بل وضعوهم في عمل حقيقي. قاموا ببناء منصة اختبار باستخدام محامل روبوتات صناعية وسجلوا 50,000 عينة من بيانات الاهتزاز. لقد قاموا بمحاكاة أربع حالات رئيسية:

• طبيعي: الروبوت سليم.
• خلل في العناصر الدوارة: شق صغير في كرة المحمل.
• خلل في الحلقة الداخلية: تلف في الحلقة الداخلية.
• خلل في الحلقة الخارجية: تلف في الحلقة الخارجية.

كما قاموا بتغيير السرعة (من 600 إلى 1500 دورة في الدقيقة) والحمل (من 0 إلى 10 نيوتن متر) لجعل الأمر صعبًا مثل أرض المصنع الحقيقية.

ولمعرفة ما إذا كانت طريقتهم الجديدة قد نجحت، أجروا سلسلة من الاختبارات. أولاً، اختبروا IBKA على ألغاز رياضية قياسية (دوال مرجعية) لمعرفة ما إذا كان بإمكانها العثيد على أفضل الإجابات بشكل أسرع وأكثر دقة من النسخة القديمة. أظهرت النتائج أن السرب المحسن وجد حلولاً أفضل وكان أكثر اتساقًا، رغم أنهم لاحظوا أنه بالنسبة لبعض الألغاز المعقدة جدًا، كانت النتائج لا تزال متفاوتة قليلاً بين عمليات التشغيل.

ثم جاء الحدث الرئيسي: تشخيص محامل الروبوت. قارنوا نظامهم IBKA-Transformer بثلاث طرق شهيرة أخرى:

• SVM: طريقة كلاسيكية قديمة.
• ACGAN: طريقة تحاول إنشاء بيانات وهمية للمساعدة في التعلم.
• CNN: نوع من الذكاء الاصطناعي جيد في رصد الأنماط في الصور.

كانت النتائج مذهلة. واجهت الطرق القديمة بعض الصعوبات:

• حققت SVM دقة بنسبة 82.67% فقط.
• حققت ACGAN أداءً أفضل بنسبة 88.19%.
• كانت CNN قوية، حيث وصلت إلى 96.69%.

لكن نظام IBKA-Transformer الجديد حلق عالياً بنسبة 99.86%.

نظر الباحثون في "مصفوفات الارتباك" (الجداول التي توضح أين ارتكب الذكاء الاصطناعي أخطاءه) ووجدوا أن الطريقة الجديدة لم تخلط أبدًا بين نوع من الأعطال والآخر. كانت دقيقة للغاية لدرجة أن المؤلفين وصفوها بأنها "خالية من الارتباك" تقريبًا. كما أجروا "دراسات الاستئصال" (ablation studies)، وهي طريقة فنية لتفكيك طريقتهم قطعة قطعة لمعرفة الجزء الذي يقوم بالعمل الأكبر. ووجدوا أن كل ترقية — البوصلة الذكية، والأجنحة القابلة للتعديل، وخريطة الرمال المختلطة — أضافت جزءًا كبيرًا من الدقة، مما أثبت أن جميع الأجزاء الثلاثة كانت ضرورية للوصول إلى تلك الدرجة شبه المثالية.

ماذا يعني هذا؟

تخلص الورقة البحثية إلى أنه من خلال تعليم المُحسّن (الطيور) أن يكون أكثر ذكاءً وقدرة على التكيف، تمكنوا من ضبط محقق الذكاء الاصطناعي (المحول) ليصبح خبيرًا في تشخيص الأعطال. وبينما أظهرت الطريقة بعض التباين في كيفية التعامل مع الألغاز الرياضية المعقدة جدًا أثناء الاختبار، إلا أنها أدت أداءً استثنائيًا في المهمة المحددة المتمثلة في تشخيص محامل الروبوت. يشير المؤلفون إلى أن هذا النهج يوفر أساسًا متينًا للحفاظ على تشغيل الروبوتات الصناعية بسلاسة، واكتشاف الأعطال الصغيرة قبل أن تتحول إلى أعطال كبيرة. إنه تذكير بأن المفتاح لحل مشكلة عالية التقنية ليس دائماً بناء دماغ أذكى، بل تعليم الأدوات التي تضبط ذلك الدماغ كيف تطير بشكل أفضل.