جدول المحتويات
تستخدم الجودة التنبؤية البيانات المسجلة أثناء الإنتاج، مثل إعدادات الآلات وإشارات المستشعرات ونتائج اختبارات كل محطة، لتقدير ما إذا كانت كل قطعة أو دفعة ستجتاز فحص الجودة النهائي. وتُوسَم القطع المرجّح فشلها ما دام فحصها أو إصلاحها أو تحويلها ممكنًا، بدل اكتشافها في نهاية الخط أو لدى الزبون.
أهم النقاط
- تعرّف مراجعة منهجية لـ 81 دراسة نُشرت عام 2022 الجودةَ التنبؤية بأنها استخدام تعلّم الآلة لتقدير جودة المنتج من بيانات العملية والمنتج، لكنها وجدت أن الأساليب في معظم الحالات لم تكن مدمجة في عملية تصنيع قيد التشغيل (Tercan and Meisen, 2022).
- الشرط الأول هو التتبع على مستوى القطعة: يجب ربط كل وحدة بالبيانات المسجلة لها في كل محطة وبنتيجة فحصها النهائي.
- العيوب نادرة، لذلك تكون الدقة (accuracy) مضلِّلة. ففي بيانات خط إنتاج Bosch كانت نسبة القطع المعيبة أقل من 1% (Mangal and Kumar, 2016)، فالنموذج الذي يعدّ كل القطع سليمة تتجاوز دقته 99% ولا يكتشف شيئًا.
- عتبة التنبيه قرار اقتصادي يوازن بين الفحوص الإضافية والعيوب المتسرّبة. ونادرًا ما تكون الاحتمالية الافتراضية 0.5 هي العتبة الصحيحة (scikit-learn).
- تحقّقوا من النموذج على فترة لاحقة لبيانات التدريب، وراقبوا انجرافه بعد تشغيله.
ما هي الجودة التنبؤية؟
يعرّف Tercan وMeisen الجودة التنبؤية بأنها استخدام تعلّم الآلة والتعلّم العميق في الإنتاج لتقدير الجودة المتعلقة بالمنتج انطلاقًا من بيانات العملية والمنتج (Tercan and Meisen, 2022). وقد يكون التقدير قيمة عددية، مثل وزن القطعة أو خشونة السطح، أو فئة، مثل مطابق أو غير مطابق. ومن بين الدراسات الـ 81 التي راجعاها، والمنشورة بين 2012 و2021، تناولت 51 دراسة مهام انحدار و30 مهام تصنيف، وكانت عمليات القطع والوصل (اللحام أساسًا) الأكثر دراسة.
الهدف هو نقل قرار الجودة إلى المراحل الأولى من الخط. فالعيب الذي ينشأ في المحطة 3 يُكتشف عادة في اختبار نهاية الخط، بعد أن تكون المحطات التالية قد أضافت كلفة إلى قطعة مصيرها الخردة أصلًا. أما النموذج الذي يقرأ بيانات المحطة 3 فيمكنه وسمها فورًا.
ما الفرق بينها وبين SPC والفحص والمستشعرات البرمجية؟
يميّز NIST بين أداتين أقدم. فالتحكم الإحصائي في العمليات يقوم على مقارنة ما يحدث اليوم بما حدث سابقًا، بينما تفحص أدوات المراقبة الإحصائية للجودة المنتجَ بحثًا عن العيوب أو القطع المعيبة بعد اكتمال جميع مراحل المعالجة (NIST/SEMATECH). وتقع الجودة التنبؤية بينهما: فهي تستخدم بيانات العملية مثل SPC، لكن نتيجتها حكم على كل وحدة مثل الفحص.
| الأسلوب | المدخلات | المخرجات | متى تصل الإجابة |
|---|---|---|---|
| فحص أو اختبار نهاية الخط | المنتج النهائي | مطابق أو غير مطابق، بالقياس | بعد اكتمال جميع المراحل |
| التحكم الإحصائي في العمليات | متغير واحد أو بضعة متغيرات للعملية | تغيّرت العملية | أثناء الإنتاج، لكل متغير على حدة |
| كشف الشذوذ | متغيرات كثيرة للعملية | هذا لا يشبه التشغيل العادي | أثناء الإنتاج |
| الجودة التنبؤية | بيانات العملية والمنتج المرتبطة بكل وحدة | الجودة المتوقعة، أو احتمال العيب، لهذه الوحدة | بمجرد مرور الوحدة بالمحطات المعنية |
| المستشعر البرمجي | قياسات مستمرة للعملية | تقدير مستمر لمتغير نوعي | باستمرار، في العمليات المستمرة |
يتناول دليلنا حول أساليب كشف الشذوذ السطر الثالث؛ وهو، بخلاف الجودة التنبؤية، لا يحتاج إلى عيوب مسمّاة. وفي العمليات المستمرة تُسمّى الفكرة نفسها المستشعر البرمجي، وفي مصانع الدفعات التنبؤ بجودة الدفعة. ويركّز هذا الدليل على القطع المنفصلة والخطوط متعددة المحطات.
