A Risk-Aware Explainable Multi-Agent Decision Intelligence Framework for Human-Centric Predictive Maintenance in Smart Manufacturing

في عالم الطيران التجاري عالي المخاطر، تعتمد سلامة الرحلة على القدرة على التحمل الصامت والمستقر لمحركاتها. ولعقود من الزمن، اعتمد المهندسون على الصيانة التنبؤية، وهي استراتيجية تستخدم البيانات لتخمين متى قد يتعطل جزء من الآلة قبل أن يحدث ذلك بالفعل. يتجاوز هذا النهج مجرد إصلاح الأشياء بعد تعطلها أو استبدالها وفق جدول زمني صارم؛ بل إنه يستمع إلى همهمة الآلات، بحثاً عن علامات تآكل دقيقة تشير إلى أن أحد المكونات يقترب من نهاية عمره الافتراضي. والهدف هو التدخل في اللحظة المثالية: ليس مبكراً جداً، مما يهدر الموارد، ولا متأخراً جداً، مما ينذر بكارثة. ومع ذلك، لطالما وجدت فجوة كبيرة بين الأرقام الخام التي تولدها هذه النماذج الحاسوبية وبين القرارات الفعلية التي تتخذها أطقم الصيانة البشرية. فقد يتنبأ الحاسوب بأن المحرك لديه قدر معين من العمر المتبقي، لكنه غالباً لا يستطيع شرح سبب تقديره لذلك، أو مدى ثقته في هذا التخمين، أو ما هي المخاطر المحددة التي تنطوي عليها الحالة إذا قرر الطاقم الانتظار. وبدون هذا السياق، يظل التنبؤ الأكثر دقة مجرد رقم، يصعب اتخاذ إجراء بناءً عليه بثقة.

قام فريق من الباحثين في جامعة "إم إس رامايا" للعلوم التطبيقية في الهند بتطوير نظام جديد مصمم لسد هذه الفجوة، وتحويل البيانات الخام إلى قصة واضحة وموثوقة لصناع القرار البشريين. وقد أطلقوا على ابتكارهم اسم "إطار عمل الذكاء التنبئي الوكيل القابل للتفسير والواعي بالمخاطر" (Risk-Aware Explainable Agentic Prognostic Intelligence Framework). وبدلاً من مجرد إخراج تقدير واحد للمدة التي سيعيشها المحرك، يعمل هذا النظام مثل فريق من المساعدين الرقميين المتخصصين، لكل منهم مهمة محددة. حيث يراقب جزء من النظام مستشعرات المحرك للتنبؤ بحالته وعمره المتبقي. ويقوم جزء آخر بدور المشكك، حيث يتحقق باستمرار من مدى ثقة الجزء الأول في تنبؤاته الخاصة. بينما يقوم جزء ثالث بتقييم خطورة الموقف، في حين يقوم جزء رابع بشرح القراءات المحددة للمستشعرات التي أدت إلى الاستنتاج. وأخيراً، يقوم وكيل اتخاذ القرار بجمع كل هذه الرؤى معاً لاقتراح إجراء ملموس، مثل الاستمرار في الطيران، أو مراقبة المحرك عن كثب، أو جدولة إصلاح فوري. وقد اختبر الباحثون هذا الإطار باستخدام مجموعة بيانات معروفة لأعطال محركات التوربين المروحي المحاكية، وهي معيار مرجعي في هذا المجال، لمعرفة ما إذا كان بإمكانه تحويل البيانات المعقدة إلى نصائح موثوقة قابلة للقراءة من قبل البشر.

إن جوهر هذا الإطار الجديد هو نموذج تعلم عميق يتعلم من تاريخ تدهور المحرك؛ فهو يراقب تدفق البيانات من سبعة عشر مستشعراً مختلفاً، ويتتبع كيفية سلوك المحرك بمرور الوقت. وبدلاً من مجرد تخمين رقم، يتعلم النموذج التعرف على أنماط التآكل والتهالك، والتنبؤ بكل من درجة الصحة والعمر النافع المتبقي للمحرك. لكن الابتكار يكمب في ما يحدث بعد إجراء هذا التنبؤ؛ فالنظام لا يتوقف عند هذا الحد، بل يقوم فوراً بتمرير التنبؤ عبر فحص للموثوقية، باستخدام طريقة تقارن بين نماذج متعددة مستقلة لترى مدى اتفاقها. وإذا اختلفت النماذج أو كانت البيانات مشوشة، يقوم النظام بالإشارة إلى أن التنبؤ غير مؤكد. وهذا أمر بالغ الأهمية لأن الخطأ في التقدير في مجال الطيران قد يكون خطيراً. يقوم النظام بحساب درجة الثقة، وإذا انخفضت هذه الدرجة كثيراً، فإنه يطلق تلقائياً طلباً للمراجعة البشرية، مما يضمن عدم اتخاذ أي قرار آلي غير آمن دون أن يلقي خبير بشري نظرة فاحصة عليه.

