الرؤية الحاسوبية الصناعية: استخدام الذكاء الاصطناعي الطرفي لاكتشاف العيوب في الوقت الفعلي

يمثّل AWS IoT Greengrass وAmazon SageMaker أحد الأساليب لنشر نماذج التعلّم الآلي عند الحافة الصناعية. إلا أن الاتجاه الأوسع يمتد إلى ما هو أبعد بكثير من منظومة مورّد واحد. ويتبنى المصنّعون في قطاعات السيارات وأشباه الموصلات وتصنيع الأغذية والصناعات التحويلية اعتماد الذكاء الاصطناعي الطرفي وتقنيات الرؤية الآلية بصورة متزايدة لتحسين فحص الجودة واكتشاف العيوب.

لماذا يتجه اكتشاف عيوب التصنيع نحو الحافة

يواصل المصنّعون السعي إلى تحقيق جودة أعلى للمنتجات، وخفض تكاليف التشغيل، وزيادة كفاءة الإنتاج. ومع ازدياد سرعة خطوط الإنتاج واعتمادها على الأتمتة، تجد أساليب الفحص التقليدية صعوبة في مواكبة متطلبات معدلات الإنتاج الحديثة. ولا يزال الفحص البشري ذا قيمة في العديد من الصناعات، لكنه غالبًا ما يؤدي إلى تفاوت في النتائج، وأخطاء مرتبطة بالإرهاق، وقيود في قابلية التوسع.

في الوقت نفسه، تُنتج المنشآت الصناعية الآن كميات هائلة من البيانات التشغيلية عبر المستشعرات والكاميرات ووحدات التحكم والأجهزة المتصلة. وتتيح مصادر البيانات هذه فرصًا للتحليلات المتقدمة وتطبيقات التعلّم الآلي التي يمكنها تحديد مشكلات الجودة قبل وصول المنتجات إلى العملاء بوقت طويل.

يتمثل أحد أهم التطورات في السنوات الأخيرة في نشر نماذج التعلّم الآلي مباشرةً عند الحافة الصناعية. فبدلًا من إرسال كل صورة إلى منصة سحابية بعيدة لتحليلها، يمكن للمصنّعين اكتشاف العيوب محليًا على أجهزة كمبيوتر صناعية ومعالجات مضمّنة وبوابات طرفية مثبّتة بالقرب من معدات الإنتاج.

يقلّل هذا النهج زمن الاستجابة بشكل كبير، مع تحسين سرعة استجابة النظام. ويمكن لمعدات الإنتاج أن تتفاعل فورًا مع العيوب المكتشفة، أو ترفض المنتجات غير المطابقة، أو تطلق الإنذارات، أو تبدأ الإجراءات التصحيحية من دون انتظار المعالجة السحابية.

تظل المنصات السحابية ضرورية لتدريب نماذج التعلّم الآلي وإدارتها وتحسينها. ومع ذلك، تتيح الحوسبة الطرفية للمصانع تنفيذ الاستدلال في الوقت الفعلي حيث تُنشأ البيانات. وقد أصبح هذا الجمع بين ذكاء السحابة والتنفيذ الطرفي بنيةً قوية للأتمتة الصناعية.

من بين التقنيات الرائدة الداعمة لهذه البنية Amazon SageMaker وAWS IoT Greengrass. توفّر هاتان المنصتان معًا إطارًا لبناء نماذج تعلّم آلي تُستخدم في تطبيقات اكتشاف عيوب التصنيع، ونشرها ومراقبتها وتحسينها باستمرار.

الشكل 1. تُمكّن أنظمة الرؤية الآلية المؤتمتة من إجراء فحص عالي السرعة للجودة في بيئات التصنيع الحديثة.

فهم تحدّي اكتشاف العيوب الصناعية

يبدو اكتشاف العيوب سهلًا للوهلة الأولى. تلتقط الكاميرا صورة، ويقيّم البرنامج المنتج، ويحدد النظام ما إذا كان المنتج قد اجتاز الفحص. إلا أن بيئات الفحص الصناعي تطرح في الواقع العديد من التحديات التقنية.

تتحرك المنتجات بسرعات متفاوتة. وتتغير ظروف الإضاءة على مدار اليوم. وقد تعكس مواد السطح الضوء بطرق مختلفة. ويمكن لتفاوتات الإنتاج أن تُحدث اختلافات طفيفة بين المنتجات المقبولة. كما قد يزيد الغبار والاهتزاز وتقلبات درجات الحرارة والظروف البيئية من تعقيد عملية الحصول على الصور.

لذلك، يتعين على المصنّعين تطوير أنظمة فحص قادرة على التمييز بين التفاوت الطبيعي في الإنتاج والعيوب الفعلية.

تشمل عيوب التصنيع الشائعة ما يلي:

• خدوش السطح
• تشققات وكسور
• مكوّنات مفقودة
• أخطاء التجميع
• لحامات غير سليمة
• عيوب الطلاء
• الفقاعات والفراغات
• انحرافات الأبعاد
• عيوب التغليف
• أخطاء وضع الملصقات

في صناعات مثل تصنيع السيارات، وتصنيع أشباه الموصلات، والصناعات الدوائية، وتصنيع الأغذية، وتجميع الإلكترونيات، وإنتاج الطاقة، يؤثر اكتشاف العيوب مباشرةً في الربحية ورضا العملاء.

