الرؤية الصناعية للآلات: استخدام الذكاء الاصطناعي الطرفي للكشف عن العيوب في الوقت الحقيقي

تمثل AWS IoT Greengrass و Amazon SageMaker نهج تنفيذ واحد لنشر نماذج التعلم الآلي على الحافة الصناعية. ومع ذلك، يمتد الاتجاه الأوسع إلى ما هو أبعد من نظام بائع واحد. يتبنى المصنعون في قطاعات السيارات وأشباه الموصلات وتجهيز الأغذية والصناعات العملية تقنيات الذكاء الاصطناعي الطرفي والرؤية الآلية بشكل متزايد لتحسين فحص الجودة واكتشاف العيوب.

لماذا يتجه اكتشاف العيوب في التصنيع نحو الحافة

يواصل المصنعون السعي لتحقيق جودة منتجات أعلى، وتكاليف تشغيل أقل، وكفاءة إنتاج أكبر. مع تسارع خطوط الإنتاج وزيادة الأتمتة، تكافح طرق الفحص التقليدية لمواكبة متطلبات الإنتاج الحديثة. يظل الفحص البشري ذا قيمة في العديد من الصناعات، لكنه غالبًا ما يسبب تباينًا، وأخطاء مرتبطة بالإرهاق، وحدود في التوسع.

في الوقت نفسه، تولد المنشآت الصناعية الآن كميات هائلة من البيانات التشغيلية من خلال المستشعرات والكاميرات وأجهزة التحكم والأجهزة المتصلة. تخلق هذه المصادر فرصًا للتحليلات المتقدمة وتطبيقات التعلم الآلي التي يمكنها تحديد مشكلات الجودة قبل وصول المنتجات إلى العملاء بفترة طويلة.

واحدة من أهم التطورات في السنوات الأخيرة هي نشر نماذج التعلم الآلي مباشرة على الحافة الصناعية. بدلاً من إرسال كل صورة إلى منصة سحابية بعيدة للتحليل، يمكن للمصنعين إجراء اكتشاف العيوب محليًا على الحواسيب الصناعية، والمعالجات المدمجة، وبوابات الحافة المثبتة بالقرب من معدات الإنتاج.

يقلل هذا النهج بشكل كبير من زمن الاستجابة مع تحسين استجابة النظام. يمكن لمعدات الإنتاج أن تتفاعل فورًا مع العيوب المكتشفة، وترفض المنتجات غير المطابقة، وتطلق الإنذارات، أو تبدأ الإجراءات التصحيحية دون انتظار معالجة السحابة.

تظل منصات السحابة ضرورية لتدريب وإدارة وتحسين نماذج التعلم الآلي. ومع ذلك، يسمح الحوسبة الطرفية للمصانع بتنفيذ الاستدلال في الوقت الحقيقي حيث يتم توليد البيانات. أصبح هذا الجمع بين ذكاء السحابة والتنفيذ الطرفي هيكلية قوية للأتمتة الصناعية.

من بين التقنيات الرائدة التي تدعم هذا الهيكلية هي Amazon SageMaker و AWS IoT Greengrass. توفر هذه المنصات معًا إطارًا لبناء ونشر ومراقبة وتحسين نماذج التعلم الآلي المستخدمة في تطبيقات اكتشاف العيوب في التصنيع.

الشكل 1. تمكّن أنظمة الرؤية الآلية المؤتمتة فحص الجودة عالي السرعة في بيئات التصنيع الحديثة.

فهم تحدي اكتشاف العيوب الصناعية

يبدو أن اكتشاف العيوب أمر بسيط على السطح. تلتقط الكاميرا صورة، يقوم البرنامج بتقييم المنتج، ويحدد النظام ما إذا كان العنصر يمر بالفحص. ومع ذلك، تقدم بيئات الفحص الصناعية العديد من التحديات التقنية في الواقع.

تتحرك المنتجات بسرعات مختلفة. تتغير ظروف الإضاءة على مدار اليوم. قد تعكس المواد السطحية الضوء بشكل مختلف. يمكن لتحملات الإنتاج أن تخلق اختلافات طفيفة بين المنتجات المقبولة. يمكن أن تزيد الأتربة والاهتزازات وتقلبات درجة الحرارة والظروف البيئية من تعقيد التقاط الصور.

لذلك يجب على المصنعين تطوير أنظمة فحص قادرة على التمييز بين التفاوت الطبيعي في الإنتاج والعيوب الفعلية.

تشمل العيوب الشائعة في التصنيع:

• خدوش السطح
• شقوق وكسور
• مكونات مفقودة
• أخطاء التجميع
• اللحامات غير الصحيحة
• عيوب الطلاء
• فقاعات وفراغات
• انحرافات الأبعاد
• عيوب التغليف
• أخطاء في الوسم

في صناعات مثل تصنيع السيارات، وتصنيع أشباه الموصلات، والأدوية، وتجهيز الأغذية، وتجميع الإلكترونيات، وإنتاج الطاقة، يؤثر اكتشاف العيوب بشكل مباشر على الربحية ورضا العملاء.

