جدول المحتويات
بالنسبة لمعظم بيانات المستشعرات الصناعية، ابدؤوا بالمراقبة الإحصائية متعددة المتغيرات (PCA مع إحصائية T² لهوتلينغ وSPE) إضافةً إلى الحدود أحادية المتغير المتوفرة لديكم أصلًا. ويناسب isolation forest وlocal outlier factor البيانات كثيرة المتغيرات، وتناسب المشفّرات التلقائية ونماذج LSTM الأنماط الزمنية المعقدة، لكنها أعلى كلفة، ولم تكن أدق في مقارنة واسعة أُجريت عام 2022.
أهم النقاط
- تُدرَّب كواشف الشذوذ الصناعية عادةً على التشغيل العادي وتنبّه إلى ما يختلف عنه، وهو ما تسميه مكتبة scikit-learn كشف الجِدّة (novelty detection). والأحداث المعنونة لازمة لاختبار الكاشف لا لبنائه.
- الحدود الموضوعة على كل وسم (tag) منفردًا لا ترى التركيبات غير المعتادة. أما نموذج PCA فيراقب جميع المتغيرات بإحصائيتين اثنتين، وارتفاع SPE يعني أن الملاحظة تكسر بنية الارتباط.
- في تقييم أُجري عام 2022 شمل 71 خوارزمية و976 سلسلة زمنية، لم تتفوق أي عائلة بشكل واضح، ولم تكن أساليب التعلم العميق قادرة على المنافسة بعد.
- الإنذارات الكاذبة هي التي تحسم استمرار المشغلين في استخدام الكاشف. فمخطط 3 سيغما يطلق إنذارًا كاذبًا كل 371 نقطة في المتوسط لكل متغير.
- ابنوا نموذجًا لكل نمط تشغيل على حدة، واجعلوا الكاشف استشاريًا دون أي صلاحية كتابة على نظام التحكم.
ما الذي يُعدّ شذوذًا في بيانات المصنع؟
الشذوذ بيانات لا تشبه التشغيل العادي. وفي المصنع يأتي من الجهاز (مُرسِل عالق أو منجرف)، أو من العملية (اضطراب، تغيّر في اللقيم)، أو من المعدّة (محمل يبدأ في التلف). ولا يستطيع الكاشف التمييز بينها، بل يقول فقط إن شيئًا ما قد تغيّر.
ويوضح تقييم Schmidl وWenig وPapenbrock لعام 2022 ثلاثة أشكال للشذوذ (Schmidl et al., 2022):
- شذوذ نقطي: قيمة متطرفة منفردة، مثل قفزة مفاجئة.
- شذوذ في مقطع تسلسلي: جزء من البيانات ذو شكل غير معتاد، حتى لو بقيت كل قيمة ضمن نطاقها، مثل تذبذب يظهر في حلقة تحكم بالمستوى.
- شذوذ في الارتباط: متغيرات تكفّ عن التحرك معًا، مثل درجة حرارة مخرج لم تعد تتبع تدفق البخار الذي يتحكم فيها عادةً.
لا يمكن لأي حد موضوع على وسم منفرد أن يرى شذوذًا في الارتباط. وتخلص الدراسة نفسها إلى أن الخوارزمية متعددة المتغيرات ضرورية لكشف الشذوذ في الارتباط بين السلاسل.
على أي بيانات نُدرّب: القيم الشاذة أم التشغيل العادي؟
تميّز وثائق scikit-learn بين حالتين (scikit-learn). في كشف القيم الشاذة (outlier detection)، تحتوي بيانات التدريب على قيم شاذة، ويبحث الأسلوب عن المنطقة الكثيفة متجاهلًا إياها. وفي كشف الجِدّة (novelty detection)، تكون بيانات التدريب خالية من القيم الشاذة، والسؤال هو هل تختلف ملاحظة جديدة عنها.
