تخيل عالماً لا تبني فيه الآلات منتجاتنا فحسب، بل تفكر وتتعلم مثلنا أيضاً. في هذه المقالة، نستكشف كيف يُحدث الذكاء الاصطناعي تحولاً في الصناعة التحويلية. من الروبوتات الذكية التي تقوم بفرز الأجزاء إلى الصيانة التنبؤية التي توفر وقت التعطل، يعيد الذكاء الاصطناعي تشكيل عمليات الإنتاج. سيكتشف القراء ثمانية تطبيقات رائدة للذكاء الاصطناعي تعزز الكفاءة وتحسن الجودة وتقلل التكاليف في التصنيع. تعمق في الأمر لترى كيف تدفع التكنولوجيا حدود ما يمكن أن تفعله الآلات.
تم تقديم مفهوم الذكاء الاصطناعي لأول مرة في خمسينيات القرن الماضي، أي منذ أكثر من ستين عامًا.
ومع ذلك، لم يشهد الذكاء الاصطناعي نموًا هائلاً إلا في السنوات الأخيرة، ويرجع ذلك في المقام الأول إلى نضوج تقنيات مثل إنترنت الأشياء (IoT) والبيانات الضخمة والحوسبة السحابية.
يسمح إنترنت الأشياء بالحصول على كميات هائلة من البيانات في الوقت الحقيقي، بينما توفر البيانات الضخمة موارد البيانات والدعم الخوارزمي للتعلم العميق. توفر الحوسبة السحابية موارد حاسوبية مرنة للذكاء الاصطناعي.
ويؤدي الجمع العضوي بين هذه التقنيات إلى التطوير المستمر للذكاء الاصطناعي، مما يؤدي إلى تقدم كبير. جلبت المباراة بين AlphaGo و Lee Sedol الذكاء الاصطناعي إلى الواجهة، مما أدى إلى موجة جديدة من الحماسة للذكاء الاصطناعي.
إن إطلاق ChatGPT في نهاية عام 2022، إلى جانب شعبية أدوات الرسم بالذكاء الاصطناعي مثل Stable Diffusion، جعل من عام 2023 العام الافتتاحي لدمقرطة الذكاء الاصطناعي!
تزدهر أبحاث وتطبيقات الذكاء الاصطناعي بشكل تدريجي في مختلف المجالات. ومع ظهور موجة التصنيع الذكي، تم دمج الذكاء الاصطناعي في كل جانب من جوانب الصناعة التحويلية، بما في ذلك التصميم والإنتاج والإدارة والخدمات.
يتم الآن تطبيق تكنولوجيا ومنتجات الذكاء الاصطناعي (AI) على نطاق واسع، من خلال سنوات من الاختبارات العملية، وتسريع دمج الذكاء الاصطناعي في مختلف الصناعات.
من من منظور تقني، من المقبول بشكل عام في هذا المجال أن القدرات الأساسية للذكاء الاصطناعي يمكن تصنيفها إلى ثلاثة مستويات: الذكاء الحاسوبي، والذكاء الإدراكي، والذكاء الإدراكي، والذكاء المعرفي.
يشير الذكاء الحسابي إلى سعة التخزين الفائقة للآلة وقدراتها الحسابية فائقة السرعة. ويمكنه إجراء التعلّم العميق استناداً إلى بيانات ضخمة، باستخدام الخبرة التاريخية لتوجيه البيئة الحالية.
مع التطور المستمر للقدرة الحاسوبية والتحديث المستمر لأساليب التخزين، يمكن القول إن الذكاء الحاسوبي قد تحقق.
على سبيل المثال، هزم AlphaGo، باستخدام تقنية التعلم المعزز، بطل العالم في لعبة Go، وتستخدم منصات التجارة الإلكترونية التعلم العميق بناءً على عادات الشراء لدى المستخدم لتوصيات المنتجات الشخصية.
يشير الذكاء الإدراكي إلى قدرة الآلات على امتلاك حواس مثل الرؤية والسمع واللمس. ويمكنها هيكلة البيانات غير المهيكلة والتفاعل مع المستخدمين بطرق التواصل البشري.