قد يؤدي تفويت عيب إلى مطالبات الضمان، وحوادث السلامة، واستدعاءات المنتجات، والعقوبات التنظيمية، أو الإضرار بسمعة العلامة التجارية. وعلى العكس، قد تؤدي معايير الفحص الصارمة جدًا إلى زيادة معدلات الخردة وتقليل كفاءة الإنتاج.

يساعد التعلم الآلي في مواجهة هذه التحديات من خلال تعلم الأنماط من مجموعات بيانات كبيرة بدلاً من الاعتماد فقط على قواعد الفحص المبرمجة يدويًا.

تطورت الرؤية الصناعية لتتجاوز الفحص التقليدي القائم على القواعد

تعتمد أنظمة الرؤية الصناعية التقليدية بشكل كبير على خوارزميات معالجة الصور الحتمية. يحدد المهندسون يدويًا العتبات، ومعايير اكتشاف الحواف، والقياسات الهندسية، وقواعد التعرف على الميزات.

تظل هذه الطرق فعالة للعديد من التطبيقات، لكنها تصبح أكثر صعوبة في الصيانة عندما تظهر المنتجات بتنوع كبير أو عندما تظهر العيوب بأشكال غير متوقعة.

تقدم نماذج التعلم الآلي الحديثة نهجًا مختلفًا جوهريًا.

بدلاً من تحديد كل قاعدة فحص يدويًا، يقوم المهندسون بتدريب النماذج باستخدام آلاف أو حتى ملايين الصور النموذجية. يتعلم النظام الخصائص التي تميز المنتجات المقبولة عن المنتجات المعيبة.

يتيح ذلك لأنظمة التعلم الآلي اكتشاف أنماط دقيقة قد يصعب على خوارزميات الرؤية التقليدية التعرف عليها.

تظهر عدة طرق تعلم آلي بشكل شائع في أنظمة الفحص الصناعية.

تصنيف الصور

تحدد نماذج التصنيف ما إذا كانت الصورة تنتمي إلى فئة معينة.

على سبيل المثال، قد يصنف النموذج المنتجات كالتالي:

• نجاح
• فشل
• تالف
• غير مكتمل
• غير محاذي

غالبًا ما يكون التصنيف هو أبسط نموذج نشر ويعمل كنقطة انطلاق فعالة للعديد من تطبيقات التصنيع.

اكتشاف الكائنات

يكشف اكتشاف الكائنات عن وجود العيب وموقعه، متوسعًا بذلك على التصنيف.

بدلاً من الإبلاغ ببساطة عن وجود عيب، يحدد النموذج مكان ظهور العيب داخل الصورة.

تتيح هذه القدرة لفرق الصيانة ومهندسي الجودة فهمًا أفضل لمشكلات العملية وأسبابها الجذرية.

التقسيم الدلالي

يوفر التقسيم الدلالي تحليلًا على مستوى البكسل.

يحصل كل بكسل على تصنيف، مما يسمح للنظام بتحديد الحدود الدقيقة للعيب.

نماذج التقسيم مفيدة بشكل خاص عندما يحتاج المصنعون إلى معلومات مفصلة حول أبعاد الشقوق، ومناطق التآكل، وعيوب الطلاء، أو عدم تجانس المواد.

يمكن لتقنيات التقسيم المتقدمة دعم مبادرات الجودة التنبؤية حيث تصبح أنماط نمو العيوب جزءًا من جهود تحسين العمليات الأوسع.

لماذا الذكاء الاصطناعي على الحافة مهم في الأتمتة الصناعية

لا تزال العديد من المنشآت الصناعية تعمل تحت متطلبات موثوقية صارمة. غالبًا ما تعمل خطوط الإنتاج بشكل مستمر لفترات طويلة ولا يمكنها الاعتماد كليًا على الاتصال السحابي.

إرسال كل صورة تفتيش إلى خادم بعيد يفرض عدة قيود:

• تأخير الشبكة
• استهلاك النطاق الترددي
• تكاليف المعالجة السحابية
• مخاوف الأمن السيبراني
• مخاطر الاتصال

فكر في مصنع تعبئة ينتج آلاف الحاويات في الدقيقة. قد تولد الكاميرات عالية الدقة جيجابايت من بيانات الصور كل ساعة.

إرسال كل صورة إلى السحابة يصبح مكلفًا وغير ضروري.

بدلاً من ذلك، يتيح الاستدلال على الحافة اتخاذ القرارات محليًا مع نقل المعلومات ذات الصلة فقط إلى الأنظمة المركزية.

يتماشى هذا الهيكل بشكل وثيق مع استراتيجيات الأتمتة الصناعية الحديثة حيث تندمج أنظمة التكنولوجيا التشغيلية (OT) بشكل متزايد مع بنية تكنولوجيا المعلومات (IT).

يمكن للذكاء الاصطناعي الصناعي على الحافة دعم العديد من بيئات الأتمتة بما في ذلك:

• خطوط الإنتاج التي تتحكم بها PLC
• مصانع العمليات القائمة على DCS
• أنظمة مراقبة SCADA
• شبكات مراقبة التوربينات
• آلات التعبئة والتغليف
• خلايا التجميع الروبوتية
• أنظمة أتمتة المستودعات

تدير العديد من المنشآت بالفعل منصات أتمتة من كبار الموردين الصناعيين. يمكن لحلول الذكاء الاصطناعي على الحافة التعايش جنبًا إلى جنب مع أنظمة مثل Allen-Bradley ControlLogix و Siemens SIMATIC S7 و ABB 800xA و Honeywell Experion PKS و Emerson DeltaV و Yokogawa CENTUM VP.

