Development and Optimization of Parameter Recommendation Model for Automotive Resistance Spot Welding
تقترح هذه الدراسة نموذج وكيل ذكي للحام النقطي بالمقاومة في قطاع السيارات يدمج إطار تعلم تجميعي غير متجانس مع قيد مبتكر لشدة التسخين مستند إلى الفيزياء لتعزيز دقة التنبؤ بالمعلمات، وضمان تفرد الحل، وتحسين التعميم عبر مجموعات متنوعة من تركيبات الصفائح.
في قلب صناعة السيارات الحديثة، تبرز عملية صامتة وقوية تجمع الصفائح المعدنية معاً لتشكيل الهيكل العظمي لكل مركبة. هذه العملية هي اللحام النقطي بالمقاومة، حيث تضغط أقطاب كهربائية ثقيلة قطعتين من الفولاذ معاً بينما تتدفق دفعة هائلة من التيار الكهربائي عبرهما. وتؤدي احتكاك الكهرباء بالمعدن إلى توليد حرارة شديدة، مما يؤدي إلى صهر زر دائري صغير من المادة يسمى "النتوء" (nugget) الذي يدمج الصفائح في قطعة واحدة قوية. ولعقود من الزمن، اعتمد المهندسون على التجربة والخطأ لإيجاد الإعدادات المثالية لهذه العملية؛ حيث كانوا يختبرون كميات مختلفة من الضغط، وأوقاتاً متفاوتة، ومستويات مختلفة من التيار الكهربائي، آملين في إيجاد المزيج الذي يخلق لحاماً مثالياً دون حرق المعدن أو تركه ضعيفاً للغاية. هذه الطريقة تنجح، لكنها بطيئة ومكلفة، وتواجه صعوبة في مواكبة التغييرات السريعة في تصميم السيارات، حيث يتم تقديم أنواع جديدة من الفولاذ وسماكات مختلفة باستمرار.
يكمن التحدي في حقيقة أنه غالباً ما يكون هناك أكثر من طريقة واحدة لإنتاج لحام مثالي. إذ يمكن تحقيق اتصال قوي باستخدام كمية كبيرة من الكهرباء لفترة قصيرة جداً، أو باستخدام كمية أقل من الكهرباء لمدة أطول. كلا النهجين يمكن أن ينتجا النتيجة نفسها، ومع ذلك فهما مساران مختلفان جوهرياً. وغالباً ما ترتبك النماذج الحاسوبية التقليدية، التي تتعلم من خلال النظر في البيانات الماضية، أمام هذا الأمر؛ فقد تقوم بمتوسط هذه المسارات المختلفة، مما يؤدي إلى توصيات صحيحة رياضياً ولكنها مستحيلة فيزيائياً أو غير مستقرة عند تطبيقها على طراز سيارة جديد. ويصبح هذا عدم اليقين عائقاً رئيسياً عندما تحاول الشركات المصنعة تغيير خطوط الإنتاج أو تقديم مواد جديدة، حيث لا تعود القواعد القديمة قابلة للتطبيق.
قام باحثون في جامعة شانغهاي جياو تونغ، بالتعاون مع شركة تصنيع السيارات "نيو" (NIO)، بتطوير نهج جديد لحل هذه المشكلة. فبدلاً من الاعتماد فقط على البيانات التاريخية، أنشأوا نظاماً ذكياً يفهم فيزياء الحرارة. لقد قدموا مفهوماً يسمونه "شدة التسخين"، والذي يعمل كدليل لكيفية تقديم الحرارة أثناء عملية اللحام. فكر في هذا المفهوم كقرص تحكم يتحكم فيما إذا كان يتم تقديم الحرة في شكل دفعة حادة ومركزة أو تدفق لطيف ومستمر. ومن خلال تعليم نموذجهم الحاسوبي احترام هذا القرص، أجبر الباحثين النظام على اختيار مسار محدد ومتسق لكل عملية لحام، بدلاً من التخمين بناءً على المتوسط.