ماذا تُظهر الأعمال المنشورة؟
القولبة بالحقن في خلية تجريبية. قام Aminabadi وزملاؤه بقولبة قطعة من ABS عالية اللمعان باستخدام مستشعرات للضغط ودرجة الحرارة داخل القالب، وإشارات من الآلة تُجمع عبر OPC UA، ومستشعرات للظروف المحيطة، وقياس مباشر على الخط لكل قطعة. وبنحو 2,500 عينة، تنبأت النماذج بوزن القطعة وبأحد أبعادها بمعامل تحديد R² يقارب 0.99، لكن جودة السطح بقيت عند نحو 0.70 (Aminabadi et al., 2022). فالعيوب الشكلية أصعب تنبؤًا من الوزن. وقد جاءت البيانات من تصميم تجارب يضم 56 إعدادًا، لا من أشهر من الإنتاج.
خط تجميع بعيوب نادرة. نشرت Bosch في مسابقة على Kaggle قياسات ونتائج اختبارات مجهولة الهوية للقطع التي تمر عبر خطوطها. ويصف Mangal وKumar مجموعة تدريب من 1,184,687 قطعة، و51 محطة موزعة على 4 خطوط إنتاج، وأكثر من 4,000 خاصية، ونسبة قطع معيبة أقل من 1% (Mangal and Kumar, 2016). وبلغ نموذجهم القائم على التعزيز التدرجي (gradient boosting) قيمة AUC تساوي 0.718: وهي مفيدة لترتيب القطع حسب الخطر، لكنها بعيدة عن الفرز المثالي. ووجدا أيضًا أكثر من 7,000 مسار مختلف عبر المحطات، مما يدل على وجود عدة عائلات منتجات يحتاج كلٌّ منها إلى نموذج خاص.
عملية لتصنيع أشباه الموصلات. تضم مجموعة بيانات SECOM عدد 1,567 سجل إنتاج، في كلٍّ منها 591 خاصية، منها 104 حالات فشل، مع قيم مفقودة. ويذكر وصفها أن الإشارات المقاسة تجمع بين معلومات مفيدة ومعلومات غير ذات صلة وضجيج (UCI Machine Learning Repository).
وتلاحظ المراجعة الفجوة نفسها في المجال كله: معظم الدراسات استخدمت نحو 100 عينة، وفي معظم الحالات لم تكن الأساليب مدمجة في عملية التصنيع (Tercan and Meisen, 2022).
ما البيانات اللازمة؟
- معرّف فريد لكل وحدة: رقم تسلسلي أو رمز Data Matrix أو رقم دفعة، يُقرأ في كل محطة.
- بيانات العملية لكل وحدة وكل محطة: القيم المرجعية والقيم الفعلية، ومنحنيات المستشعرات مثل الضغط أو عزم الربط، وأزمنة الدورة، والعُدّة أو القالب المستخدم.
- بيانات المواد: دفعة المورّد ونتائج فحص الاستلام.
- نتيجة الجودة: نتائج الاختبارات، ورموز العيوب، وإعادة التشغيل، ومرتجعات الزبائن، مرتبطة بالمعرّف نفسه.
- بيانات الأحداث: تغييرات العُدد، والصيانة، وتغييرات الوصفة.
الجزء الأصعب هو الربط بين هذه البيانات. فبيانات العملية توجد عادة في المتحكمات المنطقية المبرمجة (PLC) ونظام SCADA وقاعدة البيانات التاريخية (historian)، بينما يوجد سجل نسب القطع في نظام MES، الذي يضعه معيار ISA-95 في المستوى 3، بين أنظمة التحكم وأنظمة الأعمال (ISA). وإذا كان الخط لا يسجل سوى مجاميع الخردة لكل وردية، فلا يمكن تدريب نموذج على مستوى القطعة قبل إرساء التتبع. ويتناول مقالانا حول موقع الذكاء الاصطناعي في نموذج Purdue ودمج الذكاء الاصطناعي مع أنظمة SCADA وOT الوصول إلى هذه الطبقات.