في هذه البيئات، تصبح أنظمة الرؤية الآلية مصدرًا آخر للمعلومات التشغيلية التي تدعم الأهداف الإنتاجية العامة.

دور Amazon SageMaker في التعلم الآلي الصناعي

يوفر Amazon SageMaker بيئة سحابية لبناء وتدريب وتحسين ونشر وإدارة نماذج التعلم الآلي.

واحدة من مزاياه الرئيسية هي أنه يبسط العديد من المهام المرتبطة تقليديًا بتطوير التعلم الآلي.

يمكن لعلماء البيانات والمهندسين التركيز على أداء النموذج بدلاً من إدارة البنية التحتية.

داخل بيئة التصنيع، يمكن لـ SageMaker دعم دورة حياة التعلم الآلي بأكملها.

جمع البيانات وتحضيرها

أساس أي مشروع ناجح لاكتشاف العيوب هو مجموعة بيانات عالية الجودة.

عادةً ما يقوم المصنعون بتركيب كاميرات صناعية في نقاط تفتيش استراتيجية على طول خطوط الإنتاج. تلتقط هذه الكاميرات صورًا للمنتجات المقبولة والمعيبة على حد سواء.

يجب بعد ذلك تسمية الصور المجمعة وتنظيمها.

التسمية الدقيقة تؤثر مباشرة على أداء النموذج. غالبًا ما تؤدي مجموعات البيانات ذات التسمية السيئة إلى إيجابيات وسلبيات كاذبة أثناء النشر.

في تطبيقات اكتشاف العيوب، غالبًا ما ينشئ المهندسون تعليقات توضيحية تحدد:

• نوع العيب
• موقع العيب
• شدة العيب
• فئة المنتج
• معلومات دفعات الإنتاج

مع نمو مجموعات البيانات، يمكن للمصنعين تحسين دقة النماذج باستمرار من خلال دمج سيناريوهات إنتاج إضافية.

تدريب النماذج وتحسينها

يتطلب تدريب نماذج التعلم الآلي موارد حوسبة كبيرة.

هنا تقدم بنية السحابة مزايا كبيرة.

بدلاً من الاستثمار في خوادم ذكاء اصطناعي مخصصة في الموقع، يمكن للمصنعين الاستفادة من موارد السحابة القابلة للتوسع لتدريب النماذج بكفاءة أكبر.

يدعم SageMaker أطر عمل وبنى نماذج متعددة تُستخدم عادة في تطبيقات الرؤية الصناعية.

تشمل البنى العصبية الشائعة:

• ResNet
• U-Net
• YOLO
• EfficientNet
• Faster R-CNN
• Mask R-CNN

كل بنية تقدم مقايضات مختلفة بين الدقة ومتطلبات الحوسبة وسرعة الاستدلال.

غالبًا ما يقوم المهندسون الصناعيون بتقييم عدة بنى قبل اختيار النموذج الأمثل للنشر في الإنتاج.

نشر النماذج مع مراعاة الأجهزة

واحدة من أكبر التحديات في مشاريع الذكاء الصناعي هي نقل النماذج المدربة في السحابة إلى أجهزة الحافة ذات الموارد المحدودة.

قد يواجه النموذج الذي يعمل بشكل ممتاز على GPU في السحابة صعوبة عند نشره على بوابة صناعية أو معالج مدمج.

يوفر SageMaker أدوات تساعد في تحسين النماذج لمنصات الأجهزة المستهدفة.

تعمل هذه العملية على تقليل متطلبات الذاكرة، وتحسين سرعة الاستدلال، وتقليل استهلاك الطاقة مع الحفاظ على دقة مقبولة.

تصبح هذه القدرات مهمة بشكل خاص في بيئات التصنيع واسعة النطاق حيث قد تعمل مئات أو آلاف الأجهزة على الحافة في نفس الوقت.

في الجزء الثاني، سنستعرض كيف ينشر AWS IoT Greengrass هذه النماذج ويديرها على الحافة الصناعية، ونستكشف سير عمل اكتشاف العيوب من السحابة إلى الحافة، ونناقش بنى التنفيذ العملية، ونراجع حالات استخدام حقيقية في التصنيع تشمل PLCs وأنظمة SCADA ومنصات DCS وبرامج الجودة التنبؤية.

جلب نماذج التعلم الآلي إلى أرض المصنع باستخدام AWS IoT Greengrass

تدريب نموذج التعلم الآلي هو جزء فقط من الرحلة. يحتاج المصنعون في النهاية إلى طريقة عملية لنشر هذه النماذج وإدارتها ومراقبتها وتحديثها عبر مرافق الإنتاج. هنا يصبح AWS IoT Greengrass مكونًا حيويًا في البنية التحتية.

يعمل AWS IoT Greengrass كبيئة تشغيل على الحافة تتيح للبرمجيات ونماذج التعلم الآلي وتطبيقات الأتمتة العمل مباشرة على الأجهزة الصناعية. بدلاً من الاعتماد على الاتصال المستمر بالسحابة، يسمح Greengrass بالتنفيذ المحلي لأعباء الاستدلال مع الحفاظ على التزامن مع خدمات السحابة المركزية.