قد يؤدي عدم اكتشاف عيب إلى مطالبات بالضمان، أو حوادث تتعلق بالسلامة، أو سحب المنتجات، أو عقوبات تنظيمية، أو الإضرار بسمعة العلامة التجارية. وعلى العكس، قد تؤدي معايير الفحص المفرطة في التشدد إلى زيادة معدلات المنتجات التالفة وتقليل كفاءة الإنتاج.

يساعد التعلّم الآلي في معالجة هذه التحديات من خلال تعلّم الأنماط من مجموعات بيانات كبيرة بدلًا من الاعتماد حصريًا على قواعد فحص مبرمجة يدويًا.

تطورت الرؤية الآلية إلى ما يتجاوز الفحص التقليدي القائم على القواعد

تعتمد أنظمة الرؤية الآلية التقليدية بدرجة كبيرة على خوارزميات حتمية لمعالجة الصور. ويحدّد المهندسون يدويًا الحدودَ، ومعلمات اكتشاف الحواف، والقياسات الهندسية، وقواعد التعرّف على السمات.

تظل هذه الأساليب فعّالة للعديد من التطبيقات. إلا أن صيانتها تصبح أكثر صعوبة بمرور الوقت عندما تُظهر المنتجات تفاوتًا كبيرًا أو عندما تظهر العيوب بأشكال غير متوقعة.

تقدّم نماذج التعلّم الآلي الحديثة نهجًا مختلفًا جوهريًا.

بدلًا من تحديد كل قاعدة من قواعد الفحص يدويًا، يدرّب المهندسون النماذج باستخدام آلاف أو حتى ملايين الصور النموذجية. يتعلّم النظام الخصائص التي تميّز المنتجات المقبولة عن المنتجات المعيبة.

يتيح ذلك لأنظمة التعلّم الآلي اكتشاف أنماط دقيقة قد يصعب على خوارزميات الرؤية التقليدية تحديدها.

تظهر عدة أساليب للتعلّم الآلي شائعة الاستخدام في أنظمة الفحص الصناعي.

تصنيف الصور

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

على سبيل المثال، قد يصنّف النموذج المنتجات على النحو التالي:

• نجاح
• فشل
• تالف
• غير مكتمل
• غير محاذٍ

غالبًا ما يكون التصنيف أبسط نموذج للنشر، ويُعد نقطة انطلاق فعّالة للعديد من تطبيقات التصنيع.

اكتشاف الأجسام

يكمل اكتشاف الأجسام التصنيفَ من خلال تحديد وجود العيب وموقعه على حد سواء.

بدلًا من الإبلاغ ببساطة عن وجود عيب، يحدد النموذج موضع ظهور العيب داخل الصورة.

تتيح هذه القدرة لفرق الصيانة ومهندسي الجودة فهم مشكلات العمليات وأسبابها الجذرية بشكل أفضل.

التقسيم الدلالي

يوفر التقسيم الدلالي تحليلًا على مستوى البكسل.

يحصل كل بكسل على تصنيف، مما يتيح للنظام تحديد الحدود الدقيقة للعيب.

تكون نماذج التقسيم مفيدة بصفة خاصة عندما يحتاج المصنعون إلى معلومات تفصيلية عن أبعاد الشقوق أو مناطق التآكل أو عيوب الطلاء أو أوجه عدم اتساق المواد.

يمكن لتقنيات التقسيم المتقدمة دعم مبادرات الجودة التنبؤية، حيث تصبح أنماط نمو العيوب جزءًا من جهود أوسع لتحسين العمليات.

لماذا يُعد الذكاء الاصطناعي الطرفي مهمًا في الأتمتة الصناعية

لا تزال العديد من المنشآت الصناعية تعمل وفق متطلبات صارمة للموثوقية. وغالبًا ما تعمل خطوط الإنتاج بشكل متواصل لفترات طويلة، ولا يمكنها الاعتماد بالكامل على الاتصال بالسحابة.

يؤدي إرسال كل صورة فحص إلى خادم بعيد إلى عدة قيود:

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

لنفترض وجود مصنع لتعبئة الزجاجات ينتج آلاف العبوات في الدقيقة. قد تولّد الكاميرات عالية الدقة غيغابايت من بيانات الصور كل ساعة.

يصبح إرسال كل صورة إلى السحابة مكلفًا وغير ضروري.

وعوضًا عن ذلك، يتيح الاستدلال المعتمد على الحافة اتخاذ القرارات محليًا، مع إرسال المعلومات ذات الصلة فقط إلى الأنظمة المركزية.

تتوافق هذه البنية بشكل وثيق مع استراتيجيات الأتمتة الصناعية الحديثة، حيث تدمج أنظمة التكنولوجيا التشغيلية (OT) بشكل متزايد مع البنية التحتية لتكنولوجيا المعلومات (IT).