احتفظوا بالطوابع الزمنية: ففي دراسة Bosch، كان الوقت الذي تقضيه القطعة على الخط خاصية مهمة ذات ارتباط موجب بالعيوب (Mangal and Kumar, 2016).
لماذا تكون الدقة مضلِّلة عندما تكون العيوب نادرة؟
إذا كانت 0.6% من القطع معيبة، فإن النموذج الذي يعدّ كل قطعة سليمة تبلغ دقته 99.4% ولا يكتشف شيئًا. ويبيّن Chicco وJurman أن الدقة ومقياس F1 قد يعطيان نتائج مفرطة في التفاؤل على البيانات غير المتوازنة. ففي أحد أمثلتهما، حقق مصنِّف دقة 0.90 وقيمة F1 تساوي 0.95، بينما كان معامل ارتباط Matthews (MCC) لديه −0.03 (Chicco and Jurman, 2020). ويوصيان بمعامل MCC، الذي لا يرتفع إلا إذا أُحسن التنبؤ بالفئتين معًا. وقد حُسبت لوحة ترتيب مسابقة Bosch بهذا المعامل.
ولأغراض المصنع، حوّلوا النتائج إلى ثلاثة أعداد أسبوعية:
- العيوب المكتشفة: نسبة الوحدات المعيبة التي وسمها النموذج (الاستدعاء، recall).
- الرفض الخاطئ: وحدات سليمة وُسمت، تكلّف كلٌّ منها فحصًا إضافيًا.
- العيوب المتسرّبة: وحدات معيبة لم يكتشفها النموذج.
كيف تُحدَّد عتبة التنبيه؟
يعطي المصنِّف احتمالًا، والعتبة تحوّله إلى إجراء. وتذكر وثائق scikit-learn أن قاعدتها الافتراضية، أي التنبؤ بالفئة الموجبة فوق 0.5، ليست مثالية بالتأكيد في معظم حالات الاستخدام. وتوصي بضبط العتبة وفق مقياس يناسب حالة الاستخدام، وعدم ضبطها أبدًا على البيانات نفسها التي دُرّب عليها المصنِّف (scikit-learn).
في دراسة Bosch، بلغ معامل MCC ذروته عند عتبة 0.11، حيث لم تُوسم إلا 3,235 قطعة من أصل أكثر من مليون قطعة تدريب. وفي المقابل، كان فحص أعلى عُشيرين من حيث الخطر سيعني فحص أكثر من 200,000 قطعة (Mangal and Kumar, 2016).
حدّدوا العتبة انطلاقًا من تكاليف يمكن حسابها: الفحص الإضافي، وإتلاف قطعة بعد إضافة قيمة أكبر إليها، ووصول عيب إلى الزبون. فعندما تكون كلفة العيوب المتسرّبة مرتفعة جدًا، اقبلوا عتبة منخفضة وفحوصًا أكثر. وعندما تكون طاقة الفحص ثابتة، لا تسِموا إلا ما تستطيع محطة الفحص استيعابه.
كيف يُتحقق من نموذج الجودة التنبؤية؟
التقسيم حسب الزمن. على البيانات المرتبة زمنيًا، يؤدي التحقق المتقاطع العادي إلى التدريب على بيانات مستقبلية والتقييم على بيانات ماضية، ولهذا يوفّر scikit-learn تقسيمًا زمنيًا (scikit-learn). كما أن التقسيم العشوائي يضع قطعًا من الوردية نفسها والعُدّة نفسها ودفعة المواد نفسها في بيانات التدريب والاختبار معًا، مما يجعل الاختبار أسهل من الإنتاج الفعلي. وقد استخدمت الدراستان السابقتان تقسيمات عشوائية أو بطريقة k-fold، وهي مناسبة لمقارنة الأساليب، لا لتقرير ما إذا كان يمكن الوثوق بنموذج على خطكم.
البحث عن تسرّب البيانات. تعرّف scikit-learn تسرّب البيانات بأنه استخدام معلومات لن تكون متاحة وقت التنبؤ في بناء النموذج، مما يعطي تقديرات مفرطة في التفاؤل (scikit-learn). ومن الأمثلة النموذجية في المصانع: مؤشر إعادة التشغيل، أو نتيجة اختبار لاحق، أو الطابع الزمني لفحص نهاية الخط، إذا تُركت ضمن المدخلات.
