Interpretable Hybrid Surrogate Modeling for Diameter Deviation Prediction in Injection Molding Using Symbolic Regression and Gaussian Process Residual Correction

في عالم التصنيع، يشبه صنع الأجزاء البلاستيكية عملية خبز الكعك، ولكن مع مساحة أقل بكثير للخطأ. فعندما تقوم آلة بحقن البلاستيك المنصهر في قالب، يجب عليها الحفاظ على الضغط بدقة، وتبريد المادة بالسرعة المثالية، وضبط توقيت الدورة بدقة متناهية. فإذا كانت إعدادات الآلة غير دقيقة ولو بنسبة ضئيلة، فقد يكون الجزء النهائي بالحجم الخاطئ. هذه مشكلة تتعلق بالجودة الأبعادية. لقد حاول المهندسون لفترة طويلة التنبؤ بدقة بكيفية تغيير إعدادات الآلة — مثل مدى قوة دفع البلاستيل أو سرعة تدفقه — وكيف سيغير ذلك الحجم النهائي للجزء. التحدي يكمن في أن هذه العوامل لا تعمل بمفردها؛ بل تتشابك معاً بطرق معقدة. فتغيير في الضغط قد يكون له تأثير مختلف اعتماداً على السرعة التي حُقن بها البلاستيك أو المدة التي انتظرتها الآلة قبل فتح القالب. وعادةً، لفهم هذه العلاقات، تقوم الشركات بإجراء مئات التجارب، لكن الوقت والمال غالباً ما يحصرونها في بضع عشرات فقط. وعندما تكون البيانات شحيحة، تصبح النماذج الحاسوبية القياسية معقدة للغاية بحيث يصعب فهمها أو تفشل في التنبؤ بدقة.

سعى فريق من الباحثين من المغرب لحل هذا اللغز لنوع معين من الأجزاء البلاستيكية، مع التركيز على عيب يُسمى "انحراف القطر"، وهو ببساطة مدى اختلاف عرض الجزء عن الحجم المنشود. أرادوا بناء نموذج حاسوبي يمكنه التنبؤ بهذا الخطأ باستخدام القليل جداً من البيانات، ولكن مع لمسة حاسمة: كان يجب أن يكون النموذج مفهوماً. وبدلاً من إخفاء المنطق داخل "صندوق أسود"، أرادوا قاعدة رياضية واضحة يمكن للمهندس قراءتها والثوق بها. ولتحقيق ذلك، جمعوا بين نهجين مختلفين. أولاً، استخدموا تقنية تسمى "الانحدار الرمزي" (symbolic regression)، وهي في الأساس عملية بحث عن أبسط معادلة ممكنة تناسب البيانات. ثم أضافوا طبقة ثانية، وهي أداة إحصائية تُعرف باسم "العملية الغاوسية" (Gaussian process)، لالتقاط التفاصيل الصغيرة والفوضوية التي فاتت المعادلة الأولى. كان الهدف هو إنشاء نظام هجين يتسم بالشفافية والدقة في آن واحد، حتى عند العمل مع سبعة وعشرين ظرف تشغيل متميزاً فقط.

بدأ الباحثون بجمع البيانات من حملتين تجريبيتين منفصلتين، أنتجتا معاً 127 عملية تشغيل. ولأن بعض هذه العمليات كررت نفس الظروف، قاموا بمتوسط النتائج لإنشاء مجموعة نظيفة من سبعة وعشرين سيناريو ممثلاً. ومن هذه السيناريوهات، اختاروا أربعة عناصر تحكم رئيسية لدراستها: الضغط المستخدم لتثبيت البلاستيك في القالب، والضغط المعاكس الذي يدفع ضده، وإجمالي وقت الدورة، والسرعة التي يُحقن بها البلاستيك. وبدلاً من تغذية هذه الأرقام الأربعة الخام مباشرة إلى الحاسوب، قام الفريق أولاً بتحويلها إلى تركيبات أكثر دلالة. لقد أنشأوا مدخلات جديدة تمثل أشياء مثل التوازن بين الضغوط أو التفاعل بين السرعة والوقت. كانت هذه الخطوة حيوية لأنها أعطت الحاسوب مفردات أفضل لوصف العملية الفيزيائية، مما سمح له بإيجاد قاعدة أبسط وأكثر دقة.