ومراقبة المصنع هي في الغالب كشف للجِدّة. تُختار فترة من التشغيل العادي، ويُتحقق منها مع المشغلين ومن سجل الوردية، ويُدرَّب النموذج عليها، ثم تُقيَّم البيانات الجديدة فور وصولها. ولا حاجة إلى أعطال معنونة لبناء النموذج، وهذا مفيد لأن معظم المصانع لا تملك إلا القليل من الأعطال الموثقة جيدًا. والأساليب الخاضعة للإشراف نادرة: فمن بين 158 أسلوبًا جمعها Schmidl وزملاؤه، كانت 7 فقط خاضعة للإشراف، ولم تحقق الخوارزميات الخاضعة للإشراف في اختباراتهم نتائج أفضل من الأساليب شبه الخاضعة للإشراف أو غير الخاضعة له.
ما الأساليب المستخدمة، وكيف تتقارن؟
| العائلة | أمثلة | العناوين اللازمة للتدريب | ما تكشفه | نقطة الضعف الرئيسية |
|---|---|---|---|---|
| الحدود ومخططات الضبط أحادية المتغير | حدود الإنذار، Shewhart، EWMA، CUSUM | لا شيء | خروج متغير واحد عن نطاقه العادي أو انجرافه | لا ترى التركيبات غير المعتادة؛ كثرة المخططات تعني كثرة الإنذارات الكاذبة |
| الإحصاء متعدد المتغيرات | PCA مع T² وSPE؛ PLS | بيانات عادية فقط | التركيبات غير المعتادة والارتباطات المنكسرة؛ وتشير مخططات المساهمة إلى المتغيرات | خطي؛ وعادةً نموذج لكل نمط تشغيل |
| كواشف القيم الشاذة في تعلم الآلة | Isolation forest، وlocal outlier factor (LOF)، وSVM أحادي الفئة | بيانات عادية، أو بيانات بها قيم شاذة قليلة | نقاط غير معتادة في بيانات كثيرة المتغيرات؛ أشكال غير خطية | تقيّم كل صف منفردًا، لذا يجب بناء الأنماط الزمنية في صورة متغيرات؛ أصعب تفسيرًا |
| نماذج التنبؤ وإعادة البناء | بواقي الانحدار، المشفّرات التلقائية، مشفّر-مفكّك LSTM | بيانات عادية فقط | الأنماط الزمنية المعقدة والعلاقات غير الخطية | بيانات وحوسبة وضبط أكثر؛ أصعب تفسيرًا |
| مصنِّفات الأعطال الخاضعة للإشراف | Gradient boosting، مصنِّفات الشبكات العصبية | أمثلة معنونة لكل عطل | أنواع الأعطال المعروفة، بأسمائها | لا تتعرف على عطل غير موجود في بيانات تدريبها |
الحدود ومخططات الضبط أحادية المتغير
يملك كل نظام DCS أصلًا حدود إنذار عليا ودنيا. ويضيف الضبط الإحصائي للعمليات (SPC) مخططات تُحسب حدودها من التباين العادي للمتغير نفسه. فمخطط Shewhart ينبّه عندما تقع نقطة خارج ±3 انحرافات معيارية. ومخطط EWMA يعطي وزنًا يتناقص باستمرار للبيانات الأقدم، ويمكن جعله حساسًا لانجراف صغير أو تدريجي. أما مخطط CUSUM فيراكم الانحرافات عن القيمة المستهدفة، وهو أكفأ في كشف الإزاحات الصغيرة في المتوسط، أي إزاحات بمقدار انحرافين معياريين أو أقل.
ويستحق الانجراف البطيء هذا الاهتمام: ففي تقييم Schmidl كانت الاتجاهات (trends) أصعب أنواع الشذوذ كشفًا، والقيم المتطرفة أسهلها. وبالنسبة لمتغير حرج منفرد، مثل درجة حرارة محمل، يبقى مخطط EWMA أو CUSUM الأداة المناسبة.