بالنسبة لمرافق التصنيع، يوفر هذا الهيكل توازنًا بين قابلية التوسع السحابية والاستجابة المحلية.

يمكن لمعدات الإنتاج الاستمرار في العمل حتى أثناء انقطاعات الشبكة المؤقتة. تظل قرارات فحص الجودة متاحة في الوقت الحقيقي، ويمكن مزامنة البيانات التشغيلية مع أنظمة السحابة بمجرد استعادة الاتصال.

تعد هذه القدرة ذات قيمة خاصة في البيئات الصناعية الكبيرة حيث قد تعمل خطوط الإنتاج عبر مبانٍ متعددة، أو منشآت بعيدة، أو مواقع تصنيع موزعة جغرافيًا.

الشكل 2. يتيح AWS IoT Greengrass استدلال التعلم الآلي مباشرة على أجهزة الحافة الصناعية مع الحفاظ على التكامل مع السحابة.

بناء خط أنابيب للكشف عن العيوب الصناعية من السحابة إلى الحافة

تتطلب أنظمة الكشف عن العيوب الناجحة أكثر من شبكة عصبية مدربة. يجب على المصنعين إنشاء دورة حياة كاملة تدير جمع البيانات، وتطوير النموذج، والنشر، والمراقبة، والتحسين المستمر.

عادةً ما يتبع هيكل فحص حديث من السحابة إلى الحافة عدة مراحل.

المرحلة 1: الحصول على الصور

تبدأ العملية بجمع الصور.

تلتقط الكاميرات الصناعية المنتجات أثناء تحركها عبر معدات الإنتاج، أو الناقلات، أو محطات العمل الروبوتية، أو خلايا التجميع. يعتمد اختيار الكاميرا على متطلبات التطبيق وقد يشمل:

• كاميرات المسح المساحية
• كاميرات المسح الخطي
• كاميرات الرؤية ثلاثية الأبعاد
• أنظمة التصوير الحراري
• أجهزة استشعار التصوير الطيفي الفائق

تصميم الإضاءة المناسب مهم بنفس القدر. حتى النماذج المتقدمة للتعلم الآلي تواجه صعوبة عندما تكون جودة الصورة غير متسقة.

تشمل عمليات النشر الناجحة غالبًا بيئات إضاءة محكمة تقلل من الظلال والانعكاسات وتغيرات الضوء المحيط.

المرحلة 2: تصنيف البيانات والتعليق التوضيحي

بمجرد جمع الصور، يقوم المهندسون بإنشاء مجموعات بيانات التدريب.

يجب أن تمثل الصور بدقة كل من ظروف التشغيل العادية والعيوب. كثير من المؤسسات تقلل من أهمية هذه المرحلة في البداية. في الواقع، غالبًا ما تحدد جودة مجموعة البيانات نجاح المشروع أكثر من اختيار النموذج.

يجب على المصنعين جمع عينات من نوبات إنتاج متعددة، وحالات المعدات، ودفعات المواد الخام، والسيناريوهات البيئية.

تساعد هذه التنوعات في ضمان متانة النموذج بعد النشر.

المرحلة 3: تدريب النموذج في SageMaker

يتم التدريب داخل Amazon SageMaker باستخدام موارد الحوسبة السحابية.

يقوم المهندسون بتقييم عدة هياكل وتحسين المعاملات الفائقة لتحسين الأداء.

تشمل أهداف التحسين النموذجية:

• دقة كشف أعلى
• انخفاض السلبيات الكاذبة
• انخفاض الإيجابيات الكاذبة
• سرعة استدلال أسرع
• استخدام أقل للذاكرة

غالبًا ما تعطي بيئات التصنيع الأولوية للموثوقية على تحسينات الدقة الطفيفة. قد يتفوق نموذج بدقة أقل قليلاً ولكن بسلوك متوقع للغاية على نموذج نظريًا أفضل في ظروف الإنتاج الحقيقية.

المرحلة 4: نشر الحافة

بعد التحقق، يقوم SageMaker بتعبئة النموذج للنشر.

يوزع Greengrass النموذج إلى أجهزة الحافة حيث يحدث الاستدلال المحلي.

اعتمادًا على التطبيق، قد تشمل أهداف النشر:

• أجهزة الكمبيوتر الصناعية
• بوابات الذكاء الاصطناعي المدمجة
• وحدات تحكم الحافة المعتمدة على ARM
• خوادم الحافة المدعومة بوحدات معالجة الرسوميات
• أجهزة الكمبيوتر الصناعية المدمجة في أنظمة الرؤية الآلية

يتم تنفيذ الاستدلال محليًا، مما يوفر نتائج الفحص خلال أجزاء من الثانية.

المرحلة 5: التحسين المستمر

ربما يكون الجانب الأقوى في هذا الهيكل هو حلقة التغذية الراجعة.

يمكن لأجهزة الحافة تحميل الصور المختارة والقياسات التشغيلية إلى السحابة. يراجع المهندسون الحالات الصعبة، ويصنفون البيانات الجديدة، ويعيدون تدريب النماذج، وينشرون الإصدارات المحدثة.

