Digital Twin-Driven Multi-Objective Optimization of Milling Parameters Under Small-Sample Conditions

कल्पना कीजिए कि आप एक बेहतरीन चॉकलेट केक बनाने की कोशिश कर रहे हैं। आप चाहते हैं कि यह दस मिनट में तैयार हो जाए, इसका स्वाद लाजवाब हो, और आपकी रसोई में आग न लग जाए। वास्तविक दुनिया में, बेकिंग प्रयोग और गलतियों का खेल है: आप सामग्री मिलाते हैं, उसे ओवन में रखते हैं, प्रतीक्षा करते हैं और चखते हैं। यदि यह बहुत सूखा है, तो आप फिर से प्रयास करते हैं। यदि यह बहुत मीठा है, तो आप सामंजस्य बिठाते हैं। अब, कल्पना कीजिए कि आपके पास केवल तीन केक बनाने के लिए पर्याप्त सामग्री है, लेकिन आपको एक परफेक्ट रेसिपी ढूँढनी है। यह एक बुरा सपना है। आप अपनी सीमित सामग्री को गलत अनुमानों पर बर्बाद नहीं कर सकते।

इंजीनियरों के सामने जब वे मशीनों को धातु काटने (मिलिंग) के लिए प्रोग्राम करने की कोशिश करते हैं, तो ठीक यही समस्या आती है। इसे वे "मिलिंग" कहते हैं। एक पुर्जा बनाने के लिए, उन्हें ऐसे सेटिंग्स चुननी पड़ती हैं जैसे कि टूल कितनी तेजी से घूमता है, वह कितनी तेजी से आगे बढ़ता है, और वह कितनी गहराई तक काटता है। ये चुनाव प्रभावित करते हैं कि काम कितनी जल्दी पूरा होगा, मशीन पर कितना बल महसूस होगा, और धातु की सतह कितनी चिकनी होगी। आमतौर पर, सबसे अच्छे मिश्रण को खोजने का अर्थ है सैकड़ों महंगे और समय लेने वाले भौतिक परीक्षण करना। लेकिन क्या होगा यदि आपके पास केवल कुछ परीक्षणों का डेटा हो? क्या होगा यदि आप एक "छोटे नमूने" (small sample) के साथ काम कर रहे हों?

यहीं एक "डिजिटल ट्विन" (Digital Twin) काम आता है। डिजिटल ट्विन को एक वास्तविक फैक्ट्री मशीन के हाइपर-रियलिस्टिक वीडियो गेम सिमुलेशन के रूप में समझें। असली धातु को काटने और समय बर्बाद करने के बजाय, आप कंप्यूटर के भीतर हजारों रेसिपी टेस्ट कर सकते हैं। लेकिन एक कंप्यूटर सिमुलेशन को भी सीखने के लिए अच्छे डेटा की आवश्यकता होती है। यदि कंप्यूटर केवल तीन रेसिपी जानता है, तो वह भ्रमित हो सकता है और ऐसी रेसिपी का सुझाव दे सकता है जो सुनने में तो अच्छी लगती है लेकिन वास्तव में मशीन को तोड़ सकती है। यह शोध पत्र इस कठिन चुनौती से निपटता है कि एक डिजिटल ट्विन को बहुत कम वास्तविक उदाहरणों के साथ परफेक्ट मेटल-कटिंग रेसिपी खोजने के लिए कैसे सिखाया जाए, जिसमें स्मार्ट अनुमान, भौतिकी के नियम और खाली जगहों को भरने के लिए थोड़ा सा "शोर" (noise) का मिश्रण उपयोग किया गया है।

---

समस्या: केक के बहुत कम टुकड़े

विनिर्माण (manufacturing) की दुनिया में, धातु के पुर्जे बनाना एक संतुलन बनाने जैसा है। आप चाहते हैं कि मशीन तेजी से काम करे (उच्च दक्षता), लेकिन आप यह भी नहीं चाहते कि वह बहुत अधिक संघर्ष करे (कम कटिंग फोर्स) या एक खुरदरी, बदसूरत सतह छोड़ दे (उच्च गुणवत्ता)। ये लक्ष्य अक्सर एक-दूसरे के विपरीत होते हैं। मशीन को तेज चलाने से सतह खुरदरी हो सकती है।

आमतौर पर, इंजीनियर इसे कई प्रयोग करके हल करते हैं। वे अलग-अलग गति और गहराई आजमाते हैं, परिणामों को मापते हैं, और "स्वीट स्पॉट" (सबसे सटीक बिंदु) खोज लेते हैं। लेकिन यह महंगा और धीमा है। कई आधुनिक कारखानों में, विशेष रूप से जो कस्टम या छोटे बैच के पुर्जे बनाते हैं, उनके पास सैकड़ों परीक्षण करने के लिए समय या पैसा नहीं होता है। उनके पास केवल 30 वास्तविक प्रयोगों का डेटा हो सकता है। यदि आप केवल 30 उदाहरणों का उपयोग करके कंप्यूटर को सर्वोत्तम सेटिंग्स खोजने के लिए प्रशिक्षित करने की कोशिश करते हैं, तो कंप्यूटर अक्सर भ्रमित हो जाता है। यह "ओवरफिट" (overfit) हो सकता है, जिसका अर्थ है कि यह उन 30 विशिष्ट मामलों को याद कर लेता है लेकिन सामान्य नियमों को समझने में विफल रहता है, जिससे गलत सुझाव मिलते हैं।

