Kalman filter-based error prediction with forgetting factor iterative learning control scheme

في عالم التصنيع الحديث، غالبًا ما تُكلف الآلات بأداء الحركة نفسها مرارًا وتكرارًا، مثل ذراع روبوتية تلحم إطار سيارة أو طابعة تضع طبقات من البلاستيك. ولجعل هذه الآلات تتحرك بدقة متناهية، يستخدم المهندسون استراتيجية تسمى التحكم بالتعلم التكراري. الفكرة بسيطة لكنها قوية: تحاول الآلة القيام بحركة ما، وتقيس مدى ابتعادها عن المسار المستهدف، ثم تستخدم هذا الخطأ لتعديل محاولتها التالية. ومع كل تكرار، تتعلم الآلة، وتصقل حركتها حتى تتبع المسار المطلوب بدقة مثالية. ومع ذلك، تواجه عملية التعلم هذه عقبة كبيرة في العالم الحقيقي: الضجيج. ففي المصنع، تتعرض الآلات باستمرار لهزات واهتزازات عشوائية وغير متوقعة — أشياء مثل تيار هوائي مفاجئ، أو تقلب في الطاقة، أو مكون مفكك. هذه الاضطرابات العشوائية تختلف في كل مرة، مما يعني أن الآلة لا يمكنها ببساطة "تذكرها" لإلغائها لاحقًا. عندما تحاول الآلة التعلم من حركة أفسدها هزة عشوائية، فإنها غالبًا ما تتعلم الدرس الخاطئ، مما يؤدي إلى تدهور أدائها أو استقرارها مع خطأ دائم.

ولحل هذه المشكلة، طور باحثون في جامعة لانزو للتكنولوجيا طريقة جديدة لمساعدة هذه الآلات على التعلم بشكل أكثر فعالية. لقد جمعوا بين طريقة التعلم القياسية وأداة رياضية تُعرف باسم "مرشح كالمان" (Kalman filter)، والذي يعمل مثل أذن ذكية لإلغاء الضجيج. بينما يحاول متحكم التعلم تصحيح مسار الآلة بناءً على المحاولات السابقة، يقوم مرشح كالمان بالنظر إلى البيانات الحالية وتقدير أي جزء من الخطأ هو خطأ حقيقي تحتاج الآلة لتعلمه، وأي جزء هو مجرد ضجيج عشوائي يجب تجاهله. ومن خلال فصل الإشارة عن التشويش في الوقت الفعلي، يمكن للنظام إجراء تصحيحات أكثر دقة بكثير. اختبر الباحثون هذا النهج الجديد، الذي يسمًا "مخطط التحكم المركب"، باستخدام محاكاة حاسوبية تحاكي سلوك الآلات الصناعية. ووجدوا أنه من خلال دمج قدرة تصفية الضجيج هذه، لم تتعلم الآلة بشكل أسرع فحسب، بل حققت أيضًا مستوى أعلى بكثير من الدقة، حيث قللت متوسط الخطأ بأكثر من النصف مقارنة بالطرق التقليدية.

التحدي الجوهري الذي عالجه الباحثون هو أن أنظمة التعلم القياسية غالبًا ما تعاني عندما لا تكون البيئة نظيفة تمامًا. في الإعداد النموذجي، إذا واجهت الآلة اهتزازًا عشوائيًا خلال دورة واحدة، فقد يخطئ نظام التحكم ويظن أن هذا الاهتزاز ناتج عن خلل في حركتها الخاصة، ويحاول التعويض عنه في الدورة التالية. وبما أن الاهتزاز كان عشوائيًا ولن يحدث بنفس الطريقة مرة أخرى، فإن الآلة تنتهي بالتعويض المفرط، مما يؤدي إلى إدخال خطأ جديد. هذه الدورة من الارتباك تمنع الآلة من الوصول إلى كامل إمكاناتها. يقدم الأسلوب الجديد المقترح في هذه الورقة "عامل نسيان"، وهي آلية تسمح للنظام بإعطاء وزن أكبر للمعلومات الحديثة مقارنة بالبيانات القديمة، مما يضمن عدم تعلقه بالأخطاء القديمة. والأهم من ذلك، أنه يضع مرشح كالمان فوق عملية التعلم هذه. يعمل هذا المرشح كمتنبئ، حيث يقوم باستمرار بتقدير الحالة الحقيقية للآلة من خلال النظر في نمط الأخطاء وتصفية القفزات العشوائية. إنه يتساءل جوهريًا: "هل هذا الانحراف مشكلة حقيقية في مساري، أم مجرد خلل لحظي؟" ويعدل التعلم وفقًا لذلك.

