Application of Machine Learning in Optimizing Industrial Assembly Lines: A Chronologically Validated Study of Predictive Quality Control

لم تعد المصانع الحديثة مجرد صفوف من الآلات والعمال؛ بل أصبحت شبكات شاسعة من المستشعرات التي تضج بالحركة. في كل مرة يتحرك فيها منتج عبر خط التجميع، تسجل مئات العيون الرقمية هذه درجة حرارته، وضغطه، وسرعته، وإشاراته الكهربائية. لعقود من الزمن، أمَل المهندسون في استخدام هذا الفيض من البيانات للتنبؤ بالعيوب قبل أن يصل المنتج حتى إلى محطة الفحص النهائي. الوعد بسيط: إذا استطاعت الآلة أن تتعلم رصد العلامات الدقيقة لفشل مستقبلي، فيمكنها تحديد العناصر الخطرة فقط ليقوم البشر بفحصها، مما يوفر الوقت والمال. هذا المجال، المعروف باسم مراقبة الجودة التنبؤية، يعتمد على تعليم الحواسيب إيجاد الأنماط وسط ضجيج الإنتاج. ومع ذلك، ظل هناك سؤال جوهري يلوح في الأفق: هل يمكن لهذه النماذج الحاسوبية أن تعمل حقاً عندما تتغير أرض المصنع، أم أنها مجرد بارعة في تخمين الماضي؟

وضع فريق من الباحثين في جامعة روما تور فيراتا (University of Rome Tor Vergata) هدفاً للإجابة على ذلك عبر اختبار خمسة أنواع مختلفة من نماذج تعلم الآلة على بيانات حقيقية من مصنع لأشباه الموصلات. استخدموا مجموعة بيانات عامة تحتوي على سجلات لـ 1,567 وحدة تم إنتاجها على مدار ثلاثة أشهر في عام 2008. كان لكل وحدة 590 قراءة مستشعر مختلفة مرتبطة بها، لكن حوالي 6.6 بالمائة منها فقط كانت معيبة بالفعل. أراد الباحثون معرفة ما إذا كان بإمكانهم بناء نظام من شأنه أن يضبط الوحدات السيئة دون رصد الكثير من الوحدات الجيدة. وللقيام بذلك، جربوا أولاً الطريقة القياسية المستخدمة من قبل معظم العلماء في هذا المجال، والتي تتضمن خلط البيانات عشوائياً لاختبار النماذج. وتحت هذه الطريقة، بدا النموذج الأفضل ناجحاً للغاية، حيث حدد الأنماط في البيانات بدقة عالية. بدا الأمر كما لو أن مشكلة التنبؤ بالعيوب قد حُلّت تقريباً.

لكن الباحثين كانوا يعلمون أن المصنع لا يعمل في عالم "مخلوط". في الواقع، يتم تدريب الآلة دائماً على بيانات الأمس واختبارها على بيانات اليوم. ظروف أرض المصنع ليست ثابتة أبداً؛ فالأدوات تتآكل، وتصل دفعات جديدة من المواد الخام، وتغير عمليات الصيانة سلوك خط الإنتاج. هذه التغييرات، المعروفة باسم "انزياح المفاهيم" (concept drift)، تعني أن نمطاً تم تعلمه الأسبوع الماضي قد لا يكون موجوداً هذا الأسبوع. ولاختبار النماذج تحت هذه الظروف الواقعية، أجرى الفريق تجربة ثانية أكثر صرامة. فبدلاً من خلط البيانات، أجبروا الحاسوب على التعلم من بداية عملية الإنتاج والتنبؤ بالمستقبل، بالتحرك للأمام في الزمن عبر كتل زمنية متتالية.