PCA مع إحصائية T² لهوتلينغ وSPE
يشرح MacGregor وKourti كيف تمتد مخططات Shewhart وCUSUM وEWMA إلى متغيرات عديدة بواسطة إحصائية T² لهوتلينغ وبواسطة PCA وPLS، مع أمثلة من مصنع لمعالجة المعادن ومن عملية بلمرة مستمرة (MacGregor and Kourti, 1995). ويختزل تحليل المكونات الرئيسية (PCA) عشرات الوسوم المترابطة في بضع مكونات تصف التشغيل العادي، ثم تُتابَع إحصائيتان على مخططات:
- T² هي المسافة بين مركز مستوى النموذج وإسقاط الملاحظة الجديدة على هذا المستوى. وارتفاع T² يعني أن المتغيرات تحركت أبعد من المعتاد، لكنها ما زالت تتحرك معًا، كما يحدث عند رفع معدل الإنتاج.
- SPE (مربع خطأ التنبؤ، ويُسمى أيضًا Q) هي المسافة خارج المستوى. وارتفاع SPE يعني أن الملاحظة لا تتسق مع النموذج وتكسر بنية الارتباط، كما يفعل مُرسِل معطّل لم تعد قراءاته تتفق مع جيرانه.
وعندما ينبّه أحد المخططين، يبيّن مخطط المساهمة (contribution plot) المتغيرات التي تقف وراء الانحراف. ويطبّق مقالنا حول تحليل الدفعة الذهبية العائلة نفسها من الأساليب على العمليات الدفعية.
Isolation forest وLOF وSVM أحادي الفئة
تأتي هذه الأساليب من تعلم الآلة وتتوفر في المكتبات الشائعة (scikit-learn):
- Isolation forest يعزل الملاحظات بتقسيمات عشوائية. وتُعزل الحالات الشاذة بعدد أقل من التقسيمات، لذا فإن قِصر متوسط المسار يدل على الشذوذ. وتصفه الوثائق بأنه أسلوب فعّال للبيانات عالية الأبعاد.
- Local outlier factor ينبّه إلى العينات التي تقل كثافتها كثيرًا عن كثافة جيرانها، آخذًا في الحسبان الخصائص المحلية والعامة للبيانات معًا.
- SVM أحادي الفئة حساس للقيم الشاذة الموجودة في بيانات تدريبه، ويحتاج إلى ضبط دقيق لمعامله
nu.
وتقيّم الأساليب الثلاثة كل صف منفردًا دون اعتبار لترتيب العينات، لذا يجب إضافة الديناميكية في صورة متغيرات: قيم مُزاحة زمنيًا، ومتوسطات متحركة، ومعدلات تغيّر. كما أن تفسير الوسم الذي تسبب في درجة شذوذ مرتفعة يتطلب عملًا إضافيًا، في حين يعطيه مخطط المساهمة في PCA مباشرة.
المشفّرات التلقائية ونماذج LSTM
تتعلم هذه الشبكات العصبية إعادة إنتاج البيانات العادية، وتستخدم الخطأ درجةً للشذوذ. فمشفّر-مفكّك LSTM الذي اقترحه Malhotra وزملاؤه يتعلم إعادة بناء السلوك «العادي» للسلاسل الزمنية، ويستخدم خطأ إعادة البناء لكشف الشذوذ، وقد اختُبر على مجموعتي بيانات حقيقيتين لمحركات (Malhotra et al., 2016).
وتستحق التجربة حين تكون العلاقات غير خطية بوضوح وتكون السجلات التاريخية طويلة ونظيفة. لكنها أعلى كلفة: ففي تقييم Schmidl تجاوز LSTM-AD وEncDec-AD حد الذاكرة الذي وضعته الدراسة في 50% و26% من التجارب على التوالي.