يمكن للذكاء الاصطناعي الصناعي الطرفي دعم العديد من بيئات الأتمتة، بما في ذلك:

• خطوط الإنتاج التي تتحكم فيها وحدات PLC
• مصانع العمليات المعتمدة على DCS
• أنظمة مراقبة SCADA
• شبكات مراقبة التوربينات
• آلات التغليف
• خلايا التجميع الروبوتية
• أنظمة أتمتة المستودعات

تُشغّل العديد من المنشآت بالفعل منصات أتمتة من مورّدين صناعيين رئيسيين. ويمكن لحلول الذكاء الاصطناعي الطرفي أن تتعايش مع أنظمة مثل Allen-Bradley ControlLogix وSiemens SIMATIC S7 وABB 800xA وHoneywell Experion PKS وEmerson DeltaV وYokogawa CENTUM VP.

في هذه البيئات، تصبح أنظمة الرؤية الآلية مصدرًا إضافيًا للذكاء التشغيلي الذي يدعم أهداف الإنتاج العامة.

دور Amazon SageMaker في تعلّم الآلة الصناعي

توفر Amazon SageMaker بيئة سحابية لبناء نماذج تعلّم الآلة وتدريبها وتحسينها ونشرها وإدارتها.

تتمثل إحدى مزاياها الأساسية في أنها تبسّط العديد من المهام المرتبطة تقليديًا بتطوير تعلّم الآلة.

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

في بيئة التصنيع، يمكن لـ SageMaker دعم دورة حياة تعلّم الآلة بأكملها.

جمع البيانات وإعدادها

تتمثل أساسيات أي مشروع ناجح لاكتشاف العيوب في مجموعة بيانات عالية الجودة.

يركّب المصنّعون عادةً كاميرات صناعية عند نقاط فحص استراتيجية على امتداد خطوط الإنتاج. وتلتقط هذه الكاميرات صورًا للمنتجات المطابقة والمعيبة على حد سواء.

بعد ذلك، يجب وضع علامات على الصور المُجمّعة وتنظيمها.

تؤثر دقة وضع العلامات مباشرةً في أداء النموذج. وغالبًا ما تؤدي مجموعات البيانات التي وُضعت لها علامات بشكل سيئ إلى نتائج إيجابية كاذبة وسلبية كاذبة أثناء النشر.

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

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

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

تدريب النماذج وتحسينها

يتطلب تدريب نماذج تعلّم الآلة موارد حوسبة كبيرة.

وهنا توفر البنية التحتية السحابية مزايا كبيرة.

بدلًا من الاستثمار في خوادم مخصصة للذكاء الاصطناعي داخل المنشأة، يمكن للمصنّعين الاستفادة من موارد سحابية قابلة للتوسع لتدريب النماذج بكفاءة أكبر.

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

تشمل بنى الشبكات العصبية الشائعة:

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

تقدم كل بنية مفاضلات مختلفة بين الدقة والمتطلبات الحاسوبية وسرعة الاستدلال.

غالبًا ما يقيّم المهندسون الصناعيون بنى متعددة قبل اختيار النموذج الأمثل للنشر في بيئة الإنتاج.

نشر النماذج مع مراعاة الأجهزة

يتمثل أحد أكبر التحديات في مشاريع الذكاء الاصطناعي الصناعية في نقل النماذج المدرَّبة سحابيًا إلى أجهزة طرفية محدودة الموارد.

قد يواجه نموذج يحقق أداءً استثنائيًا على وحدة معالجة رسومات سحابية صعوبة عند نشره على بوابة صناعية أو معالج مضمّن.

يوفّر SageMaker أدوات تساعد على تحسين النماذج لمنصات الأجهزة المستهدفة.

تقلل عملية التحسين هذه من متطلبات الذاكرة، وتحسّن سرعة الاستدلال، وتحد من استهلاك الطاقة، مع الحفاظ على دقة مقبولة.

تصبح هذه الإمكانات مهمة بشكل خاص في بيئات التصنيع واسعة النطاق، حيث قد تعمل مئات أو آلاف الأجهزة الطرفية في الوقت نفسه.

في الجزء الثاني، سن examine كيفية نشر AWS IoT Greengrass لهذه النماذج وإدارتها عند الحافة الصناعية، واستكشاف سير عمل اكتشاف العيوب من السحابة إلى الحافة، ومناقشة بنى التنفيذ العملية، واستعراض حالات استخدام واقعية في التصنيع تشمل وحدات التحكم المنطقية القابلة للبرمجة (PLCs) وأنظمة SCADA ومنصات DCS وبرامج الجودة التنبؤية.

نقل نماذج تعلّم الآلة إلى أرضية المصنع باستخدام AWS IoT Greengrass

لا يمثّل تدريب نموذج للتعلم الآلي سوى جزء من الرحلة. ويحتاج المصنّعون في نهاية المطاف إلى طريقة عملية لنشر هذه النماذج وإدارتها ومراقبتها وتحديثها عبر منشآت الإنتاج. وهنا تصبح AWS IoT Greengrass مكوّنًا بالغ الأهمية في البنية.

تعمل AWS IoT Greengrass كبيئة تشغيل للحافة، تتيح للبرامج ونماذج التعلم الآلي وتطبيقات الأتمتة العمل مباشرةً على الأجهزة الصناعية. وبدلاً من الاعتماد على اتصال مستمر بالسحابة، تتيح Greengrass تنفيذ أعباء عمل الاستدلال محليًا مع الحفاظ على المزامنة مع خدمات السحابة المركزية.