كانت نتائج هذا الاختبار الثاني مذهلة. فعندما أُجبرت النماذج على النظر فقط في المستقبل، انهار أداؤها. الدرجات التي بدت واعدة جداً في الخلط العشوائي انخفضت إلى مستوى يكاد لا يتجاوز التخمين. وجد الباحثون أن النجاح الأولي كان وهماً خلقته طريقة الاختبار نفسها. فمن خلال خلط البيانات، سمحت الاختبارات القياسية للحاسوب بـ "إلقاء نظرة على المستقبل"، حيث تعلم من وحدات أُنتجت بفارق دقائق معدودة تحت ظروف متطابقة. منح هذا الأمر شعوراً زائفاً بالأمان. أظهر الاختبار الحقيقي أن العلاقة بين قراءات المستشعرات والعيوب لم تكن مستقرة بما يكفي ليتم تعلمها بطريقة بسيطة. كان خط المصنع يتغير كثيراً لدرجة تمنع النماذج من التمسك بمجموعة واحدة من القواعد.

وعلى الرغم من هذا الانهيار في قدرة التنبؤ الصرفة، إلا أن القصة لم تنتهِ بالفشل. أدرك الباحثون أنه حتى النموذج ذو القدرة التنبؤية الضعيفة يمكن أن يظل مفيداً إذا استُخدم كأداة فحص بدلاً من كونه حكماً مثالياً. قاموا بتعديل النظام ليكون حساساً للغاية، مع إعطاء الأولوية لهدف رصد كل عيب على حدال، حتى لو عنى ذلك رصد العديد من الوحدات الجيدة للفحص الإضافي. وضعوا عتبة محددة على نسبة الـ 30 بالمائة الأخيرة من البيانات، والتي عملت كاختبار مستقبلي حقيقي. وتحت هذه الاستراتيجية الجديدة، رصد أفضل نموذج 23 عيباً من أصل 26 عيباً ظهرت في المستقبل. وبينما رصد عدداً كبيراً من الوحدات الجيدة للفحص، فقد نجح أيضاً في إعفاء حوالي 31 بالمائة من إجمالي الإنتاج من الفحص تماماً. وهذا يعني أن المصنع يمكنه تركيز مفتشيه البشريين على الربع الأكثر خطورة من الإنتاج، بدلاً من فحص كل شيء أو لا شيء.

ولفهم الأسباب التي جعلت النماذج تتخذ قراراتها، استخدم الباحثون تقنية تفكك منطق الحاسوب لمعرفة أي مستشعر كان الأكثر أهمية. ووجدوا أن عملية اتخاذ القرار بأكملها كانت تهيمن عليها قراءة مستشعر واحدة. كان لإشارة معينة أهمية أكبر بكيز من أي من المستشعرات الـ 589 الأخرى مجتمعة. ورغم أن أسماء المستشعرات كانت مخفية في البيانات، إلا أن هذه النتيجة قدمت توجهاً واضحاً لمديري المصانع. لقد اقترح الأمر أنه إذا تدهورت النماذج أو فشلت، فإن أول مكان يجب البحث فيه هو العملية الفيزيائية وراء ذلك المستشعر المهيمن. إن الحفاظ على استقرار ومعايرة ذلك الجزء المحدد من الخط سيكون على الأرج Round الأرجح الطريقة الأكثر فعالية للحفاظ على الجودة.

تخلص الدراسة إلى أن الطريقة التي نختبر بها هذه الأنظمة الحاسوبية لا تقل أهمية عن الأنظمة نفسها. إن الممارسة الشائعة لخلط البيانات لاختبار نماذج تعلم الآلة يمكن أن تخفي حقيقة أنها قد لا تعمل في مصنع حقيقي متغير. ويجادل الباحثون بأن أي تقرير حول التحسين الصناعي يجب أن يتضمن اختباراً يحترم الجدول الزمني للإنتاج، بالانتقال من الماضي إلى المستقبل، لكي يُعتبر تقريراً صادقاً. وبينما لم تصبح النماذج متنبئات مثالية، فقد أثبتت أنه حتى في ظل الظروف الصعبة والمتغيرة، يمكن لنظام مضبوط بعناية أن يوفر ميزة عملية. يمكنه أن يعمل كمرشح، حيث يرصد الغالبية العظمى من العيوب ويسمح للمصنع بالعمل بكفاءة أكبر، بشرما يفهم المهندسون حدود الأداة ويركزون انتباههم على الأجزاء المحددة من الخط التي تقود النتائج.