هل تتفوق أساليب التعلم العميق على الأساليب البسيطة؟
ليس وفق الأدلة الحالية. فقد وجد Schmidl وزملاؤه أن كل عائلة يمكن أن تكون فعّالة، وأنه لا يوجد فائز واضح، وأن مناهج التعلم العميق «ليست قادرة على المنافسة (بعد)» رغم الجهد الأكبر الذي يتطلبه تدريبها (Schmidl et al., 2022). ويؤكدون أيضًا أن كل نشر عملي يحتاج إلى اختبار دقيق.
والمعايير المرجعية المنشورة جزء من المشكلة. إذ يرى Wu وKeogh أن معظم الأمثلة في أكثر المعايير المرجعية استخدامًا لكشف الشذوذ في السلاسل الزمنية تعاني من عيب واحد على الأقل من أربعة عيوب، لذا قد لا تكون كثير من المقارنات المنشورة موثوقة، وقد يكون جزء كبير من التقدم الظاهر «وهميًا» (Wu and Keogh, 2022). ودرجة الأسلوب على معيار مرجعي لا تقول الكثير عن بيانات مصنعكم.
كم إنذارًا كاذبًا يمكن للمشغلين تحمّله؟
هذا ما يحسم الاعتماد أكثر من الدقة. ويذكر NIST أن مخطط Shewhart القياسي، الذي لا ينبّه إلا خارج ±3 انحرافات معيارية، يعطي إنذارًا كاذبًا كل 371 نقطة في المتوسط.
والحساب لا يرحم. فمع عينة كل دقيقة، يعطي المتغير الواحد إنذارًا كاذبًا كل ست ساعات تقريبًا. وإذا رُسم مخطط منفصل لكل متغير من 50 متغيرًا، فإنها تطلق نحو ثمانية إنذارات كاذبة في الساعة، بافتراض بيانات طبيعية التوزيع ومستقلة. وتعدّ إرشادات إدارة الإنذارات ISA-18.2، كما لخّصها أحد مهندسي معمارية الأنظمة في Yokogawa في مجلة Control Engineering، نحو 6 إنذارات في الساعة في المتوسط معدلًا مقبولًا على الأرجح، ونحو 12 إنذارًا الحد الأقصى الذي يمكن التعامل معه في نظام الإنذار. وتضاف تنبيهات الكاشف إلى الإنذارات الموجودة أصلًا في المصنع.
ثلاث ممارسات تُبقي هذا المعدل منخفضًا:
- استخدام إحصائيات أقل لكن مُجمَّعة: مخطط T² ومخطط SPE بدل 50 مخططًا لكل وسم.
- اشتراط الاستمرارية، مثل عدة نقاط متتالية خارج الحد، قبل إطلاق التنبيه.
- في البداية، توجيه النتائج إلى شاشة هندسية أو قائمة مراجعة يومية، لا إلى ملخص الإنذارات لدى المشغل.
كيف نتعامل مع بدء التشغيل وتغيير الدرجات وأنماط التشغيل؟
النموذج المدرَّب على نمط تشغيل واحد سيعدّ كل نمط آخر غير عادي. وفي العمليات متعددة الأنماط، تتمثل الممارسة المعتادة في بناء نماذج مراقبة محلية لكل نمط والتبديل بينها. وعمليًا:
- استخدموا إشارة النمط أو درجة المنتج أو الحمل القادمة من نظام التحكم لاختيار النموذج.
- استبعدوا من بيانات التدريب فترات بدء التشغيل والإيقاف والاختبارات المبرمجة، بالاستعانة بسجل الأحداث.
- أعيدوا بناء البيانات المرجعية بعد تعديل المعدات أو تغيّر اللقيم، كما في حالة المستشعر البرمجي الذي ينجرف.
كيف نختبر الكاشف على بياناتنا خطوة بخطوة؟
- اختيار وحدة واحدة وهدف واحد، مثل الإنذار المبكر باضطرابات ضاغط، مع مسؤول محدد بالاسم.
- استخراج سنة من السجل التاريخي مع سجل الوردية وحالات الفصل الآلي وسجلات الصيانة. ويتناول دليلنا حول دمج الذكاء الاصطناعي مع أنظمة SCADA وOT الوصول عبر قاعدة البيانات التاريخية أو OPC UA.