يخلق هذا نظام فحص يتحسن باستمرار ويتكيف مع ظروف الإنتاج المتغيرة.

تكامل الأتمتة الصناعية يتجاوز الرؤية الآلية

تقدم أنظمة كشف العيوب أكبر قيمة عند دمجها مع بنية الأتمتة القائمة.

توفر الكاميرا المستقلة التي تحدد العيوب فقط فائدة تشغيلية محدودة. يربط المصنعون الحديثون أنظمة الفحص مباشرةً بضوابط الإنتاج بشكل متزايد.

على سبيل المثال، يمكن لنتيجة الفحص أن تطلق تلقائيًا:

• آليات رفض المنتج
• أنظمة الفرز الروبوتية
• إشعارات الإنذار
• تباطؤ خطوط الإنتاج
• أوامر صيانة العمل
• أنظمة تقارير الجودة

تحقق العديد من المنشآت هذا التكامل من خلال بروتوكولات الاتصال الصناعية مثل EtherNet/IP وPROFINET وModbus TCP وOPC UA وMQTT.

يصبح نظام الرؤية الآلية عقدة ذكية أخرى ضمن نظام الأتمتة الأوسع.

غالبًا ما تدمج المؤسسات التي تشغل منصات PLC الحديثة نتائج الفحص مباشرة في منطق التحكم. يمكن للأنظمة المبنية حول وحدات تحكم Allen-Bradley ControlLogix وSiemens SIMATIC S7 وABB AC 800M وSchneider Modicon أو Mitsubishi MELSEC استهلاك بيانات العيوب وإطلاق استجابات آلية.

غالبًا ما تقوم المنشآت التي تقيّم ترقيات وحدات التحكم أو مشاريع التوسع بمراجعة الأجهزة المتاحة ضمن فئة أنظمة PLC وPAC لدعم مبادرات الذكاء الصناعي المستقبلية.

كشف العيوب في بيئات التصنيع عالية السرعة

ليست كل بيئة تصنيع تقدم نفس المتطلبات.

يجب أن تتماشى استراتيجيات الفحص مع سرعة الإنتاج وتعقيد المنتج وأهداف العمل.

تصنيع الإلكترونيات

غالبًا ما تتضمن إنتاج الإلكترونيات عيوبًا صغيرة جدًا يصعب على المشغلين البشريين تحديدها باستمرار.

يمكن لأنظمة التعلم الآلي فحص:

• وصلات اللحام
• مسارات لوحة الدوائر المطبوعة
• موضع الموصل
• اتجاه المكونات
• تلوث السطح

نظرًا لأن حجم الإنتاج مرتفع، يمكن حتى للتحسينات الصغيرة في دقة الكشف أن تحقق وفورات كبيرة في التكاليف.

تصنيع السيارات

تنشر مصانع السيارات غالبًا أنظمة الرؤية الآلية عبر تجميع الهيكل، والطلاء، وإنتاج مجموعة نقل الحركة، وعمليات التجميع النهائية.

قد تكشف أنظمة الفحص عن:

• عيوب الطلاء
• مشاكل جودة اللحام
• البراغي المفقودة
• محاذاة المكونات بشكل غير صحيح
• عيوب السطح

تصبح المعالجة القائمة على الحافة مهمة بشكل خاص لأن خطوط الإنتاج تعمل بسرعات عالية ولا يمكنها تحمل تأخير مفرط.

معالجة الأغذية والمشروبات

غالبًا ما يستخدم مصنعو الأغذية الرؤية الآلية لتحديد عيوب التعبئة، ومشاكل الوسم، ومخاطر التلوث، وتناقضات مستوى التعبئة.

يساعد اتخاذ القرار المحلي السريع في منع وصول المنتجات المعيبة إلى عمليات التعبئة والتوزيع اللاحقة.

إنتاج الأدوية

تتطلب الصناعات المنظمة أنظمة فحص عالية الموثوقية.

يمكن لنماذج التعلم الآلي دعم أنشطة التحقق من خلال اكتشاف عيوب التعبئة، وأخطاء الوسم، وتلوث القوارير، وتناقضات المنتج مع الحفاظ على سجلات تدقيق مفصلة.

الذكاء الاصطناعي على الحافة وإدارة الجودة التنبؤية

تبدأ العديد من المنظمات بنشر أنظمة الرؤية الآلية فقط لفحص النجاح/الفشل. ومع مرور الوقت، غالبًا ما يكتشف المصنعون فرصة أكبر بكثير.

تحتوي بيانات العيوب على معلومات قيمة حول أداء العملية.

من خلال تحليل الاتجاهات في حدوث العيوب، يمكن للمصنعين تحديد مشكلات الإنتاج الناشئة قبل أن تتدهور مستويات الجودة بشكل كبير.

يُطلق على هذا المفهوم أحيانًا اسم الجودة التنبؤية.

على سبيل المثال، قد يشير ازدياد عيوب الخدوش إلى تآكل الأدوات. قد يشير تزايد الانحرافات الأبعادية إلى انحراف المعايرة. قد تكشف مشاكل تشطيب السطح عن مشكلات في معدات المعالجة السابقة.

