Deep Learning-Driven Multi-Objective Optimization of Surface Finish and Tool Wear in CNC Dry Turning

في عالم التصنيع، تُعد ورشة الخراطة مكاناً للتفاوض المستمر. فالمخرطة، وهي آلة تقوم بتدوير المعدن لتشكيله، يجب أن يوجهها مشغل بشري يواجه خياراً صعباً في كل مرة يبدأ فيها عملية القطع. فهو يريد أن يكون الجزء النهائي ناعماً تماماً، وخالياً من الخدوش الدقيقة التي يمكن أن تسبب تسريبات أو إجهاداً في المحركات والأدوات. ومع ذلك، فإن الإعدادات ذاتها التي تخلق تلك النعومة غالباً ما تستهلك أداة القطع بسرعة أكبر بكثير، مما يجبر المصنع على شراء بدائل باهظة الثمن. إن هذه المقايضة بين السطح الناعم والأداة طويلة الأمد هي المشكلة المركزية في عملية تشغيل المعادن. ولعقود من الزمن، اعتمد المشغلون على كتيبات قديمة وتخمينات متحفظة لإيجاد حل وسط، آملين في تجنب إضاعة الأموال على قطع تالفة أو أدوات مكسورة. لكن فيزياء قطع المعدن معقدة وغير خطية؛ فالعلاقة بين سرعة دوران الآلة، ومعدل تغذية المعدن، وعمق القطع لا تتبع خطوطاً مستقيمة بسيطة. وعندما تكون القواعد بهذا التعقيد، فإن التخمينات القديمة غالاً ما تفشل، مما يؤدي إلى قطع إما خشنة جداً أو أدوات تتآكل بسرعة كبيرة.

قرر فريق من الباحثين في جامعة دار السلام حل هذه المشكلة ليس بمزيد من التخمين، بل بأسلوب حديث يترك البيانات تتحدث عن نفسها. فقد سعوا لبناء دليل رقمي لنوع معين من الخراطة الثقيلة المستخدمة في المصانع التنزانية، وهو دليل يمكنه أن يخبر المشغل بالضبط كيفية ضبط الآلة للحصول على أفضل نتيجة ممكنة. وبدلاً من الاعتماد على الصيغ البسيطة الموجودة في الكتب المدرسية، استخدموا نوعاً من الذكاء الاصطناعي يُعرف بالشبكة العصبية العميقة. فكر في هذه التكنولوجيا كدماغ مرن للغاية يمكنه تعلم أنماط معقدة من مجموعة من الأمثلة، بدلاً من كونها حاسبة جامدة تتبع قاعدة واحدة ثابتة فقط. أراد الباحثون معرفة ما إذا كان هذا الدماغ المرن يمكنه إيجاد مسار أفضل عبر المقايضة بين نعومة السطح وتآكل الأداة عما يمكن للطرق التقليدية تحقيقه.

ولتعليم نظامهم، أجرى الفريق سلسلة مدروسة بعنا_ية من سبع وعشرين تجربة على آلة خراطة (CNC) مخصصة للإنتاج. استخدموا قضبانًا من الفولاذ متوسط الكربون، وهو مادة شائعة في المنطقة، ونوعاً واحداً من أدوات القطع المصنوعة من الكربيد المطلي. وقاموا بتغيير ثلاثة إعدادات رئيسية لكل جولة: السرعة التي يدور بها المعدن، والمعدل الذي تتحرك به الأداة على طول المعدن، وعمق القطع. وبعد كل جولة، قاموا بقياس شيئين بدقة عالية: خشونة السطح المتروك وكمية التآكل في حافة قطع الأداة. أصبحت هذه المجموعة الصغيرة ولكن الكاملة من البيانات هي الأساس لدراستهم. ثم قسموا عملهم إلى مسارين؛ في المسار الأول، طوعوا البيانات لتناسب الصيغ الرياضية البسيطة والتقليدية التي استخدمتها المصانع لسنوات، وفي المسار الآخر، دربوا شبكتهم العصبية العميقة لتعلم الأنماط المخفية داخل نفس الأرقعة السبعة والعشرين.