مع تقدم التقنيات المختلفة، يتم التعرف على قيمة المزيد من البيانات غير المنظمة واستغلالها. كما يتطور الذكاء الإدراكي المرتبط بالحواس مثل الصوت والصورة والفيديو ونقاط اللمس بشكل سريع.
تستخدم المركبات ذاتية القيادة وروبوتات بوسطن ديناميكس الشهيرة الذكاء الإدراكي؛ فهي تدرك وتعالج محيطها من خلال أجهزة استشعار مختلفة، وتوجه عملياتها بفعالية.
مقارنةً بالذكاء الحاسوبي والإدراكي، فإن الذكاء الإدراكي أكثر تعقيدًا؛ فهو يشير إلى قدرة الآلة على الفهم والاستقراء والاستدلال والاستدلال والاستفادة من المعرفة مثل الإنسان.
في الوقت الحالي، لا تزال تكنولوجيا الذكاء المعرفي في مرحلة البحث والاستكشاف.
على سبيل المثال، في قطاع السلامة العامة، استخلاص السمات وتحليل أنماط السلوكيات الجزئية والكلية للمجرمين، وتطوير نماذج وأنظمة الذكاء الاصطناعي للتنبؤ بالجريمة، واختراق الأموال، ومحاكاة تطور الجريمة في المناطق الحضرية.
في القطاع المالي، يتم استخدامه لتحديد المعاملات المشبوهة والتنبؤ بتقلبات الاقتصاد الكلي. لا يزال الطريق طويلاً لتسريع تطوير الذكاء المعرفي.
من من منظور التطبيق، قد يشمل نشر تقنية ذكاء اصطناعي واحدة مستويات متعددة من القدرات الأساسية مثل الذكاء الحاسوبي والذكاء الإدراكي.
تُعد الروبوتات الصناعية والهواتف الذكية والسيارات ذاتية القيادة والطائرات بدون طيار وغيرها من المنتجات الذكية بمثابة حاملات للذكاء الاصطناعي.
تمتلك هذه المنتجات، من خلال الجمع بين الأجهزة وأنواع مختلفة من البرمجيات، القدرة على الإدراك وإصدار الأحكام والتفاعل في الوقت الفعلي مع المستخدمين والبيئة، مع دمج مختلف القدرات الأساسية للذكاء الاصطناعي.
على سبيل المثال، في مجال التصنيع، يتم استخدام مجموعة متنوعة من الروبوتات الذكية على نطاق واسع: يمكن لروبوتات الفرز/الانتقاء أن تتعرف على الأشياء غير المنتظمة وتلتقطها بشكل مستقل.
الروبوتات التعاونية قادرة على فهم البيئة المحيطة بها والاستجابة لها. يمكن لعربات المتابعة الآلية التعرف على الوجوه لبدء التتبع الذاتي.
بمساعدة تقنية SLAM (التعريب المتزامن ورسم الخرائط)، يمكن للروبوتات المتنقلة المستقلة استخدام أجهزة الاستشعار المدمجة لتحديد علامات المعالم في بيئات غير معروفة، ثم تقدير الإحداثيات العالمية للروبوت وعلامات المعالم هذه بناءً على الموقع النسبي وقراءات عداد المسافات.
كما تدمج تكنولوجيا القيادة الذاتية، من حيث تحديد المواقع، والإدراك البيئي، وتخطيط المسار، واتخاذ القرارات السلوكية، والتحكم، تقنيات وخوارزميات الذكاء الاصطناعي المختلفة.
تشمل التطبيقات الحالية للذكاء الاصطناعي في الصناعات التحويلية في المقام الأول منتجات التفاعل الصوتي الذكي، والتعرف على الوجه، والتعرف على الصور، والبحث عن الصور، والتعرف على البصمة الصوتية، والتعرف على النصوص، والترجمة الآلية، والتعلم الآلي، وحوسبة البيانات الضخمة، وتصور البيانات.