عند دمجها مع أنظمة المراقبة الصناعية، تصبح بيانات اكتشاف العيوب مصدرًا إضافيًا للمعلومات التشغيلية.

غالبًا ما تجمع المنظمات المسؤولة عن موثوقية الآلات الدوارة بين مراقبة الجودة وتحليل الاهتزاز ومنصات مراقبة حالة الأصول. في هذه البيئات، غالبًا ما تكمل حلول صحة الآلات مثل تلك الموجودة ضمن محفظة مراقبة الآلات المبادرات الأوسع للصيانة التنبؤية.

الاعتبارات المتعلقة بالعتاد لنشر الذكاء الاصطناعي الصناعي على الحافة

يظل اختيار منصة العتاد المناسبة أحد أهم قرارات التصميم في أي مشروع ذكاء اصطناعي على الحافة.

يعتمد العتاد المثالي على عدة عوامل:

• دقة الصورة
• سرعة الفحص
• تعقيد النموذج
• توفر الطاقة
• الظروف البيئية
• متطلبات القابلية للتوسع

تقوم المنشآت الصناعية بشكل متزايد بنشر معالجات تتضمن وحدات معالجة عصبية مخصصة (NPUs)، ومسرعات الرسوميات، ومحركات استدلال الذكاء الاصطناعي.

تحسن هذه القدرات بشكل كبير أداء التعلم الآلي مع تقليل استهلاك الطاقة.

توضح منصات مثل NXP i.MX 8M Plus كيف يستمر تطور الأجهزة المدمجة خصيصًا لدعم أحمال عمل الذكاء الصناعي الصناعي.

مع توسع اعتماد الذكاء الاصطناعي، يصبح تحسين الأجهزة أكثر أهمية لأن المصنعين يجب أن يوازنوا بين الأداء ودعم دورة الحياة والأمن السيبراني والتكلفة الإجمالية للملكية.

الاعتبارات الأمنية لأنظمة الفحص المتصلة

كل جهاز صناعي متصل يقدم مخاطر أمن سيبراني محتملة.

أنظمة الرؤية الآلية ليست استثناءً.

يجب على المؤسسات التي تنفذ هياكل فحص متصلة بالسحابة وضع سياسات أمن سيبراني واضحة تغطي:

• إدارة الهوية
• مصادقة الأجهزة
• الاتصالات المشفرة
• تقسيم الشبكة
• تصحيح البرمجيات
• سياسات التحكم في الوصول

يطبق العديد من المصنعين هذه المبادئ بالفعل في بيئات التشغيل التقنية الخاصة بهم، بما في ذلك شبكات PLC وأنظمة SCADA وأنظمة التحكم الموزعة وسجلات الصناعة.

يجب أن تتبع بنية التعلم الآلي نفس إطار عمل الأمن السيبراني.

ربط أنظمة اكتشاف العيوب مع SCADA وMES وعمليات المصنع الشاملة

يقوم العديد من المصنعين في البداية بنشر أنظمة الرؤية الآلية كنقاط فحص مستقلة. بينما يمكن لهذا النهج تحسين مراقبة الجودة، تظهر القيمة الحقيقية للذكاء الصناعي عندما تصبح بيانات الفحص جزءًا من نظام تشغيلي أكبر.

تتصل مرافق التصنيع الحديثة بشكل متزايد بأنظمة الجودة مع منصات التحكم الإشرافي وجمع البيانات (SCADA)، وأنظمة تنفيذ التصنيع (MES)، وأدوات تقارير المؤسسات، وسجلات المصنع. يحول هذا التكامل اكتشاف العيوب من وظيفة جودة تفاعلية إلى منصة ذكاء تشغيلي استباقي.

عندما يكتشف نظام الرؤية الآلية عيبًا، يمكن توزيع المعلومات في جميع أنحاء المصنع في الوقت الفعلي. يمكن للمشرفين على الإنتاج مراقبة اتجاهات الجودة عبر لوحات تحكم SCADA، ويمكن لفرق الصيانة تلقي إشعارات تلقائية، ويمكن لمهندسي العمليات ربط العيوب بمعلمات الماكينة أو الظروف البيئية أو تغييرات المواد الخام.

على سبيل المثال، قد تكتشف منشأة التعبئة أن أخطاء وضع الملصقات تزداد كلما تجاوزت سرعة الناقل حدًا معينًا. قد يحدد مصنع سيارات علاقة بين عيوب اللحام وانحراف معايرة الروبوت. قد تربط منشأة أدوية الشذوذ في التعبئة بإعدادات معدات محددة أو دفعات إنتاج معينة.

بدون التكامل، غالبًا ما تبقى هذه الرؤى مخفية داخل أنظمة الفحص المعزولة.

تستخدم العديد من المؤسسات بروتوكول OPC UA كطبقة الاتصال الأساسية بين منصات الرؤية الآلية وبرامج الصناعة العليا. كما يزداد استخدام MQTT بسبب هيكليته الخفيفة وملاءمته لتطبيقات الإنترنت الصناعي للأشياء (IIoT).

مع استمرار المصنعين في متابعة مبادرات الصناعة 4.0، تتطور أنظمة الكشف عن العيوب لتصبح مصادر بيانات استراتيجية تدعم اتخاذ القرار على مستوى المؤسسة.