كشفت النتائج عن فرق واضح في مدى فهم كل طريقة للآلة. فالصيغ التقليدية، رغم أنها جيدة في التنبؤ بخشونة السطح، إلا أنها واجهت صعوبة كبيرة عندما تعلق الأمر بتآكل الأداة. وجد الباحثون أن التآكل في الأداة كان مدفوعاً بمزيج معقد من التفاعلات بين الإعدادات، وهو هيكل لم تستطع الصيغ البسيطة استيعابه. ولأن الصيغ افتقدت هذه الروابط الدقيقة، فقد ارتكبت خطأً جسيماً في أكثر المناطق حرجاً: فقد أخبرت المشغل أن أكثر الأسطح نعومة هو في الواقع أخشن بكثير مما هو عليه في الحقيقة. وتحديداً، توقع النموذج القديم قيمة حد أدنى للخشونة أعلى بنسبة أربعين بالمائة مما حققته الآلة فعلياً في المختبر. لم يكن هذا مجرد خطأ صغير؛ بل يعني أن الدليل التقليدي كان يخفي أفضل النتائج عن المشغل، ويخبره فعلياً بأن الوصول إلى سطح مثالي هو أمر مستحيل بينما هو في الواقع في المتناول.

في المقابل، رأت الشبكة العصبية العميقة الصورة الكاملة. فقد تعلمت التفاعلات المعقدة التي أغفلتها الصيغ البسيطة، وتنبأت بتآكل الأداة بدقة أكبر بكثير. وعندما استخدم الباحثون هذا النموذج الأكثر ذكاءً للبحث عن أفضل الإعدادات الممكنة، تغيرت النتائج بشكل دراماتيكي. أظهر الدليل الجديد مساراً للوص_ل إلى تشطيب أنعم بنسبة ثمانية وعشرين بالمائة مما اقترحه الدليل القديم. لقد كشف عن "نقطة مثالية" حيث يمكن للآلة إنتاج تشطيب سطحي يبلغ 2.391 ميكرومتر، وهو مستوى من النعومة كان النموذج التقليدي قد أغفله تماماً. أثبتت الدراسة أنه باستخدام نموذج تعلم مرن بدلاً من صيغة جامدة، استطاع الباحثون الكشف عن نطاق أوسع بكثير من الخيارات عالية الجودة التي كانت غير مرئية سابقاً في أرض المصنع.

ومع الحصول على الخريطة الأفضل، تعين على الفريق بعد ذلك تحديد أي من هذه الخيارات العديدة هو التوصية الأفضل للمشغل الحقيقي. واجهوا معضلة كلاسيكية: الإعدادات التي تعطي أنعم تشطيب تستهلك الأداة بشكل أسرع، بينما الإعدادات التي تحافظ على الأداة تترك السطح أخشن قليلاً. ولحل ذلك، استخدموا طريقة اتخاذ قرار تجد "ركبة" المنحنى، وهي النقطة التي تحصل فيها على أكبر فائدة مقابل أقل تكلفة إضافية. ووجدوا أنه بالنسبة لهذه الآلة والمادة المحددة، يجب ضبط معدل التغذية وعمق القطع دائماً على قيمتين محددتين، بغض النظر عن الهدف. الإعداد الوحيد الذي يحتاج إلى التغيير هو سرعة المغزل. وقد بسط هذا مهمة المشغل بشكل هائل؛ فبدلاً من التعامل مع ثلاثة متغيرات، احتاج فقط إلى تدوير قرص واحد.

كما اختبر الباحثون مدى حساسية هذه التوصية لأولويات المشغل. وسألوا: ماذا لو كان المصنع يهتم بالسرعة أكثر من التشطيب، أو العكس؟ وجدوا أن التوصية كانت قوية بشكل مفاجئ. فطالما لم يعطِ المشغل الأولوية لتشطيب السطح بأكثر من خمسة وخمسين بالمائة من إجمالي الأهمية، فإن الإعداد الأفضل يظل كما هو: سرعة أبطأ تحافظ على الأداة. وفقط عندما يصبح التشطيب هو الأولوية القصوى، تقفز التوصية إلى السرعة القصوى. تعني هذه الاستقرارية أن المصنع ليس بحاجة إلى إعادة حساب الإعدادات باستمرار مع كل تغيير طفيف في التفضيلات؛ إذ يمكنهم الاعتماد على توصية واحدة صلبة لمعظم احتياجات الإنتاج.

تخلص الدراسة إلى أن الطريقة القديمة المعتمدة على الصيغ البسيطة تترك أموالاً وجودة ضائعة. فمن خلال استخدام نموذج تعلم عميق مدرب على بيانات من عالم الواقع من آلة إنتاج، قدم الباحثون أداة ليست أكثر دقة فحسب، بل هي أيضاً أكثر صدقاً بشأن ما يمكن للآلة القيام به. لقد أظهروا أن التحيز في النماذج القديمة لم يكن مجرد خطأ نظري، بل كان خطأً عملياً شوه قائمة الخيارات المتاحة للمشغل. يوفر النهج الجديد مساراً واضحاً مدفوعاً بالبيانات، محولاً مقايضة معقدة ومربكة إلى تعليمات بسيطة وموثوقة يمكن لأي مشغل اتباعها للحصول على قطع أفضل وتوفير المال في الأدوات.