اختبر الفريق نموذجهم الجديد باستخدام بيانات من طرازين مختلفين من السيارات: سيارة سيدان وسيارة رياض متعددة الاستخدامات (SUV). استخدمت هاتان المركبتان مجموعة متنوعة من الصفائح الفولاذية، بدءاً من الفولاذ القياسي منخفض الكربون وصولاً إلى المواد فائقة القوة المستخدمة في أقفاص السلامة. قام الباحثون بتجميع مجموعة بيانات ضخمة تحتوي على مئات التوليفات الفريدة من هذه الصفائح المعدنية. ولكل توليفة، سجلوا الإعدادات الدقيقة المستخدمة لإنشاء لحام، بما في ذلك القوة التي طبقتها الأقطاب، وتوقيت النبضات الكهربائية، وحجم نتوء المعدن المنصهر الناتج. ثم قاموا بتدريب نموذجهم الحاسوبي للتنبؤ بالإعدادات الصحيحة لأي مجموعة صفائح معينة وحجم النتوء المطلوب.
أظهرت النتائج ميزة واضية للنهج الجديد القائم على الفيزياء. فعندما تم اختبار النموذج على نفس السيارة التي تم التدريب عليها، كان أداؤه أفضل قليلاً من النماذج التقليدية المعتمدة على البيانات فقط، حيث حسن دقة التنبؤ بنحو 1.35 نقطة مئوية عبر جميع الإعدادات. ومع ذلك، ظهر الاختراق الحقيقي عند اختبار النموذج على السيارة الأخرى، وهو سيناريو يُعرف باسم "النقل عبر المركبات" (cross-vehicle transfer). في هذا الاختبار، عانى النموذج التقليدي بشكل كبير، حيث انخفضت دقته بحدة، خاصة عند التنبؤ بتيار التسخين المسبق. أما النموذج الجديد، الموجه بقيود شدة التسخين، فقد حافظ على دقة عالية، محققاً تحسناً في معدل نجاح التنبؤ الإجمالي يصل إلى 15.6 نقطة مئوية مقارنة بالطريقة القديمة. وقد أثبت ذلك أن النموذج قد تعلم القواعد الأساسية لكيفية سلوك الحرارة في المعدن، بدلاً من مجرد حفظ العادات المحددة لخط إنتاج واحد.
كما أظهر الباحثون أن هذا النظام الجديد يوفر للمهندسين أداة قوية للتحكم. وبما أن شدة التسخين هي متغير يمكن للمستخدم تعديله، يمكن توجيه النموذج لإنشاء جداول لحام "صلبة"، تستخدم تياراً عالياً لوقت قصير لتسريع الإنتاج، أو جداًول "لينة"، تستخدم تياراً أقل لوقت أطول لمنع العيوب مثل تطاير المعدن. تتيح هذه المرونة للمصنعين تخصيص عملية اللحام وفقاً لاحتياجاتهم الخاصة، سواء كان ذلك لتعظيم السرعة أو لضمان أعلى جودة ممكنة للمواد الحساسة. وتؤكد الدراسة أنه من خلال دمج القوانين الفيزيائية في الذكاء الاصطناعي، من الممكن إنشاء أنظمة ليست أكثر دقة فحسب، بل أيضاً أكثر قدرة على التكيف والموثوقية في عالم التصنيع المعقد.