الذكاء الاصطناعي السحابي مقابل الذكاء الاصطناعي على الحافة: لماذا تختار معظم المصانع النهج الهجين

تسأل المؤسسات الصناعية كثيرًا ما إذا كان يجب تشغيل تطبيقات التعلم الآلي بالكامل في السحابة أو بالكامل على الحافة. في الواقع، تستخدم الغالبية العظمى من عمليات النشر الناجحة هيكلًا هجينًا يجمع بين نقاط القوة في كلا البيئتين.

تتفوق المنصات السحابية في تدريب النماذج، وتخزين البيانات على نطاق واسع، والإدارة المركزية، والتحليلات طويلة الأمد. غالبًا ما يتطلب تدريب نماذج التعلم العميق موارد حوسبة كبيرة يصعب نشرها مباشرة على معدات المصنع.

من ناحية أخرى، توفر أنظمة الحافة الاستجابة المطلوبة للعمليات الصناعية. غالبًا ما يجب أن تحدث قرارات الفحص في غضون ميلي ثانية. لا يمكن لخطوط الإنتاج الانتظار لاتصالات السحابة قبل تحديد ما إذا كان المنتج يمر بالفحص.

تخيل خط تجميع إلكترونيات ينتج آلاف لوحات الدوائر المطبوعة كل ساعة. قد تولد كاميرات الفحص عالية الدقة تيرابايتات من بيانات الصور خلال فترة إنتاج واحدة. إرسال كل صورة إلى منصة سحابية بعيدة سيزيد من متطلبات النطاق الترددي ويخلق تأخيرًا غير ضروري.

من خلال معالجة الصور محليًا، يتم نقل المعلومات ذات الصلة فقط إلى السحابة. هذا يقلل بشكل كبير من عبء الاتصال مع الحفاظ على الأداء في الوقت الحقيقي.

يتبع الهيكل الهجين النموذجي سير عمل بسيط:

• تدرب البنية التحتية السحابية النماذج وتتحقق من صحتها.
• يقوم SageMaker بتحسين النماذج للنشر.
• توزع AWS IoT Greengrass النماذج على أجهزة الحافة.
• تقوم أجهزة الحافة بإجراء الاستدلال محليًا.
• تُعاد نتائج الفحص المختارة إلى السحابة.
• يقوم المهندسون بإعادة تدريب وتحسين النماذج باستخدام بيانات جديدة.

تمكن حلقة التغذية الراجعة هذه من التحسين المستمر دون التضحية بأداء الإنتاج.

يدعم النموذج الهجين أيضًا عمليات التصنيع متعددة المواقع حيث تدير فرق الهندسة المركزية أصول التعلم الآلي عبر العديد من المنشآت.

تطبيقات التصنيع الواقعية للكشف عن العيوب على الحافة

على الرغم من وجود الرؤية الآلية لعقود، فإن التقدمات الحديثة في التعلم الآلي وسعت نطاق تطبيقات الفحص التي يمكن للمصنعين أتمتتها.

فحص هيكل السيارات

يجب على مصنعي السيارات الحفاظ على معايير صارمة للجماليات والأبعاد. حتى العيوب الطفيفة في الطلاء أو عدم انتظام السطح يمكن أن تؤدي إلى أنشطة إعادة عمل مكلفة.

يمكن لأنظمة التعلم الآلي تحديد العيوب الطفيفة في الطلاء، والخدوش، والنتوءات، وعدم اتساق الطلاء التي قد تتجاهلها طرق الفحص التقليدية.

من خلال إجراء الاستدلال مباشرة على الحافة، يمكن للمصنعين رفض المكونات المعيبة قبل انتقالها إلى عمليات التجميع اللاحقة.

تصنيع أشباه الموصلات

يقدم تصنيع أشباه الموصلات بعضًا من أكثر متطلبات الفحص تحديًا في الصناعة الحديثة. يمكن أن تؤثر العيوب التي تُقاس بالميكرونات على أداء المنتج والعائد.

تساعد نماذج التعلم الآلي المتقدمة في تحديد تلوث الرقائق، وعيوب الطباعة الحجرية، والشذوذات في العمليات التي قد يصعب اكتشافها باستخدام خوارزميات الرؤية التقليدية.

نظرًا لأن مرافق أشباه الموصلات تولد كميات هائلة من بيانات الصور، يساعد المعالجة على الحافة في تقليل ازدحام الشبكة مع الحفاظ على معدل الفحص.

التحقق من تعبئة الأغذية

يواجه مصنعو الأغذية والمشروبات ضغوطًا متزايدة لضمان جودة التعبئة والتغليف، والتتبع، والامتثال التنظيمي.

يمكن لأنظمة التعلم الآلي التحقق من:

• دقة الملصقات
• تواريخ الانتهاء
• سلامة الختم
• أبعاد العبوة
• مستويات التعبئة
• اتجاه المنتج

تحدث هذه الفحوصات باستمرار بسرعات إنتاجية يصعب على المشغلين اليدويين الحفاظ عليها.

تصنيع البطاريات

زاد النمو السريع في إنتاج السيارات الكهربائية الطلب على تقنيات فحص البطاريات المتقدمة.