- عنونة الأحداث المعروفة مع وقتي بدايتها ونهايتها: الاضطرابات، وحالات الفصل الآلي، وأعطال الأجهزة.
- التقسيم زمنيًا. التدريب على فترة سابقة من التشغيل العادي، والاختبار على فترة لاحقة تحتوي على الأحداث المعنونة.
- البدء بالبسيط. إعداد مخططات EWMA للوسوم الرئيسية ونموذج PCA مع T² وSPE، وعدم تجربة isolation forest أو مشفّر تلقائي إلا إذا فاتتها أحداث مهمة.
- قياس ما يلمسه المشغلون: الأحداث المكتشفة، ودقائق الإنذار المسبق قبل الإنذار القائم، والإنذارات الكاذبة في اليوم.
- التشغيل بالتوازي لعدة أسابيع، ومراجعة كل تنبيه مع المشغلين، ثم اتخاذ القرار.
وقبل استخدام بيانات المصنع، يمكن للفريق التمرّن على مجموعات بيانات عامة: بيانات محاكاة Tennessee Eastman التي نشرها Rieth وزملاؤه، وتضم 52 متغيرًا للعملية تُقاس كل 3 دقائق، و20 نوعًا من الأعطال، و500 عملية محاكاة لكل منها، ومعيار Skoltech المرجعي لكشف الشذوذ (SKAB) المسجّل على منصة اختبار لدورة مياه مزودة بمضخة وثمانية متغيرات مقيسة. وكلاهما مصدره محاكاة أو منصة اختبار، لا مصنع قيد التشغيل.
ما لاحظناه في KABAS AI
تذكر صفحة الصناعة التحويلية لدينا تحليل اتجاهات الجودة وكشف الشذوذ ضمن قدرات DALILE في الإنتاج، وجدولة الصيانة التنبؤية ضمن قدرات Virtual Lab. ويغطي فريق علوم البيانات لدينا إعداد البيانات، وكشف الاتجاهات، والنماذج التنبؤية، وخطوط المعالجة التي تُبقي النماذج تحت المراقبة أثناء الإنتاج.
ونصائحنا العملية تنبع من الأدلة السابقة. فمعظم العمل يتعلق بالبيانات لا بالخوارزمية: ربط وسوم قاعدة البيانات التاريخية وسجلات الأحداث وسجلات الصيانة بطوابع زمنية متسقة. اتفقوا مع المشغلين على ما يُعدّ تنبيهًا مفيدًا قبل اختيار الأسلوب، واحسبوا الإنذارات الكاذبة منذ اليوم الأول. وأبقوا الكاشف داخل شبكتكم مع صلاحية قراءة فقط لبيانات المصنع؛ ويتناول دليلنا حول نشر الذكاء الاصطناعي في بيئة معزولة (air-gapped) المصانع التي لا تتصل بالإنترنت. وقبل البدء، افحصوا البيانات عبر تقييم الجاهزية للذكاء الاصطناعي، واقرؤوا لماذا تفشل مشاريع الذكاء الاصطناعي الصناعي.
المصادر
- Schmidl, Wenig and Papenbrock, Anomaly Detection in Time Series: A Comprehensive Evaluation, PVLDB 15(9), 2022
- Wu and Keogh, Current Time Series Anomaly Detection Benchmarks are Flawed and are Creating the Illusion of Progress, ICDE 2022 (arXiv 2009.13807)
- scikit-learn, Novelty and Outlier Detection, user guide
- NIST/SEMATECH e-Handbook of Statistical Methods, What are Variables Control Charts?