بمجرد أن يثق النظام في أرقامه، ينتقل إلى الطبقة التالية: المخاطر والتفسير. يستخدم وكيل متخصص "المنطق الضبابي" (Fuzzy Logic)، وهو طريقة للاستدلال تتعامل مع درجات الرمادي بدلاً من الأسود والأبيض فقط، لتقييم المخاطر التشغيلية. فهو يأخذ في الاعتبار صحة المحرك، وعمره المتبقي، والثقة في التنبؤ، ومدى استقرار سلوك المحرك. ويصنف هذا الوكيل الحالة إلى مستويات مثل مخاطر منخفضة، أو متوسطة، أو عالية، أو حرجة. وفي الوقت نفسه، يعمل وكيل التفسير على جعل غير المرئي مرئياً؛ حيث يستخدم تقنيات متقدمة لتسليط الضوء على اللحظات المحددة في تاريخ المحرك وقراءات المستشعرات المحددة التي كانت الأكثر أهمية في الوصول إلى الاستنتاج. فعلى سبيل المثال، قد يشير إلى أن قراءة مستشعر معينة من الدورات الأخيرة كانت السبب الرئيسي في تحذير من خطر مرتفع. وهذا يحول "الصندوق الأسود" للذكاء الاصطناعي إلى عملية شفافة حيث يمكن للمهندس البشري رؤية الأدلة وفهم المنطق وراء التوصية.

الخطوة النهائية في سير العمل الذكي هذا هي وكيل اتخاذ القرار. فهو يأخذ درجات الصحة، ومستويات المخاطر، ومقاييس الثقة، والتفسيرات، ويزنها جميعاً معاً لاقتراح مسار للعمل. فالنظام لا يكتفي بالقول "المحرك مريض"، بل يقول "المحرك مريض، ونحن متأكدون من ذلك بنسبة 82 بالمئة، والمخاطر عالية، وهذا هو المستشعر المحدد الذي يقلقنا، لذا يجب عليك جدولة الصيانة". وفي اختباراتهم، أظهر الإطار دقة عالية، مع أخطاء ضئيلة جداً في تنبؤاته بكل من صحة المحرك وعمره النافع المتبقي. والأهم من ذلك، أنه نجح في تصنيف خطر فشل المحرك وصياغة توصيات صيانة تتماشى مع شدة الموقف. وفي حالة دراسية محددة تتعلق بمحرك كان قريباً من الفشل، حدد النظام بشكل صحيح مستوى الخطر الحرج، ولاحظ أن ثقته كانت أقل من المعتاد، فاقترح بحكمة إجراء مراجعة بشرية بدلاً من الإصلاح الآلي. وهذه القدرة على إدراك عدم اليقين الخاص به وإحالة الأمر إلى الحكم البشري هي ميزة أساسية في التصميم.

وجد الباحثون أن نهجهم يمثل خطوة كبيرة للأمام مقارنة بالطرق التقليدية التي تركز فقط على دقة التنبؤ. فمن خلال دمج فحوصات الموثوقية، وتقييم المخاطر، والتفسيرات الواضحة في نظام واحد، أنشأوا أداة ليست مجرد آلة حاسبة بل شريك في اتخاذ القرار. وقد أثبت النظام قدرته على التعامل مع تعقيد بيانات تدهور المحرك وترجمتها إلى معلومات استخباراتية قابلة للتنفيذ. ورغم أن الدراسة أجريت باستخدام بيانات محاكاة من معيار مرجعي، إلا أن النتائج تشير إلى أن مثل هذا الإطار يمكن أن يكون ذا قيمة عالية في عمليات صيانة الطيران في العالم الحقيقي. فهو يعالج الحاجة البشرية للثقة والفهم، مما يضمن أنه عندما تقول آلة إن المحرك يحتاج إلى اهتمام، فإن الأشخاص المسؤولين عن الطائرة يعرفون بالضبط لماذا ودرجة اعتمادهم على ذلك التحذير. ويسلط هذا العمل الضوء على التحول في كيفية تطبيق الذكاء الاصطناعي في الصناعات الحساسة للسلامة، بالانتقال من مجرد التنبؤ البسيط إلى نهج أكثر شمولية يتمحور حول الإنسان، حيث تساعد الآلة الإنسان على اتخاذ القرار الصحيح.