An Intelligent CNC Machine Tool Based on Random Forests Parameters Prediction Model

في عالم التصنيع الحديث، تعتمد الرحلة من التصميم الرقمي إلى قطعة معدنية أو بلاستيكية مادية بشكل كبير على نوع محدد من الآلات المؤتمتة المعروفة باسم التحكم الرقمي بالحاسوب، أو ما يُعرف بـ CNC. هذه الآلات هي خيول العمل في الصناعة، وهي قادرة على نحت أشكال معقدة بدقة لا يمكن للأيدي البشرية مضاهاتها. ولجعلها تعمل، يجب على المهندسين كتابة مجموعة من التعليمات تسمى "G-code"، والتي تخبر الآلة بالضبط كيفية تحريك أدوات القطع الخاصة بها، ومدى سرعة دورانها، ومدى عمق غرزها في المادة. لعقود من الزمن، كان تحديد هذه السرعات ومعدلات التغذية مهمة مقتصرة على الخبراء ذوي المهارات العالية؛ حيث يعتمد هؤلاء المتخصصون على سنوات من الخبرة والقواعد العامة لاتخاذ القرار بشأن كيفية تصرف الآلة. وبينما تنجح هذه الطريقة، إلا أنها بطيئة وغير متسقة، وغالبًا ما تؤدي إلى استخدام إعدادات مختلفة لنفس المهمة على آلات مختلفة، لمجرد أن المشغلين المختلفين لديهم عادات مختلفة. ومع ازدياد تعقيد المنتجات وقصر دورات الإنتاج، يبحث القطاع عن طريقة لجعل عمليات الإعداد هذه أسرع وأكثر موثوقية دون فقدان الجودة التي تأتي من الخبرة البشرية.

اقترح فريق من الباحثين في جامعة بولا في كرواتيا طريقة جديدة لسد الفجوة بين الخبرة البشرية والكفاءة المؤتمتة. فبدلاً من محاولة استبدال الخبير أو الآلة، طوروا نظاماً يتعلم من أرض المصنع نفسها. جمع الباحثون بيانات من ثلاث آلات تفريز (milling machines) مختلفة في ورشة عمل، حيث قاموا بتحليل 251 عملية تشغيل ناجحة سابقة. وبنوا برنامجاً حاسوبياً يقرأ ملفات الـ G-code من تلك الوظائف السابقة، ويحدد بدقة نوع القطع الذي يتم إجراؤه، والمادة المستخدمة، وحجم الأداة المعنية. ومن خلال دراسة هذه السجلات، أنشأوا نموذجاً رقمياً يمكنه النظر في برنامج جديد غير مختبر واقتراح أفضل إعدادات السرعة والتغذية بناءً على ما نجح في الماضي. لا يتطلب هذا النهج أي أجهزة جديدة أو مستشعرات باهظة الثمن؛ فهو ببساطة يستخدم المعلومات الموجودة بالفعل في البرامج التي كتبها واختبرها المشغلون بالفعل.

يتضمن جوهر طريقتهم نوعاً من التعلم الحاسوبي يسمى "الغابة العشوائية" (random forest). تخيل مجموعة من الخبراء، لكل منهم وجهة نظر مختلفة قليلاً، يصوتون على أفضل إجابة لمشكلة ما. في هذه الحالة، "الخبراء" هم أشجار قرار رياضية تحلل البيانات من الوظائف الماضية. غَذّى الباحثون نظامهم بأربعة معلومات رئيسية: الآلة المحددة المستخدمة، ونوع المادة التي يتم قطعها، ونوع العملية التي يتم تنفيذها، وقطر أداة القطع. تعلم النظام بعد ذلك التنبؤ بأربعة إعدادات حاسمة: سرعة دوران الأداة، وسرعة حركة الآلة، وعرض القطع، وعمق القطع. ركزت الدراسة على أربعة أنواع شائعة من عمليات التفريز: ثقب الثقوب، وتسطيح الأسطح، وقطع الخطوط الخارجية، وتفريغ الجيوب. واختبروا هذا النظام على أجزاء مصنوعة من البلاستيك الهندسي، وتحديداً البولي بروبيلين ونوعين من البولي إيثيلين.