يلخص النص التالي ثمانية سيناريوهات شائعة لتطبيقات الذكاء الاصطناعي التي غالبًا ما تُستخدم في التصنيع.
السيناريو الأول: الفرز الذكي
تتطلب العديد من المهام في التصنيع الفرز. وفي حالة تنفيذها يدويًا، تكون العملية بطيئة ومكلفة وتعتمد على الحفاظ على بيئة درجة حرارة عمل مناسبة. يمكن أن يؤدي تنفيذ الروبوتات الصناعية للفرز الذكي إلى تقليل التكاليف بشكل كبير وتحسين السرعة.
ضع في اعتبارك مثال فرز الأجزاء. غالباً ما تكون الأجزاء التي تحتاج إلى الفرز غير مرتبة بدقة، وعلى الرغم من أن الروبوت لديه كاميرا لرؤية الأجزاء، إلا أنه لا يعرف كيفية التقاطها بنجاح. في هذه الحالة، يمكن استخدام تقنية التعلم الآلي.
يقوم الروبوت بإجراء عملية فرز عشوائية، ثم يتم إبلاغه ما إذا كان الإجراء قد نجح في التقاط جزء ما أو أخطأه.
بعد عدة تكرارات تدريبية متعددة، يتعلم الروبوت تسلسل إجراءات الفرز التي تحقق أعلى معدل نجاح، والمواضع المثلى للإمساك بها من أجل الانتقاء الناجح، وترتيب الفرز الذي يحقق أعلى معدل نجاح.
بعد عدة ساعات من التعلم، يمكن أن يصل معدل نجاح الروبوت في الفرز إلى 90%، أي ما يعادل مستوى العامل الماهر.
السيناريو الثاني: إدارة صحة المعدات
من خلال إجراء مراقبة في الوقت الفعلي لـ تشغيل الماكينة البيانات، وتحليل الميزات، وتقنيات التعلم الآلي، يمكننا التنبؤ بأعطال المعدات قبل وقوع الحوادث، مما يقلل من وقت التعطل غير المجدول.
من ناحية أخرى، في حالة حدوث عطل مفاجئ في المعدات، يمكننا تشخيص المشكلة بسرعة وتحديد السبب وتقديم الحلول المناسبة.
يتم تطبيق ذلك بشكل شائع في الصناعة التحويلية، خاصةً في الهندسة الكيميائية، والمعدات الثقيلة، ومعالجة الأجهزة، والتصنيع ثلاثي الأبعاد، وطاقة الرياح، وقطاعات أخرى.
خذ أدوات ماكينات CNC كمثال. باستخدام خوارزميات التعلم الآلي وأجهزة الاستشعار الذكية لمراقبة المعلومات مثل الطاقة والتيار والجهد الكهربائي لـ أدوات القطعوالمغزل الرئيسي، ومحرك التغذية أثناء عملية التصنيع الآلي، يمكننا تحديد حالة الإجهاد والتآكل والتلف للأدوات، بالإضافة إلى حالة استقرار معالجة أداة الماكينة.
واستنادًا إلى هذه الحالات، يمكننا ضبط معلمات التشغيل الآلي (سرعة المغزل وسرعة التغذية) وتعليمات المعالجة في الوقت الفعلي، والتنبؤ بموعد استبدال الأداة لتعزيز دقة التشغيل الآلي وتقليل وقت تعطل خط الإنتاج وتحسين سلامة المعدات.
السيناريو الثالث: الكشف عن العيوب السطحية القائمة على الرؤية
أصبح تطبيق الرؤية الآلية للكشف عن العيوب السطحية شائعًا الآن في التصنيع.
يمكن للرؤية الآلية تحديد عيوب سطح المنتج البسيطة والمعقدة بسرعة في أجزاء من الثانية في ظل ظروف متغيرة باستمرار، وتصنيفها، مثل اكتشاف الملوثات السطحية والتلف والتشققات.