يستخدم المصنعون الرؤية الآلية والتعلم الآلي لاكتشاف عيوب الأقطاب، وعدم اتساق الطلاء، والتلوث، ومشاكل التجميع طوال عمليات إنتاج البطاريات.

نظرًا لأن عيوب البطاريات يمكن أن تؤثر على الأداء والسلامة، تظل دقة الفحص هدفًا تشغيليًا حاسمًا.

بناء مجموعات بيانات أفضل للتعلم الآلي الصناعي

تركز العديد من المؤسسات بشكل كبير على اختيار النموذج مع تجاهل أهمية تطوير مجموعة البيانات. في الواقع، غالبًا ما يكون لجودة بيانات التدريب تأثير أكبر على نجاح المشروع من بنية الشبكة العصبية المستخدمة.

يمكن لنموذج التعلم الآلي أن يتعلم فقط من المعلومات المتاحة في مجموعة بيانات التدريب الخاصة به. إذا كانت سيناريوهات العيوب الحرجة غائبة، فقد يواجه النموذج صعوبة عندما تظهر تلك الظروف في الإنتاج.

تتضمن مجموعات البيانات الصناعية الناجحة عادةً:

• عينات الإنتاج العادية
• حالات العيوب النادرة
• بيئات الإضاءة المتعددة
• فترات الإنتاج المختلفة
• التغيرات الموسمية
• ظروف تآكل المعدات
• تغيرات المواد الخام
• تغييرات العمليات المتعلقة بالصيانة

يجب على المصنعين أيضًا توسيع مجموعات البيانات باستمرار بعد النشر.

أحد مزايا نظام SageMaker وGreengrass هو قدرته على إنشاء آلية تغذية راجعة بين عمليات الإنتاج وفرق تطوير النماذج. يمكن مراجعة حالات الفحص الصعبة، وإعادة تصنيفها، ودمجها في دورات التدريب المستقبلية.

تعمل هذه العملية على تحسين أداء النموذج تدريجيًا مع تقليل الإيجابيات الكاذبة والسلبيات الكاذبة.

تحقق المؤسسات التي تتعامل مع التعلم الآلي كقدرة تشغيلية مستمرة بدلاً من مشروع لمرة واحدة أفضل النتائج على المدى الطويل عمومًا.

ستصبح الذكاء الصناعي الصناعي أداة قياسية للجودة

يتقارب التعلم الآلي، والحوسبة الطرفية، والأتمتة الصناعية بسرعة. ما كان يُعتبر تقنية تجريبية أصبح أداة عملية لتحسين الجودة، وتقليل الهدر، وزيادة الكفاءة التشغيلية.

مع تزايد قوة أجهزة الحوسبة وسهولة نشر أُطُر التعلم الآلي، يمكن للمصنعين من جميع الأحجام الاستفادة من أنظمة اكتشاف العيوب المتقدمة.

توفر منصات مثل Amazon SageMaker وAWS IoT Greengrass البنية التحتية اللازمة لنقل التعلم الآلي من بيئات البحث إلى مرافق الإنتاج الحقيقية.

لن تقتصر أنجح عمليات النشر على تحديد المنتجات المعيبة فقط، بل ستساعد المصنعين على فهم أسباب حدوث العيوب، والتنبؤ بمشكلات الجودة قبل تفاقمها، وتحسين عمليات الإنتاج بشكل مستمر.

في السنوات القادمة، من المرجح أن تصبح رؤية الآلة القائمة على الحافة شائعة في خطوط الإنتاج كما هي وحدات التحكم المنطقية القابلة للبرمجة (PLCs)، وواجهات المستخدم البشرية (HMIs)، والشبكات الصناعية، وأنظمة SCADA اليوم. ستتمكن المنشآت التي تبدأ في بناء هذه القدرات الآن من تحسين الجودة، وتعظيم العائد، والمنافسة في أسواق التصنيع التي تعتمد بشكل متزايد على البيانات.

مستقبل اكتشاف العيوب الصناعية

يستمر اكتشاف العيوب الصناعية في التطور من تحليل الصور البسيط نحو أنظمة جودة ذكية وتكيفية.

تمكّن التقدمات في التعلم الآلي، والحوسبة الطرفية، والشبكات الصناعية، والبنية التحتية السحابية المصنعين من فحص المنتجات بسرعة ودقة أكبر من أي وقت مضى.

تساعد تقنيات مثل Amazon SageMaker وAWS IoT Greengrass في سد الفجوة بين تطوير النماذج السحابية ونشرها في المصانع الواقعية. معًا، توفر للمصنعين أدوات لبناء أنظمة تفتيش قابلة للتوسع يمكنها التعلم من البيانات التشغيلية والتحسن المستمر مع مرور الوقت.

مع سعي المؤسسات الصناعية لمبادرات التحول الرقمي، سيصبح اكتشاف العيوب جزءًا متزايدًا من استراتيجيات التصنيع الذكي الأوسع التي تجمع بين رؤية الآلة، والصيانة التنبؤية، وتحسين العمليات، والتحليلات التشغيلية.

النتيجة ليست مجرد تحسين جودة التحكم. بل هي بيئة إنتاج أكثر ذكاءً حيث تحدث القرارات المعتمدة على البيانات عند الحافة، بالقرب من المعدات والمنتجات والعمليات التي تولد القيمة.