أظهرت النتائج أن النظام يمكنه تعلم الأنماط الخفية لورشة العمل بدقة مذهلة. وجد النموذج أن هوية الآلة نفسها كانت العامل الأكثر أهمية في تحديد سرعة دوران الأداة. وهذا منطقي، حيث تمتلك الآلات المختلفة مستويات قوة وقيوداً ميكانيكية مختلفة؛ فالآلة القوية والثقيلة يمكنها تحمل سرعات أعلى من الآلة الأخف. وكان حجم أداة القطع هو العامل المهيمن لتحديد سرعة حركة الآلة وعمق القطع. كما لعب نوع العملية دوراً هاماً في كل تنبؤ. ومن المثير للاهتمام أن النوع المحدد للبلاستيك الذي يتم قطعه لم يؤثر كثيراً على معظم الإعدادات، مما يشير إلى أن قدرات الآلة وحجم الأداة أكثر تأثيراً من المادة في هذا السياق. كان النظام جيداً بشكل خاص في التنبؤ بعرض القطع، حيث طابق تقريباً القيم المستخدمة في البرامج الناجحة الأصلية. وكان أقل تأكداً بشأن عمق القطع، وهو أمر مفهوم لأن العمق غالباً ما يعتمد على مقدار المادة التي يجب إزالتها في تمريرة واحدة، وهو تفصيل لا يكون واضحاً دائماً من الكود وحده.

كان أحد أكثر النتائج كشفاً هو مدى تأثير العادة البشرية على العملية. لاحظ الباحثون أنه حتى عندما استخدم مشغلون مختلفون نفس الآلة لقطع نفس المادة، فإنهم غالأً ما يختارون سرعات وتغذيات مختلفة تماماً. قد يكون أحد المشغلين عدوانياً، يدفع الآلة إلى حدودها القصوى، بينما قد يكون آخر متحفظاً، يعطي الأولوية للسلامة على السرعة. خلقت هذه التفضيلات الشخصية نطاقاً واسعاً من البيانات، والتي تفشل القواعد التقليدية غالباً في استيعابها. ومع ذلك، كان النظام الجديد قادراً على دمج هذا التنوع من الخبرة البشرية في توصية واحدة متسقة. فهو لا يفرض إجابة "صحيحة" واحدة، بل يقترح الإعدادات المثلى الأكثر احتمالاً بناءً على التاريخ الجماعي للورشة. دمج الباحثون هذا النموذج في سير عمل يتكون من خطوتين: أولاً، يحلل النظام برنامج G-code جديداً ويقترح معايير محسنة. ثانياً، يعرض هذه الاقتراحات على مشغل بشري، الذي يحتفظ بالسلطة الكاملة لقبول أو رفض أو تعديل النصيحة. يضمن ذلك بقاء القرار النهائي في أيدي البشر، مع احترام حكم المشغل وتوفير نقطة انطلاق قائمة على البيانات.

تؤكد الدراسة أن نموذج تعلم الآلة يمكنه استخراج المعرفة المتراكمة لأرض المصنع وتطبيقها على مواقف جديدة بفعالية. من خلال تحليل 251 عملية عبر ثلاث آلات متميزة، أثبت الباحثون أنه يمكنهم التنبؤ بمعايير التشغيل بدرجة عالية من الموثوقية، خاصة بالنسبة لسرعة المغزل وعرض القطع. نجح النظام في تحديد أن هوية الآلة وقطر الأداة هما المحركان الأساسيان لهذه القرارات. وبينما لا يعد النموذج بديلاً مثالياً للحدس البشري، خاصة في الحالات التي يكون فيها عمق القطع غامضاً، فإنه يقدم أداة قوية لتقليل الوقت المستغرق في الإعداد وتوحيد جودة الإنتاج. لا يتطلب هذا النهج أي تعديلات في الأجهزة ويعمل مع البرامج الموجودة التي تستخدمها المصانع بالفعل. ومع توجه صناعة التصنيع نحو أنظمة أكثر مرونة وأتمتة، توفر هذه الطة وسيلة عملية للاستفادة من النجاحات الماضية لتحسين الأداء المستقبلي، مما يضمن الحفاظ على حكمة المشغلين ذوي الخبرة ومشاركتها عبر خط الإنتاج بأكمله.