بالنسبة إلى منشآت التصنيع، توفر هذه البنية توازنًا بين قابلية التوسع السحابي وسرعة الاستجابة المحلية.

يمكن لمعدات الإنتاج مواصلة العمل حتى أثناء انقطاعات الشبكة المؤقتة. وتظل قرارات فحص الجودة متاحةً في الوقت الفعلي، كما يمكن مزامنة البيانات التشغيلية مع أنظمة السحابة بمجرد استعادة الاتصال.

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

الشكل 2. تتيح AWS IoT Greengrass إجراء الاستدلال بالتعلم الآلي مباشرةً على أجهزة الحافة الصناعية مع الحفاظ على التكامل مع السحابة.

بناء خط أنابيب للكشف عن العيوب الصناعية من السحابة إلى الحافة

تتطلب أنظمة الكشف الناجح عن العيوب أكثر من مجرد شبكة عصبية مدرَّبة. يجب على المصنّعين إنشاء دورة حياة متكاملة تدير اكتساب البيانات وتطوير النموذج ونشره ومراقبته وتحسينه المستمر.

تتبع بنية الفحص الحديثة من السحابة إلى الحافة عادةً عدة مراحل.

المرحلة 1: اكتساب الصور

تبدأ العملية بجمع الصور.

تلتقط الكاميرات الصناعية المنتجات أثناء تحركها عبر معدات الإنتاج أو السيور الناقلة أو محطات العمل الروبوتية أو خلايا التجميع. ويعتمد اختيار الكاميرا على متطلبات التطبيق، وقد يشمل ما يلي:

• كاميرات المسح المساحي
• كاميرات المسح الخطي
• كاميرات الرؤية ثلاثية الأبعاد
• أنظمة التصوير الحراري
• مستشعرات التصوير فائق الطيف

ويكتسب تصميم الإضاءة الملائم أهمية مماثلة. فحتى نماذج التعلم الآلي المتقدمة تواجه صعوبة عندما تكون جودة الصور غير متسقة.

غالبًا ما تتضمن عمليات النشر الناجحة بيئات إضاءة مضبوطة تقلل من الظلال والانعكاسات وتباينات الإضاءة المحيطة.

المرحلة 2: وسم البيانات وإضافة التعليقات التوضيحية

بعد جمع الصور، ينشئ المهندسون مجموعات بيانات التدريب.

يجب أن تمثّل الصور بدقة كلاً من ظروف التشغيل الطبيعية والظروف التي تتضمن عيوبًا. تقلّل مؤسسات كثيرة في البداية من أهمية هذه المرحلة. لكن في الواقع، غالبًا ما تحدد جودة مجموعة البيانات نجاح المشروع بدرجة أكبر من اختيار النموذج.

ينبغي للمصنّعين جمع عينات من نوبات إنتاج متعددة، وحالات مختلفة للمعدات، ودفعات متنوعة من المواد الخام، وسيناريوهات بيئية مختلفة.

يساعد هذا التنوع على ضمان متانة النموذج بعد نشره.

المرحلة 3: تدريب النموذج في SageMaker

يحدث التدريب ضمن Amazon SageMaker باستخدام موارد الحوسبة السحابية.

يقيّم المهندسون بنيات متعددة ويحسّنون المعلمات الفائقة لتحسين الأداء.

تشمل أهداف التحسين المعتادة ما يلي:

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

غالبًا ما تعطي بيئات التصنيع الأولوية للموثوقية على التحسينات الهامشية في الدقة. وقد يتفوق نموذج يتمتع بدقة أقل قليلًا لكن بسلوك قابل للتنبؤ بدرجة عالية على نموذج متفوق نظريًا في ظروف الإنتاج الفعلية.

المرحلة 4: النشر الطرفي

بعد التحقق، تقوم SageMaker بتجهيز النموذج للنشر.

توزّع Greengrass النموذج على الأجهزة الطرفية حيث يحدث الاستدلال المحلي.

اعتمادًا على التطبيق، قد تشمل أهداف النشر ما يلي:

• أجهزة كمبيوتر صناعية
• بوابات ذكاء اصطناعي مضمّنة
• وحدات تحكم طرفية مبنية على معمارية ARM
• خوادم طرفية مزودة بوحدات معالجة رسومات
• أجهزة الكمبيوتر الصناعية المدمجة في أنظمة الرؤية الآلية

تُنفَّذ عملية الاستدلال محليًا، مما يوفر نتائج الفحص خلال أجزاء من الألف من الثانية.

المرحلة 5: التحسين المستمر

ولعل أقوى جوانب هذه البنية هو حلقة التغذية الراجعة.

يمكن للأجهزة الطرفية رفع صور محددة ومقاييس تشغيلية إلى السحابة. ويراجع المهندسون الحالات الصعبة، ويضعون تسميات للبيانات الجديدة، ويعيدون تدريب النماذج، وينشرون الإصدارات المحدّثة.