ملخص تقني: تطوير وتحسين نموذج توصية المعلمات لعمليات اللحام النقطي بالمقاومة في صناعة السيارات
بيان المشكلة في تصنيع السيارات، يعد تصميم معلمات اللحام النقطي بالمقاومة (RSW) أمراً بالغ الأهمية لجودة الوصلات وكفاءة الإنتاج. وتعتبر الطرق التقليدية، مثل اختبار فصوص القابلية للحام (weldability-lobe testing) وتصميم التجارب (DoE)، مستهلكة للوقت وتواجه صعوبة في التكيف مع تنوع تركيبات صفائح المعدن المتزايد في المركبات الحديثة خفيفة الوزن. وبينما أدت النهج المعتمدة على البيانات (مثل الشبكات العصبية، والتعلم التجميعي) إلى تحسين التنبؤ بالجودة، إلا أنها تواجه قيوداً كبيرة في مسأية توصية المعلمات (المسألة العكسية). تعاني النماذج المعتمدة على البيانات البحتة من مشكلة عدم التفرد (non-uniqueness problem): فبالنسبة لتكوين معين لصفائح المعدن وحجم نواتج (nugget size) مستهدف، توجد جداول لحام متعددة وصحيحة (على سبيل المثال: تيار عالٍ/زمن قصير مقابل تيار منخفض/زمن طويل). قد يتعلم النموذج المدرب حصرياً على الارتباطات الإحصائية حلاً متوسطاً أو غير متسق، مما يؤدي إلى تعميم ضعيف عند تطبيقه على مركبات جديدة أو بيئات إنتاج مختلفة. علاوة على ذلك، تفتقر النماذج الحالية غالباً إلى التفسير الفيزيائي، مما يجعل من الصعب التحكم في نتائج عملية محددة مثل زمن الدورة أو تخفيف العيوب.
المنهجية يقترح المؤلفون إطار عمل للتعلم التجميعي المقيد بالفيزياء لتوليد معلمات اللحام (قوة القطب، وقت/تيار التسخين المسبق، وقت التبريد، وقت اللحام، وتيار اللحام) بناءً على خصائص الصفائح وحجم النواتج المستهدف.
نموذج تجميعي أساسي: تم بناء نموذج تعلم تجميعي غير متجانس باستخدام ستة متعلمين أساسيين هم: انحدار العملية الغاوسية (GPR)، وانحدار الغابة العشوائية (RFR)، والبيرسيبترون متعدد الطبقات (MLP)، وانحدار متجه الدعم (SVR)، وLightGBM، وXGBoost. تقوم هذه النماذج بربط الميزات المدخلة (سمك الصفيحة، القوة، الطلاء، تكوين الطبقات، حجم النواتج المستهدف) بالمعلمات الست المخرجة. وتستخدم استراتيجية تجميع موزونة، تم تحديدها عبر التحقق المتقاطع خماسي الطيات، لدمج المخرجات بهدف رفع الدقة إلى أقصى حد.
القيد المستند إلى الفيزياء (كثافة التسخين): لمعالجة مشكلة عدم التفرد، أدخل المؤلفون كثافة التسخين (u) كقيد فيزيائي صريح. تُعرف كثافة التسخين بأنها نسبة مربع متوسط تيار اللحام إلى إجمالي وقت اللحام (u=I2/T)، ويمثل هذا المتغير التركيز الزمني لمدخلات الحرارة.
ترتبط كثافة u العالية بالجداول "الصلبة" (تيار عالٍ، زمن قصير).
ترتبط كثافة u المنخفضة بالجداول "الناعمة" (تيار منخفض، زمن طويل).
تحسين تعدد الخسائر (Multi-Loss Optimization): يستخدم النموذج دالة هدف متعددة الخسائر (L=Lpara+λLHI) تعمل في آن واحد على تقليل:
Lpara: خطأ التنبؤ بمعلمات اللحام.
LHI: الانحراف بين كثافة التسخين المحسوبة من المعلمات المولدة وكثافة التسخين المستهدفة المستمدة من البيانات المقاسة. تم استخدام استراتيجية وزن تكيفية قائمة على عدم اليقين (مستوحاة من كيندال وآخرون) لموازنة هذين الحدين من الخسارة ديناميكياً أثناء التدريب، مما يمنع أحد الأهداف من الهيمنة على الآخر.
المساهمات الرئيسية
حل مشكلة عدم التفرد: من خلال دمج كثافة التسخين كقيد صريح، يقوم إطار العمل بضغط فضاء الحلول المتعددة، مما يضمن أن تكون المعلمات المولدة فريدة ومتسقة فيزيائياً لتكوين مدخلات واستراتيجية مستهدفة معينة.
تعزيز القدرة على التعميم عبر المركبات: أظهر النموذج قدرة فائقة على الانتقال بين نماذج المركبات المختلفة (على سبيل المثال، من سيارة سيدان إلى سيارة دفع رباعي) مقارنة بالنماذج الأساسية المعتمدة على البيانات فقط. فالقيد الفيزيائي يجبر النموذج على تعلم علاقات عملية قابلة للنقل بدلاً من الأنماط الإحصائية الخاصة بمركبة معينة.