ماذا نفعل بالتنبؤ؟
الإجراءات مرتبة من الأقل خطرًا إلى الأعلى:
- فحص أدق. إرسال الوحدات الموسومة إلى اختبار أشمل أو فحص يدوي.
- التوقف عن إضافة القيمة. تحويل الوحدة الموسومة قبل عملية مكلفة مثل التشغيل الآلي أو الطلاء أو التجميع النهائي.
- حجز الدفعة. إذا وُسمت وحدات كثيرة من عُدّة واحدة أو دفعة مواد واحدة، تُحجز للمراجعة.
- إيجاد السبب. تشير أهمية الخصائص إلى المحطات والمتغيرات الكامنة وراء الخطر. ففي دراسة Bosch، كانت خصائص التاريخ وخصائص خط الإنتاج 3 من بين الأهم.
- تعديل العملية. استخدمت خلية القولبة بالحقن المذكورة أعلاه متحكمًا قائمًا على الذكاء الاصطناعي يعدّل إعدادات الآلة، وحافظ على متوسط أحد الأبعاد عند 120 مم بتفاوت ±0.025 مم (Aminabadi et al., 2022). ويأتي التحكم بالحلقة المغلقة في الأخير، بعد أن يثبت النموذج جدارته في الحلقة المفتوحة.
كيف نحافظ على دقة النموذج؟
الخطوط تتغير. ويصف Lu وزملاؤه انجراف المفهوم (concept drift) بأنه تغيّرات غير متوقعة في التوزيع الأساسي لتدفق البيانات عبر الزمن، ويميّزون بين الانجراف المفاجئ والتدريجي والتزايدي والمتكرر. ففي حالة الانجراف الطفيف قد يكفي تحديث النموذج الحالي، أما في الانجراف الشديد فقد يكون تدريب نموذج جديد أفضل (Lu et al., 2018).
وعمليًا، تابعوا أسبوعيًا العيوب المكتشفة والرفض الخاطئ، وأعيدوا التدريب بعد تغيير العُدد أو المواد أو الوصفة أو المنتج، واحتفظوا بفحص نهاية الخط: فهو يوفّر التسميات التي تبيّن ما إذا كان النموذج لا يزال يعمل.
كيف نبدأ خطوة بخطوة؟
- اختيار منتج واحد ونوع عيب واحد بكلفة يمكن حسابها وبعدد كافٍ من حالات الفشل في السجل.
- التحقق من التتبع. خذوا عشر وحدات معيبة وحاولوا استرجاع بياناتها من كل محطة.
- تجميع سجل تاريخي طويل بما يكفي ليشمل تغييرات العُدد ودفعات المواد ومتغيرات المنتج.
- بناء نموذج مرجعي بسيط، مثل الانحدار اللوجستي أو أشجار التعزيز التدرجي على خصائص ملخّصة لكل محطة، قبل تجربة التعلّم العميق.
- التحقق على فترة لاحقة وعرض العيوب المكتشفة والرفض الخاطئ ومعامل MCC.
- اختيار العتبة مع مسؤولي الإنتاج والجودة، انطلاقًا من التكاليف المحسوبة.
- التشغيل في وضع الظل لعدة أسابيع، بتقييم كل وحدة دون اتخاذ إجراء، ثم التعامل مع التنبيهات عبر إجراءات الجودة القائمة.
- تعيين مسؤول يراجع الأداء كل شهر.
ما الذي رأيناه في KABAS AI
تذكر صفحة الصناعة التحويلية لدينا ضمان الجودة واكتشاف العيوب ضمن حالات الاستخدام التي نعالجها، حيث يوفّر DALILE تحليل اتجاهات الجودة وكشف الشذوذ في بيانات الإنتاج، ويدعم Virtual Lab تحسين المعاملات من أجل الجودة والكفاءة. ويغطي فريق علوم البيانات لدينا جمع البيانات وإعدادها، والنماذج التنبؤية، ومسارات MLOps التي تُبقي النماذج تحت المراقبة في الإنتاج.