ينشئ ذلك نظام فحص يتحسن باستمرار ويتكيف مع ظروف الإنتاج المتغيرة.

تكامل الأتمتة الصناعية بما يتجاوز الرؤية الآلية

تحقق أنظمة اكتشاف العيوب أكبر قيمة عند دمجها مع بنية الأتمتة الحالية.

توفر الكاميرا المستقلة التي تكتفي بتحديد العيوب فائدة تشغيلية محدودة. ويربط المصنعون العصريون أنظمة الفحص مباشرةً بعناصر التحكم في الإنتاج بشكل متزايد.

على سبيل المثال، يمكن لنتيجة الفحص أن تشغّل تلقائيًا:

• آليات رفض المنتجات
• أنظمة الفرز الروبوتية
• إشعارات الإنذار
• إبطاء خطوط الإنتاج
• أوامر صيانة العمل
• أنظمة إعداد 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 منظومة الأتمتة الأوسع.

غالبًا ما تدمج المؤسسات التي تشغّل منصات PLC حديثة نتائج الفحص مباشرةً في منطق التحكم. ويمكن للأنظمة المبنية على وحدات التحكم Allen-Bradley ControlLogix أو Siemens SIMATIC S7 أو ABB AC 800M أو Schneider Modicon أو Mitsubishi MELSEC استهلاك بيانات العيوب وتشغيل استجابات آلية.

غالبًا ما تراجع المنشآت التي تقيّم ترقيات وحدات التحكم أو مشروعات التوسعة الأجهزة المتاحة ضمن فئة أنظمة PLC وPAC لدعم مبادرات الذكاء الاصطناعي الصناعي المستقبلية.

اكتشاف العيوب في بيئات التصنيع عالية السرعة

لا تفرض جميع بيئات التصنيع المتطلبات نفسها.

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

تصنيع الإلكترونيات

غالبًا ما ينطوي إنتاج الإلكترونيات على عيوب صغيرة للغاية يصعب على المشغلين البشريين تحديدها باستمرار.

يمكن لأنظمة التعلم الآلي فحص ما يلي:

• وصلات اللحام
• مسارات لوحات الدوائر المطبوعة
• موضع الموصلات
• اتجاه المكونات
• تلوث الأسطح

نظرًا لارتفاع أحجام الإنتاج، يمكن حتى للتحسينات الصغيرة في دقة الاكتشاف أن تحقق وفورات كبيرة في التكاليف.

تصنيع السيارات

تنشر مصانع السيارات أنظمة الرؤية الآلية بصورة متكررة عبر عمليات تجميع الهيكل، والطلاء، وإنتاج مجموعة نقل الحركة، والتجميع النهائي.

قد تكتشف أنظمة الفحص ما يلي:

• عيوب الطلاء
• مشكلات جودة اللحام
• المثبتات المفقودة
• عدم محاذاة المكونات
• عيوب الأسطح

تصبح المعالجة القائمة على الحافة مهمة بصورة خاصة لأن خطوط الإنتاج تعمل بسرعات عالية ولا تتحمل زمن استجابة مفرطًا.

معالجة الأغذية والمشروبات

غالبًا ما يستخدم مصنعو الأغذية الرؤية الآلية لتحديد عيوب التغليف، ومشكلات وضع الملصقات، ومخاطر التلوث، وحالات عدم اتساق مستويات الملء.

يساعد اتخاذ القرارات محليًا وبسرعة على منع وصول المنتجات المعيبة إلى عمليات التغليف والتوزيع اللاحقة.

إنتاج المستحضرات الصيدلانية

تتطلب الصناعات الخاضعة للتنظيم أنظمة فحص عالية الموثوقية.

يمكن لنماذج التعلم الآلي دعم أنشطة التحقق من خلال اكتشاف عيوب التغليف، وأخطاء وضع الملصقات، وتلوث القوارير، وحالات عدم اتساق المنتجات، مع الاحتفاظ بسجلات تدقيق مفصلة.

الذكاء الاصطناعي الطرفي وإدارة الجودة التنبؤية

تنشر العديد من المؤسسات أنظمة الرؤية الآلية في البداية لفحص المطابقة أو عدم المطابقة فقط. ومع مرور الوقت، يكتشف المصنّعون غالبًا فرصة أكبر بكثير.

تحتوي بيانات العيوب على معلومات قيّمة حول أداء العمليات.

من خلال تحليل الاتجاهات في حدوث العيوب، يمكن للمصنّعين تحديد مشكلات الإنتاج الناشئة قبل أن تتدهور مستويات الجودة بدرجة كبيرة.

يُسمى هذا المفهوم أحيانًا الجودة التنبؤية.

فعلى سبيل المثال، قد تشير زيادة عيوب الخدوش إلى تآكل أدوات التشغيل. وقد يوحي تزايد الانحرافات البُعدية بانحراف المعايرة. كما قد تكشف مشكلات تشطيب الأسطح عن وجود خلل في معدات المعالجة السابقة.

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

غالبًا ما تجمع المؤسسات المسؤولة عن موثوقية الآلات الدوارة بين مراقبة الجودة ومنصات تحليل الاهتزازات ومراقبة حالة الأصول. في هذه البيئات، غالبًا ما تكمل حلول سلامة الآلات، مثل تلك الموجودة ضمن مجموعة مراقبة الآلات، مبادرات الصيانة التنبؤية الأوسع نطاقًا.