- NIST/SEMATECH e-Handbook of Statistical Methods, EWMA Control Charts
- NIST/SEMATECH e-Handbook of Statistical Methods, CUSUM Control Charts
- MacGregor and Kourti, Statistical process control of multivariate processes, Control Engineering Practice 3, 1995
- Dunn, Process Improvement Using Data, Hotelling's T² statistic
- Dunn, Process Improvement Using Data, Interpreting the residuals
- Malhotra et al., LSTM-based Encoder-Decoder for Multi-sensor Anomaly Detection, ICML 2016 Anomaly Detection Workshop (arXiv 1607.00148)
- Zhang, Zhou and Chen, Monitoring multimode processes: a modified PCA algorithm with continual learning ability, Journal of Process Control (arXiv 2012.07044)
- Tennant, Implementing Alarm Management per the ANSI/ISA-18.2 Standard, Control Engineering, 2013
- Rieth et al., Additional Tennessee Eastman Process Simulation Data for Anomaly Detection Evaluation, Harvard Dataverse, 2017
- Skoltech Anomaly Benchmark (SKAB), GitHub repository
الأسئلة الشائعة
ما الفرق بين كشف الشذوذ وتشخيص الأعطال؟
كشف الشذوذ يقول إن البيانات لم تعد تشبه التشغيل العادي، أما التشخيص فيحدد العطل القائم. وتشير مخططات المساهمة في نموذج PCA إلى المتغيرات التي تقف وراء الإنذار، مما يساعد المهندس على التشخيص، لكن تسمية العطل آليًا تتطلب مصنِّفًا مدرَّبًا على أمثلة معنونة لذلك العطل.
هل نحتاج إلى بيانات أعطال معنونة للبدء؟
ليس لبناء الكاشف. فمعظم كواشف الشذوذ الصناعية تُدرَّب على فترة من التشغيل العادي وتنبّه إلى ما يختلف عنها. لكنكم تحتاجون إلى بعض الأحداث المعنونة، مثل الاضطرابات وحالات الفصل الآلي وأعطال الأجهزة المسجلة في سجل الوردية، للتحقق من أن الكاشف يرصدها ولقياس عدد إنذاراته الكاذبة.
هل كشف الشذوذ هو نفسه الصيانة التنبؤية؟
يتداخلان. فكشف الشذوذ غالبًا ما يكون الطبقة الأولى في نظام الصيانة التنبؤية، إذ ينبّه إلى معدّة تتصرف بشكل مختلف عن نمطها العادي. وتضيف الصيانة التنبؤية تشخيص العطل وتقدير المدة التي يمكن أن تواصل فيها المعدّة العمل، وهما يتطلبان سجلًا للأعطال لا يحتاجه كشف الشذوذ وحده.
كم مرة يجب إعادة تدريب نموذج كشف الشذوذ؟
لا توجد فترة ثابتة. أعيدوا التدريب أو أعيدوا بناء البيانات المرجعية بعد تعديل المعدات أو تغيير المحفّز أو إدخال منتج جديد أو نمط تشغيل جديد، وكلما بدأ معدل الإنذارات الكاذبة في الارتفاع. ومراجعة الإنذارات مع المشغلين كل بضعة أسابيع تبيّن متى لم يعد النموذج يعكس التشغيل العادي.
هل يجب أن يكتب كاشف الشذوذ في نظام التحكم؟
لا. شغّلوه طبقةً استشارية تقرأ البيانات من قاعدة البيانات التاريخية (historian) أو من خادم OPC UA وتعرض نتائجها على المشغلين والمهندسين. ويتصرف المشغلون وفق إجراءاتهم القائمة، ولا يملك الكاشف أي صلاحية كتابة على أي متغير في نظام التحكم.
هل يمكن تشغيل هذه النماذج محليًا دون اتصال بالإنترنت؟
نعم. مخططات الضبط ونماذج PCA وisolation forest وlocal outlier factor نماذج خفيفة تعمل على خوادم عادية داخل شبكة المصنع. أما نماذج التعلم العميق فتحتاج إلى ذاكرة وقدرة حوسبة أكبر، لكن يمكن تدريبها وتشغيلها محليًا أيضًا.