باستخدام هذه البيانات المُعدة، ترك الباحثون خوارزمية الانحدار الرمزي تبحث عن التعبير الرياضي الأفضل. وكانت النتيجة معادلة مدمجة عملت كمتنبئ رئيسي. نجحت هذه المعادلة في رصد الاتجاه السائد لكيفية تأثير إعدادات الآلة على حجم الجزء. وعند اختبارها مقابل البيانات التي لم ترها أثناء إنشائها، تنبأت بمعامل انحراف القطر بخطأ قدره حوالي 10.19 ميكرومتر. ولوضع ذلك في المنظور، فإن شعرة الإنسان يبلغ سمكها حوالي 70 إلى 100 ميكرومتر، لذا كان النموذج يتنبأ بأخطاء أصغر من عُشر عرض الشعرة. ورغم أن هذا مثير للإعجاب، إلا أن الباحثين أدركوا أنه لا يمكن لأي معادلة واحدة أن تستوعب كل التقلبات الصغيرة في عملية التصنيع المعقدة؛ إذ توجد دائماً "تموجات" صغيرة غير مفسرة متبقية.

ولمعالجة هذه الأخطاء المتبقية، قام الفريق بتدريب نموذج ثانٍ، وهو "العملية الغاوسية"، خصيصاً لتعلم الأخطاء التي ارتكبتها المعادلة الأولى. فكر في هذا النموذج الثاني كأداة ضبط دقيق تنظر في الفجوة بين ما تنبأت به المعادلة الأولى وما حدث بالفعل، وتتعلم كيفية تصحيحه. وعندما دمجوا الاثنين، كان النموذج الهجين يعمل بشكل أفضل، حيث قلل خطأ التنبؤ إلى 9.32 ميكرومتر. وهذا التحسن، رغم أنه يبدو صغيراً من الناحية المطلقة، إلا أنه ذو دلالة إحصائية. والأهم من ذلك، أن النهج الهجين حافظ على المنطق الجوهري للمعادلة الأولى مرئياً ومفهوماً، بينما تعامل الجزء الثاني مع التفاصيل الفوضوية. وهذا يعني أن المهندس لا يزال بإمكانه النظر إلى القاعدة الرئيسية لفهم السلوك العام للآلة، مع الاعتماد على طبقة التصحيح للحصول على دقة أعلى.

استخدم الباحثون هذه النماذج بعد ذلك لطرح سؤال عملي: ما هي إعدادات الآلة التي ستنتج أصغر خطأ ممكن؟ أجروا بحثاً للتحسين لإيجاد المزيج المثالي من الضغط والسرعة والوقت ضمن النطاق الذي اختبروه. اقترحت المعادلة البسيطة سيناريو الحالة المثلى بخطأ قدره حوالي 33.25 ميكرومتر. ومع ذلك، فإن النموذج الهجين، بقدرته على تصحيح الأخطاء الطفيفة، أشار إلى مجموعة مختلفة من الإعدادات التي يمكنها نظرياً تقليل الخطأ إلى 23.73 ميكرومتر فقط. أظهر هذا التحول أن إضافة طبقة التصحيح لم تؤدِ فقط إلى تحسين الأرقام، بل غيرت أيضاً التوصية بشأن كيفية تشغيل الآلة. وأشار الباحثون إلى أن هذه كانت تنبؤات بناءً على نماذجهم ولم يتم اختبارها بعد على آلة حقيقية، لكن الفرق كان كبيراً بما يكفي لاستحقاق تجربة في العالم الحقيقي.

طوال فترة الدراسة، كان الفريق حريصاً على أن يكون صادقاً بشأن حدود عملهم. فقد أكدوا أن نموذجهم هو دليل محلي، صالح فقط للآلة والمادة والقالب المحدد الذي اختبروه، وليس قانوناً عالمياً لكل عمليات تشكيل البلاستيك. كما أشاروا إلى أنه بينما قدم نموذجهم مقياساً لعدم اليقين، موضحاً مدى ثقته في تنبؤاته، فإن هذه الثقة لم يتم التحقق منها بالكامل من خلال تجارب مستقلة جديدة. الاختبار الحقيقي سيأتي عندما يجرب المهندسون الإعدادات الموصى بها في أرض المصنع. وخلصت الدراسة إلى أن هذا النهج الهجين يقدم حلاً وسطاً عملياً للمشكلات الصناعية حيث تكون البيانات شحيحة. فقد وفر طريقة للحصول على أفضل ما في العالمين: وضوح المعادلة البسيطة ومرونة التصحيح الإحصائي المعقد، مما يمنح المهندسين أداة ذكية وقابلة للتفسير في آن واحد.