توليد معلمات قابلة للتحكم: يتيح إطار العمل للمهندسين اختيار جداول لحام "صلبة" أو "ناعمة" بشكل صريح عن طريق تعديل مدخل كثافة التسخين المستهدفة، مما يوفر أداة عملية لتحسين أوقات الدورة أو تخفيف العيوب مثل الانبعاث (expulsion).
النتائج التجريبية استخدمت الدراسة مجموعة بيانات تضم 450 تكويناً فريداً من طبقات مكونة من ورقتين أو ثلاث ورقات مستمدة من سجلات الإنتاج لنموذجين من المركبات: سيارة سيدان (المركبة 1) وسيارة دفع رباعي (المركبة 2). وبينما احتوت المركبة 1 على 265 تكويناً والمركبة 2 على 385 تكويناً، فإن المجموعة الكلية من التكوينات الفريدة المكونة من هذه المواد بلغت 450، مع وجود حوالي 200 تكوين مشترك بين النموذجين. غطت مجموعة البيانات درجات مختلفة من الصلب (CR01, CR04, DP590, DP780, PHS1300T).
الأداء في نفس المركبة: حقق النموذج المقيد بالفيزياء تحسناً في دقة التنبؤ عبر جميع المعلمات الست مقارنة بالنموذج الأساسي المحسن، بمتوسط زيادة قدرها حوالي 1.35 نقطة مئوية. وكان التحسن الأكثر بروزاً في التنبؤ بوقت التسخين المسبق (من 95.3% إلى 97.5%).
الأداء عبر المركبات المختلفة: تفوق النموذج المقيد بالفيزياء بشكل كبير على النموذج الأساسي في سيناريوهات النقل. فبينما انخفضت دقة النموذج الأساسي إلى 64.3% لتيار التسخين المسبق في اختبارات المركبات المختلفة، حافظ النموذج المقيد على دقة تترا-وح بين 79.9% و95.8%. كما تحسن متوسط الدقة الإجمالي عبر المركبات من ~85.5% (للنموذج الأساسي) إلى ~90.0%، مع تحقيق أقصى زيادة قدرها 15.6% لمعلمات محددة.
دراسة الاستئصال (Ablation Study): أدى حذف حد خسارة كثافة التسخين (LHI) إلى انخفاض في الأداء يتراوح بين 0.1 إلى 15.6 نقطة مئوية في الاختبارات عبر المركبات، مما يؤكد أن القيد الفيزيائي هو المحرك الرئيسي لقدرة التعميم.
تحليل الحساسية: أكدت التجارب التي غيرت كثافة التسخين المستهدفة أن النموذج يمكنه توليد تركيبات مختلفة من التيار والزمن بشكل منهجي (على سبيل المثال، تقليل الوقت من 300 مللي ثانية إلى 232 مللي ثانية مع زيادة التيار من 8.9 كيلو أمبير إلى 9.4 كيلو أمبير) مع الحفاظ على حجم النواتج المستهدف (~5.0 ملم)، مما يثبت قابلية التحكم في الجداول المولدة.
الأهمية والادعاءات يزعم البحث أن هذا العمل يضع مساراً لـ الإدارة الذكية لعملية تصميم وتصنيع اللحام النقطي بالمقاومة بأكملها. ومن خلال الانتقال من مجرد الانحدار المعتمد على البيانات إلى نهج دمج الآليات والبيانات، تعالج الدراسة التحدي الحرج المتمثل في توليد معلمات لحام موثوقة، فريدة، وقابلة للتفسير لتطبيقات متنوعة في صناعة السيارات. ويؤكد المؤلفون أن إطار عملهم يعزز التطبيق الهندسي للتعلم التجميعي من خلال ضمان الاتساق الفيزيائي وتمكين التوليد القابل للتحكم لجداول العمليات، مما يقلل دورات التطوير ويحسن الاستجابة التصنيعية في ظل التعقيد المتزايد للمواد.