समाधान: एक रचनात्मक कल्पना वाला डिजिटल ट्विन

इस शोध पत्र के लेखकों ने कंप्यूटर को बहुत कम उदाहरणों से सीखने में मदद करने के लिए एक चतुर तरीका प्रस्तावित किया है। उन्होंने एक "डिजिटल ट्विन" सिस्टम बनाया है—एक आभासी वातावरण जो धातु काटने के लिए एक फास्ट-फॉरवर्ड सिम्युलेटर की तरह कार्य करता है।

यहाँ उनके तरीके के चरण-दर-चरण कार्य करने का तरीका दिया गया है:

1. वर्चुअल टेस्ट किचन
सबसे पहले, उन्होंने एक "वर्चुअल इवैल्यूएशन इंटरफेस" बनाया। इसे कंप्यूटर के भीतर एक सुपर-फास्ट कैलकुलेटर के रूप में समझें। जब आप संख्याओं का एक सेट टाइप करते हैं (जैसे "2000 rpm पर घूमें, 100 mm/min की गति से चलें"), तो सिस्टम तुरंत आपको तीन चीजें बताता है:

• काम पूरा होने में कितना समय लगेगा।
• टूल पर कितना बल महसूस होगा।
• सफलता की संभावना कि सतह पर्याप्त चिकनी होगी (विशेष रूप से, यदि खुरदरापन 1.0 माइक्रोमीटर से कम है)।

केवल सतह के खुरदरेपन के लिए एक एकल संख्या का अनुमान लगाने के बजाय, सिस्टम सफलता की संभावना की गणना करता है। यह महत्वपूर्ण है क्योंकि सीमित डेटा के साथ, कुछ भी 100% निश्चित नहीं होता है। संभावनाओं को जानना इंजीनियरों को सुरक्षित विकल्प चुनने में मदद करता है।

2. "डिफ्यूजन" का जादू
यह सबसे रचनात्मक हिस्सा है। चूंकि उनके पास केवल 30 वास्तविक डेटा पॉइंट थे, इसलिए उन्हें कंप्यूटर को ठीक से सिखाने के लिए और अधिक डेटा की आवश्यकता थी। उन्होंने "डिफ्यूजन मॉडल्स" (वही प्रकार का AI जिसका उपयोग इमेज जेनरेट करने के लिए किया जाता है) से प्रेरित एक तकनीक का उपयोग किया।
कल्पित कीजिए कि आपके पास केक की एक स्पष्ट फोटो है (आपका वास्तविक डेटा)। आप धीरे-धीरे इसमें 'स्टैटिक नॉइज़' जोड़ते हैं जब तक कि यह केवल एक धुंधलापन न बन जाए। फिर, आप कंप्यूटर को इस प्रक्रिया को उलटने के लिए सिखाते हैं: धुंधलेपन से शुरू होकर, वह केक को पुनर्गठित करना सीखता है।
लेखकों ने अपने नंबरों के साथ भी ऐसा ही किया। उन्होंने अपने 30 वास्तविक प्रयोगों को लिया और नए, नकली (लेकिन वास्तविक दिखने वाले) डेटा पॉइंट बनाने के लिए उनमें "शोर" (noise) जोड़ा। इससे उनका छोटा डेटासेट एक बहुत बड़े डेटासेट में बदल गया, जिससे कंप्यूटर को संभावित सेटिंग्स का बेहतर नक्शा मिल सका।

3. भौतिकी का सुरक्षा जाल (Physics Safety Net)
हालाँकि, केवल नंबर बनाना खतरनाक है। कंप्यूटर एक ऐसी रेसिपी बना सकता है जो कहती है "1,000,000 rpm पर घूमें," जो मशीन को नष्ट कर देगी। इसे रोकने के लिए, उन्होंने एक "फिजिकल कंसिस्टेंसी फ़िल्टर" जोड़ा।
उन्होंने एक बुनियादी भौतिक नियम (कटिंग फोर्स का एक सरलीकृत फॉर्मूला) को रेफरी के रूप में इस्तेमाल किया। यदि कंप्यूटर का नया, बनाया गया डेटा उस कटिंग फोर्स का सुझाव देता है जो बुनियादी भौतिकी के अनुसार बहुत अलग है, तो सिस्टम उस डेटा को हटा देता है। उन्होंने केवल उस "नकली" डेटा को रखा जो भौतिकी के नियमों का पालन करता था। इसने सुनिश्चित किया कि विस्तारित डेटासेट न केवल बड़ा था, बल्कि तर्कसंगत भी था।

4. परफेक्ट रेसिपी की खोज
इस विस्तारित, भौतिकी-जांचा गया डेटासेट के साथ, उन्होंने एक मल्टी-ऑब्जेक्टिव ऑप्टिमाइजेशन सर्च चलाया। उन्होंने दो स्मार्ट एल्गोरिदम का उपयोग किया जो मिलकर काम करते हैं:

• बायेसियन ऑप्टिमाइजेशन (Bayesian Optimization): यह एक जासूस की तरह है जो सबसे आशाजनक क्षेत्रों को खोजने के लिए पहले देखता है, जिससे समय बचता है।
• मल्टी-ऑब्जेक्टिव जेनेटिक एल्गोरिदम (Multi-Objective Genetic Algorithm): यह खोजकर्ताओं की एक टीम की तरह है जो सभी संभावित "सर्वोत्तम" समझौतों को खोजने के लिए फैल जाती है।

उन्होंने केवल एक एकल "परफेक्ट" सेटिंग नहीं खोजी। इसके बजाय, उन्होंने "पारेटो" (Pareto) समाधानों की एक पूरी सूची खोजी। ये सर्वोत्तम संभव समझौते हैं। उदाहरण के लिए, एक सेटिंग सबसे तेज़ हो सकती है लेकिन थोड़ी खुरदरी; दूसरी सबसे चिकनी हो सकती है लेकिन धीमी। सिस्टम इंजीनियर को विकल्पों का एक मेनू देता है ताकि वे अपने विशिष्ट कार्य के लिए जो सबसे महत्वपूर्ण है उसके आधार पर चुनाव कर सकें।

उन्होंने क्या पाया

शोधकर्ताओं ने एल्युमीनियम मिश्र धातु (aluminum alloy) से जुड़े 30 वास्तविक प्रयोगों के डेटा का उपयोग करके अपने तरीके का परीक्षण किया। उन्होंने अपने डिफ्यूजन मेथड का उपयोग करके 300 अतिरिक्त नमूने बनाए और उन्हें फिल्टर किया।

• बेहतर कवरेज: नए तरीके ने डेटा के अंतराल को भर दिया। जबकि मूल 30 बिंदु बिखरे हुए थे, नए 330 बिंदुओं ने संभावनाओं का एक सुचारू, निरंतर मानचित्र बनाया।
• सटीक भविष्यवाणियाँ: सतह कितनी चिकनी होगी, इसकी भविष्यवाणी करने की सिस्टम की क्षमता काफी अच्छी थी। अपने परीक्षणों में, इसने लगभग 83% से 86% बार सही ढंग से वर्गीकृत किया कि क्या कोई सेटिंग गुणवत्ता मानक को पूरा करेगी।
• बेहतर ट्रेड-ऑफ़: जब उन्होंने अपने तरीके की तुलना मानक खोज विधियों (जैसे रैंडम गेसिंग या पुराने जेनेटिक एल्गोरिदम) से की, तो उनके दृष्टिकोण ने समाधानों का एक बहुत अधिक निरंतर और उपयोगी सेट खोजा। इसने केवल एक भाग्यशाली अनुमान नहीं लगाया; इसने विकल्पों की एक पूरी श्रृंखला खोजी जो विश्वसनीय थी।

उन्होंने एक विजुअल सिस्टम भी बनाया (Unity नामक टूल का उपयोग करके) जहाँ इंजीनियर इन परिणामों को 3D में देख सकते हैं। वे एक समाधान पर क्लिक कर सकते हैं और देख सकते हैं कि मशीन सेटिंग्स क्या होंगी, इसमें कितना समय लगेगा और पुर्जा कितना चिकना होगा।

निष्कर्ष

यह शोध पत्र सुझाव देता है कि जब आपके पास कंप्यूटर को प्रशिक्षित करने के लिए पर्याप्त वास्तविक दुनिया का डेटा नहीं होता है, तो आप एक "डिजिटल ट्विन" का उपयोग कर सकते हैं जिसे स्मार्ट नॉइज़-एडिंग तकनीक के साथ जोड़ा गया है ताकि अधिक डेटा बनाया जा सके, बशर्ते आप यह दोबारा जांच लें कि नया डेटा भौतिकी के नियमों का पालन करता है।

लेखकों ने पाया कि यह दृष्टिकोण उन्हें बहुत छोटे शुरुआती डेटासेट के साथ भी धातु काटने की सेटिंग्स की एक विस्तृत विविधता खोजने की अनुमति देता है। उन्होंने दिखाया कि वे पारंपरिक तरीकों की तुलना में गति, बल और गुणवत्ता को बहुत बेहतर तरीके से संतुलित कर सकते हैं। हालाँकि, वे सावधानी बरतते हैं कि यह एक सिमुलेशन और मौजूदा डेटा पर एक परीक्षण था। उन्होंने उल्लेख किया है कि अगला कदम इन अनुशंसित सेटिंग्स के साथ वास्तव में मशीनों को चलाना है ताकि यह देखा जा सके कि परिणाम वास्तविक दुनिया में कैसे काम करते हैं।

संक्षेप में, उन्होंने एक स्मार्ट, भौतिकी-जागरूक सिम्युलेटर बनाया है जो इंजीनियरों को बहुत कम जानकारी के साथ बेहतर निर्णय लेने में मदद करता है, जिससे "छोटे नमूने" की समस्या एक प्रबंधनीय पहेली में बदल जाती है।