للتحقق من فكرتهم، أنشأ الفريق نموذجًا رقميًا لآلة تتحرك على مسار محدد، يشبه ذراعًا روبوتية تتبع منحنى. قاموا ببرمجة المحاكاة لتشمل ضجيجًا عشوائيًا، لمحاكاة الظروف الفوضوية في أرض المصنع الحقيقية. ثم قاموا بتشغيل سيناريوهين مختلفين: أحدهما تستخدم فيه الآلة طريقة التعلم القياسية، والآخر تستخدم فيه طريقتهم الجديدة المدمجة مع مرشح كالمان. كانت النتائج مذهلة. في السيناريو القياسي، تذبذب مسار الآلة بشكل كبير، وتذبذب الخطأ بجنون حتى بعد محاولات عديدة. كانت الآلة تتفاعل باستمرار مع الضجيج العشوائي، غير قادرة على الاستقرار في حركة سلسة ودقيقة. في المقابل، وجدت الآلة التي تستخدم الطريقة الجديدة إيقاعها بسرعة. تم تنعيم الضجيج العشوائي بفعالية، مما سمح للآلة بالتركيز على الشكل الفعلي للمسار الذي يتعين عليها اتباعه.

أظهرت البيانات من عمليات المحاكاة هذه تحسنًا واضحًا في الأداء. فعندما وصل النظام إلى حالة الاستقرار، كان متوسط الخطأ للطريقة القياسية حوالي 20.22 وحدة، بينما قللت الطريقة الجديدة هذا الرقم إلى حوالي 10.08 وحدة. ويمثل هذا تحسنًا بنسبة 50 بالمائة في الدقة. علاوة على ذلك، كانت استقرار النظام الجديد متفوقًا للغاية؛ حيث أظهرت الطريقة القياسية درجة عالية من التباين، مع قفز الخطأ صعودًا وهبوطًا بمقادلات كبيرة، بينما حافظت الطريقة الجديدة على الخطأ تحت سيطرة وثيقة. كما نظر الباحثون في جذر متوسط مربع الخطأ (RMS error)، وهو مقياس لمدى ابتعاد الآلة عن المسار في المتوسط، ووجدوا انخفاضًا يزيد عن 52 بالمائة. تشير هذه الأرقام إلى أن النهج الجديد لا يقوم فقط بإجراء تعديلات صغيرة، بل يغير بشكل جذري كيفية تعامل الآلة مع عدم اليقين، مما يسم يسمح لها بالحفاظ على دقة عالية حتى عندما تكون البيئة صاخبة.

كما فحص الباحثون كيفية سلوك النظام عبر العديد من الدورات المختلفة لضمان أن النتائج ليست مجرد ضربة حظ. لقد أجروا المحاكاة 50 مرة، وفي كل مرة مع أنماط ضجيج عشوائية مختلفة قلي، لمعرفة ما إذا كان التحسن سيصمد باستمرار. كانت النتائج قوية؛ ففي كل دورة، تفوقت الطريقة الجديدة على الطريقة القياسية، حيث أصبحت مدخلات التحكم أكثر سلاسة وظل مسار التتبع أقرب بكثير إلى الهدف. غالبًا ما أنتجت الطريقة القياسية حركات متقطعة أثناء محاربتها للضجيج، لكن الطريقة الجديدة أنتجت تعديلًا تدريجيًا وانسيابيًا. وهذا يشير إلى أن الجمع بين خوارزمية التعلم ومرشح الضجيج يخلق نظامًا ليس أكثر دقة فحسب، بل أكثر استقرارًا وموثوقية أيضًا. تتعلم الآلة تجاهل المشتتات والتركيز على المهمة، تمامًا مثل موسيقي ماهر يمكنه عزف لحن مثالي حتى مع وجود ثرثرة في الخلفية.

يشير هذا العمل إلى مسار عملي نحو الأمام للأتمتة الصناعية. فمن خلال إضافة طبقة من التنبؤ الذكي إلى أنظمة التعلم الحالية، يمكن للمهندسين بناء آلات أكثر مرونة تجاه الواقع الفوضوي لبيئات المصانع. لا تتطلب هذه الطة أجهزة جديدة باهظة الثمن؛ فهي ترقية برمجية تجعل استخدامًا أفضل للبيانات التي تجمعها الآلة بالفعل. وقد أثبت الباحثون أن هذا النهج يعمل جيدًا للأنظمة الخطية، وهي شائعة في العديد من عمليات التصنيع، وقدموا إثباتًا رياضيًا بأن النظام سيظل مستقرًا وسيتجه نحو حل في ظل هذه الظروف. وبينما أجريت الدراسة من خلال المحاكاة وليس على روبوت مادي، فإن الاختبار الصارم والأساس الرياضي الواضح يشيران إلى أن الفوائد ستنتقل إلى التطبيقات الواقعية. إن القدرة على قطع الأخطاء إلى النصف وتثبيت الأداء ضد التداخل العشوائي تقدم حلاً مقنعًا للصناعات التي تعتبر فيها الدقة أمرًا بالغ الأهمية، من تجميع الإلكترونيات الدقيقة إلى تشغيل المكونات الثقيلة. وتخلص الدراسة إلى أنه من خلال السماال للآلة بالتمييز بين ما تحتاج لتعلمه وما يجب عليها ببساطة تجاهله، يمكننا تحقيق مستوى من التحكم كان من الصعب الوصول إليه سابقًا.