اعتبارات الأجهزة لنشر الذكاء الاصطناعي الطرفي الصناعي

يظل اختيار منصة الأجهزة المناسبة أحد أهم قرارات التصميم في أي مشروع للذكاء الاصطناعي الطرفي.

تعتمد الأجهزة المثالية على عدة عوامل:

• دقة الصورة
• سرعة الفحص
• تعقيد النموذج
• توافر الطاقة
• الظروف البيئية
• متطلبات قابلية التوسع

تنشر المنشآت الصناعية بشكل متزايد معالجات تتضمن وحدات معالجة عصبية مخصصة (NPUs)، ومسرّعات رسومية، ومحركات لاستدلال الذكاء الاصطناعي.

تحسّن هذه الإمكانات أداء التعلم الآلي بدرجة كبيرة، مع تقليل استهلاك الطاقة.

توضح منصات مثل NXP i.MX 8M Plus كيف تستمر الأجهزة المضمنة في التطور لدعم أعباء عمل الذكاء الاصطناعي الصناعي على نحو مخصص.

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

اعتبارات الأمن السيبراني لأنظمة الفحص المتصلة

يُدخل كل جهاز صناعي متصل مخاطر محتملة على الأمن السيبراني.

أنظمة الرؤية الآلية ليست استثناءً.

ينبغي للمؤسسات التي تنفذ معماريات فحص متصلة بالسحابة وضع سياسات واضحة للأمن السيبراني تشمل:

• إدارة الهويات
• مصادقة الأجهزة
• الاتصالات المشفّرة
• تقسيم الشبكة
• تصحيح البرامج
• سياسات التحكم في الوصول

يطبّق العديد من المصنعين هذه المبادئ بالفعل في بيئات التكنولوجيا التشغيلية (OT) لديهم، بما في ذلك شبكات PLC وأنظمة SCADA وأنظمة التحكم الموزعة وسجلات البيانات الصناعية.

ينبغي أن تتبع البنية التحتية للتعلم الآلي إطار الأمن السيبراني نفسه.

ربط أنظمة اكتشاف العيوب بأنظمة SCADA وMES والعمليات على مستوى المصنع

ينشر العديد من المصنعين أنظمة الرؤية الآلية في البداية كمحطات فحص مستقلة. ورغم أن هذا النهج يمكن أن يحسّن مراقبة الجودة، فإن القيمة الحقيقية للذكاء الاصطناعي الصناعي تظهر عندما تصبح بيانات الفحص جزءًا من منظومة تشغيلية أكبر.

تربط مرافق التصنيع الحديثة أنظمة الجودة بشكل متزايد بمنصات التحكم الإشرافي والحصول على البيانات (SCADA)، وأنظمة تنفيذ التصنيع (MES)، وأدوات إعداد تقارير المؤسسات، وسجلات بيانات المصنع. ويحوّل هذا التكامل اكتشاف العيوب من وظيفة جودة تفاعلية إلى منصة استباقية للاستخبارات التشغيلية.

عندما يحدد نظام الرؤية الآلية عيبًا، يمكن توزيع المعلومات في أنحاء المصنع في الوقت الفعلي. ويمكن لمشرفي الإنتاج مراقبة اتجاهات الجودة عبر لوحات معلومات SCADA، كما يمكن لفرق الصيانة تلقي إشعارات آلية، ويمكن لمهندسي العمليات ربط العيوب بمعلمات الآلة أو الظروف البيئية أو التغييرات في المواد الخام.

فعلى سبيل المثال، قد تكتشف منشأة تعبئة أن أخطاء وضع الملصقات تزداد كلما تجاوزت سرعة الناقل حدًا معينًا. وقد تحدد شركة تصنيع سيارات وجود ارتباط بين عيوب اللحام وانحراف معايرة الروبوت. كما قد تربط منشأة دوائية حالات الخلل في التغليف بإعدادات محددة للمعدات أو بدفعات إنتاج معينة.

من دون التكامل، غالبًا ما تظل هذه الرؤى مخفية داخل أنظمة الفحص المعزولة.

تستخدم العديد من المؤسسات OPC UA كطبقة الاتصال الأساسية بين منصات الرؤية الآلية والبرمجيات الصناعية ذات المستوى الأعلى. كما يزداد انتشار MQTT لأنه يتميز ببنية خفيفة وملاءمة لتطبيقات إنترنت الأشياء الصناعي (IIoT).

مع مواصلة المصنّعين السعي إلى مبادرات الصناعة 4.0، تتطور أنظمة كشف العيوب لتصبح مصادر بيانات استراتيجية تدعم اتخاذ القرارات على مستوى المؤسسة بأكملها.

الذكاء الاصطناعي السحابي مقابل الذكاء الاصطناعي الطرفي: لماذا تختار معظم المصانع نهجًا هجينًا

غالبًا ما تتساءل المؤسسات الصناعية عمّا إذا كان ينبغي تشغيل تطبيقات تعلّم الآلة بالكامل في السحابة أو بالكامل على الحافة. لكن في الواقع، تستخدم غالبية عمليات النشر الناجحة بنية هجينة تجمع بين نقاط قوة البيئتين.