نصيحتنا العملية: الأسابيع الأولى من مشروع الجودة التنبؤية تُخصَّص للتتبع لا للنمذجة. فإذا تعذّر ربط قطعة معيبة ببيانات محطاتها، فأصلحوا ذلك أولًا؛ فهو مفيد حتى من دون نموذج. واتفقوا على كلفة الرفض الخاطئ وكلفة العيب المتسرّب قبل أي تدريب. واحتفظوا بالبيانات والنماذج على خوادمكم الخاصة، لأن معاملات العملية وسجل العيوب يصفان طريقة تصنيع منتجكم. وقبل البدء، أجروا تقييمًا للجاهزية للذكاء الاصطناعي، واقرؤوا لماذا تفشل مشاريع الذكاء الاصطناعي الصناعية، واطلعوا على بناء أول فريق بيانات صناعي لمعرفة من سيتولى مسؤولية النموذج.
المصادر
- Tercan and Meisen, Machine learning and deep learning based predictive quality in manufacturing: a systematic review, Journal of Intelligent Manufacturing 33, 2022
- Mangal and Kumar, Using Big Data to Enhance the Bosch Production Line Performance: A Kaggle Challenge, IEEE Big Data 2016 (arXiv 1701.00705)
- Aminabadi et al., Industry 4.0 In-Line AI Quality Control of Plastic Injection Molded Parts, Polymers 14(17), 2022
- UCI Machine Learning Repository, SECOM dataset
- NIST/SEMATECH e-Handbook of Statistical Methods, Process or Product Monitoring and Control
- ISA, ISA-95 Standard
- Chicco and Jurman, The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation, BMC Genomics 21, 2020
- scikit-learn, Tuning the decision threshold for class prediction
- scikit-learn, TimeSeriesSplit
- scikit-learn, Common pitfalls and recommended practices
- Lu et al., Learning under Concept Drift: A Review, IEEE Transactions on Knowledge and Data Engineering (arXiv 2004.05785)
الأسئلة الشائعة
هل الجودة التنبؤية هي نفسها التحكم الإحصائي في العمليات (SPC)؟
لا. يراقب التحكم الإحصائي في العمليات متغيرًا واحدًا أو بضعة متغيرات وينبّه عندما تتغير العملية. أما الجودة التنبؤية فتستخدم متغيرات كثيرة من العملية والمنتج مرتبطة بكل قطعة أو دفعة، وتقدّر ما إذا كانت هذه الوحدة ستجتاز فحصها النهائي. والأسلوبان متكاملان: يحافظ SPC على استقرار العملية، وتشير الجودة التنبؤية إلى الوحدات المعرّضة للخطر.
هل يمكن أن تحل الجودة التنبؤية محل فحص نهاية الخط؟
ليس في البداية، وعادة ليس بالكامل. يحدد النموذج القطع التي تستحق اهتمامًا إضافيًا، بينما يبقى الفحص هو الذي يقرر المطابقة. ونتائج الفحص هي أيضًا التسميات التي يحتاجها النموذج للتحقق وإعادة التدريب، لذلك فإن تقليص الفحص أكثر من اللازم يحرم النموذج من البيانات التي تحافظ على دقته.
كم عيبًا نحتاج في السجل التاريخي لبناء نموذج؟
لا يوجد رقم عام، والقيد عادة هو عدد الوحدات المعيبة لا العدد الإجمالي للقطع. فقد ينتج خط ملايين القطع لكن بضع مئات فقط من العيوب من نوع معين. ويجب أن يغطي السجل أيضًا العُدد ودفعات المواد ومتغيرات المنتج التي سيواجهها النموذج أثناء الخدمة.
ما الفرق بين الجودة التنبؤية والفحص البصري بالكاميرات؟
يفحص الفحص البصري القطعة نفسها، عادة بكاميرات ونماذج لتحليل الصور، ويكتشف عيوبًا أصبحت ظاهرة. أما الجودة التنبؤية فتنظر في طريقة تصنيع القطعة، مثل الضغوط ودرجات الحرارة وعزوم الربط وأزمنة الدورة، وتقدّر النتيجة قبل أن يمكن قياسها. وتجمع بعض المصانع بين الاثنين: بيانات العملية للإشارة مبكرًا إلى القطع الخطرة، والكاميرات للتأكيد.
هل يمكن تشغيل نماذج الجودة التنبؤية محليًا (on-premise)؟
نعم. النماذج المعتادة، مثل الانحدار اللوجستي وأشجار التعزيز التدرجي (gradient boosting) المبنية على خصائص مستخرجة من بيانات العملية، صغيرة وتعمل على خوادم عادية داخل شبكة المصنع. وتشغيلها محليًا يُبقي أيضًا معاملات العملية وسجل العيوب، اللذين يصفان طريقة تصنيع منتجكم، داخل الشركة.