تتفوق المنصات السحابية في تدريب النماذج، وتخزين البيانات على نطاق واسع، والإدارة المركزية، والتحليلات طويلة الأجل. وغالبًا ما يتطلب تدريب نماذج التعلّم العميق موارد حوسبة كبيرة، ويكون نشرها مباشرةً على معدات المصنع غير عملي.

أما أنظمة الحافة، فتوفّر الاستجابة المطلوبة للعمليات الصناعية. وغالبًا ما يجب اتخاذ قرارات الفحص خلال أجزاء من الألف من الثانية. ولا يمكن لخطوط الإنتاج الانتظار حتى تكتمل الاتصالات السحابية لتحديد ما إذا كان المنتج قد اجتاز الفحص.

تخيّل خط تجميع إلكترونيات ينتج آلاف لوحات الدوائر المطبوعة كل ساعة. قد تولّد كاميرات الفحص عالية الدقة تيرابايتات من بيانات الصور خلال وردية إنتاج واحدة. وسيؤدي إرسال كل صورة إلى منصة سحابية بعيدة إلى زيادة متطلبات النطاق الترددي والتسبب في زمن استجابة غير ضروري.

من خلال معالجة الصور محليًا، لا يلزم نقل سوى المعلومات ذات الصلة إلى السحابة. ويقلل ذلك بدرجة كبيرة من الحمل الزائد للاتصالات مع الحفاظ على الأداء في الوقت الفعلي.

تتبع البنية الهجينة النموذجية سير عمل مباشرًا:

• تدرّب البنية التحتية السحابية النماذج وتتحقق من صحتها.
• يُحسّن SageMaker النماذج للنشر.
• يوزّع AWS IoT Greengrass النماذج على أجهزة الحافة.
• تنفّذ أجهزة الحافة الاستدلال محليًا.
• تُرسل نتائج الفحص المحددة إلى السحابة.
• يعيد المهندسون تدريب النماذج ويحسّنونها باستخدام بيانات جديدة.

تتيح حلقة التغذية الراجعة هذه التحسين المستمر دون التضحية بأداء الإنتاج.

يدعم النموذج الهجين أيضًا عمليات التصنيع متعددة المواقع، حيث تدير فرق الهندسة المركزية أصول تعلّم الآلة عبر العديد من المنشآت.

التطبيقات الواقعية لكشف العيوب القائم على الحافة في التصنيع

على الرغم من وجود الرؤية الآلية منذ عقود، فقد وسّعت التطورات الحديثة في تعلّم الآلة نطاق تطبيقات الفحص التي يستطيع المصنّعون أتمتتها.

فحص هياكل السيارات

يجب على مصنّعي السيارات الحفاظ على معايير صارمة للمظهر والأبعاد. وحتى عيوب الطلاء الطفيفة أو عدم انتظام الأسطح قد يؤدي إلى عمليات إعادة عمل مكلفة.

يمكن لأنظمة تعلّم الآلة تحديد عيوب الطلاء الدقيقة، والخدوش، والانبعاجات، وحالات عدم اتساق الطلاء التي قد تتجاهلها طرق الفحص التقليدية.

من خلال إجراء الاستدلال مباشرةً على الحافة، يستطيع المصنّعون رفض المكوّنات المعيبة قبل انتقالها إلى عمليات التجميع اللاحقة.

تصنيع أشباه الموصلات

تفرض صناعة أشباه الموصلات بعضًا من أصعب متطلبات الفحص في الصناعة الحديثة. ويمكن للعيوب التي تُقاس بالميكرونات أن تؤثر في أداء المنتج ومردوده.

تساعد نماذج تعلّم الآلة المتقدمة على تحديد تلوث الرقائق، وعيوب الطباعة الحجرية، وشذوذ العمليات التي قد يصعب اكتشافها باستخدام خوارزميات الرؤية التقليدية.

نظرًا إلى أن منشآت تصنيع أشباه الموصلات تنتج كميات هائلة من بيانات الصور، تساعد المعالجة الطرفية على تقليل ازدحام الشبكة مع الحفاظ على معدل الفحص.

التحقق من تغليف الأغذية

تواجه شركات تصنيع الأغذية والمشروبات ضغوطًا متزايدة لضمان جودة التغليف، وإمكانية التتبع، والامتثال للمتطلبات التنظيمية.

يمكن لأنظمة تعلّم الآلة التحقق مما يلي:

• دقة الملصق
• تواريخ انتهاء الصلاحية
• سلامة الإغلاق
• أبعاد العبوة
• مستويات التعبئة
• اتجاه المنتج

تجري عمليات الفحص هذه باستمرار وبسرعات إنتاج يستحيل على المشغّلين اليدويين الحفاظ عليها.

تصنيع البطاريات

أدى النمو السريع في إنتاج السيارات الكهربائية إلى زيادة الطلب على تقنيات فحص البطاريات المتقدمة.

يستخدم المصنّعون الرؤية الآلية وتعلّم الآلة لاكتشاف عيوب الأقطاب الكهربائية، وعدم اتساق الطلاء، والتلوث، ومشكلات التجميع طوال عمليات إنتاج البطاريات.

نظرًا إلى أن عيوب البطاريات قد تؤثر في الأداء والسلامة معًا، تظل دقة الفحص هدفًا تشغيليًا بالغ الأهمية.

بناء مجموعات بيانات أفضل لتعلّم الآلة الصناعي

تركّز مؤسسات كثيرة تركيزًا كبيرًا على اختيار النموذج، مع إغفال أهمية تطوير مجموعة البيانات. وفي الواقع، غالبًا ما يكون لجودة بيانات التدريب تأثير أكبر في نجاح المشروع من بنية الشبكة العصبية المحددة المستخدمة.

لا يمكن لنموذج تعلّم الآلة أن يتعلم إلا من المعلومات المتاحة في مجموعة بيانات التدريب الخاصة به. وإذا كانت سيناريوهات العيوب الحرجة غائبة، فقد يواجه النموذج صعوبة عند ظهور تلك الظروف في الإنتاج.

تتضمن مجموعات البيانات الصناعية الناجحة عادةً ما يلي:

• عينات الإنتاج الطبيعية
• حالات العيوب النادرة
• بيئات إضاءة متعددة
• ورديات إنتاج مختلفة
• الاختلافات الموسمية
• حالات تآكل المعدات
• اختلافات المواد الخام
• تغييرات العمليات المرتبطة بالصيانة

ينبغي للمصنّعين أيضًا توسيع مجموعات البيانات باستمرار بعد النشر.

تتمثل إحدى مزايا منظومة SageMaker وGreengrass في قدرتها على إنشاء آلية تغذية راجعة بين عمليات الإنتاج وفرق تطوير النماذج. ويمكن 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 تعلّم الآلة باعتباره قدرة تشغيلية مستمرة، لا مشروعًا يُنفذ مرة واحدة، أفضل النتائج طويلة الأمد عمومًا.

سيصبح الذكاء الاصطناعي الصناعي أداة قياسية لمراقبة الجودة

يتقارب تعلّم الآلة والحوسبة الطرفية والأتمتة الصناعية بسرعة. وما كان يُعد في السابق تقنية تجريبية أصبح أداة عملية لتحسين الجودة وتقليل الهدر وزيادة الكفاءة التشغيلية.

مع ازدياد قوة أجهزة الحوسبة وسهولة نشر أطر تعلّم الآلة، يمكن للمصنّعين من جميع الأحجام الاستفادة من أنظمة متقدمة لاكتشاف العيوب.

توفر منصات مثل Amazon SageMaker وAWS IoT Greengrass البنية التحتية اللازمة لنقل تعلّم الآلة من بيئات البحث إلى منشآت الإنتاج الفعلية.

لن تقتصر عمليات النشر الأكثر نجاحًا على تحديد المنتجات المعيبة، بل ستساعد المصنّعين على فهم أسباب حدوث العيوب، والتنبؤ بمشكلات الجودة قبل تفاقمها، وتحسين عمليات الإنتاج باستمرار.

في السنوات القادمة، من المرجح أن تصبح الرؤية الآلية القائمة على الحافة شائعة في خطوط الإنتاج بقدر شيوع وحدات التحكم المنطقية القابلة للبرمجة (PLCs) وواجهات الإنسان والآلة (HMIs) والشبكات الصناعية وأنظمة SCADA اليوم. وستكون المنشآت التي تبدأ ببناء هذه القدرات الآن في وضع أفضل لتحسين الجودة وتعظيم الإنتاجية والمنافسة في أسواق التصنيع التي تعتمد على البيانات بشكل متزايد.

مستقبل اكتشاف العيوب الصناعية

يواصل اكتشاف العيوب الصناعية تطوره من تحليل الصور البسيط نحو أنظمة جودة ذكية وقابلة للتكيف.

تُمكّن التطورات في تعلّم الآلة والحوسبة الطرفية والشبكات الصناعية والبنية التحتية السحابية المصنّعين من فحص المنتجات بسرعة أكبر وبدقة أعلى من أي وقت مضى.

تساعد تقنيات مثل Amazon SageMaker وAWS IoT Greengrass على سد الفجوة بين تطوير النماذج المستند إلى السحابة ونشرها في المصانع على أرض الواقع. وتوفر معًا للمصنّعين الأدوات اللازمة لبناء أنظمة فحص قابلة للتوسع يمكنها التعلم من البيانات التشغيلية والتحسن باستمرار بمرور الوقت.

مع سعي المؤسسات الصناعية إلى تنفيذ مبادرات التحول الرقمي، سيصبح اكتشاف العيوب بصورة متزايدة جزءًا من استراتيجيات التصنيع الذكي الأوسع التي تجمع بين الرؤية الآلية والصيانة التنبؤية وتحسين العمليات والتحليلات التشغيلية.

النتيجة ليست مجرد تحسين لمراقبة الجودة، بل بيئة إنتاج أكثر ذكاءً تُتخذ فيها القرارات المستندة إلى البيانات عند الحافة، بالقرب من المعدات والمنتجات والعمليات التي تولّد القيمة.