جمعت بعض شركات الذكاء الصناعي بين التعلم العميق والمجاهر ثلاثية الأبعاد لزيادة دقة اكتشاف العيوب إلى مستوى النانومتر.
بالنسبة للمنتجات المعيبة التي تم اكتشافها، يمكن للنظام أن يحدد تلقائيًا ما إذا كانت قابلة للإصلاح، ويخطط لمسار الإصلاح وطريقته، ثم تقوم الآلة بإجراء الإصلاح.
على سبيل المثال، تعد أنابيب PVC واحدة من أكثر مواد البناء استخدامًا وتستهلك بكميات كبيرة.
وهي عرضة للخدوش السطحية، والحفر، والتموجات المائية، والأسطح غير اللامعة أثناء عملية الإنتاج والتعبئة، مما يتطلب قدراً كبيراً من العمالة للفحص.
بعد تنفيذ الكشف التلقائي المرئي للعيوب السطحية، يتم الكشف عن الشوائب على سطح الأنبوب تلقائيًا من خلال تحديد الحد الأدنى والحد الأقصى لأحجام المساحة، مع دقة كشف بحد أدنى 0.15 مم² ومعدل كشف أكبر من 99%.
يتم الكشف عن الخدوش على سطح الأنبوب تلقائيًا عن طريق ضبط الحد الأدنى والحد الأقصى للأطوال والعرض، مع دقة كشف بحد أدنى 0.06 مم ومعدل كشف أكبر من 99%.
يتم اكتشاف التجاعيد على سطح الأنبوب تلقائيًا عن طريق ضبط الحد الأدنى والحد الأقصى للأطوال والعرض وأطوال المقاطع وعتبات اختلاف الألوان، مع دقة كشف بحد أدنى 10 مم ومعدل كشف أكبر من 95%.
السيناريو الرابع: فحص جودة المنتج وتحديد الأعطال بناءً على التعرف على البصمة الصوتية
وباستخدام تقنية التعرف على البصمة الصوتية، يمكننا الكشف تلقائيًا عن الأصوات الشاذة وتحديد المنتجات المعيبة ومقارنتها بقاعدة بيانات البصمة الصوتية لتحديد الأخطاء.
على سبيل المثال، منذ نهاية عام 2018، بدأ مصنع فيوريسيا (وشي) منذ نهاية عام 2018 تعاوناً شاملاً مع فريق علوم البيانات الضخمة التابع للمجموعة، وهو مخصص لتطبيق تقنية الذكاء الاصطناعي على تقييم أداء الضوضاء والاهتزازات والخشونة (NVH) لمعدلات ضبط المقاعد.
في عام 2019، قام مصنع Faurecia (Waurecia (Wuxi بدمج تقنية الذكاء الاصطناعي في الكشف عن الصوت الشاذ في أجهزة الضبط، مما يحقق أتمتة العملية بأكملها بدءًا من جمع الإشارات وتخزين البيانات وتحليل البيانات إلى التعلم الذاتي. تتجاوز كفاءة الكشف ودقته الفحص اليدوي التقليدي بكثير.
مع تطبيق نظام الكشف عن الضوضاء القائم على تقنية الذكاء الاصطناعي في مصنع وشي، انخفض عدد الموظفين من 38 إلى 3 موظفين. وفي الوقت نفسه، تحسنت القدرة على مراقبة الجودة بشكل كبير، مع تحقيق فائدة اقتصادية سنوية تصل إلى 4.5 مليون يوان.
المشهد الخامس اتخاذ القرار الذكي
يمكن لشركات التصنيع تطبيق تقنيات الذكاء الاصطناعي مثل التعلم الآلي جنبًا إلى جنب مع تحليل البيانات الضخمة لتحسين طرق الجدولة، وتعزيز قدراتها على اتخاذ القرارات في مجالات مثل جودة المنتجات، وإدارة التشغيل، وإدارة استهلاك الطاقة، وإدارة الأدوات.
على سبيل المثال، يتميز نظام إدارة الإنتاج الذكي لمصنع FAW Jiefang Wuxi لمحركات الديزل في مصنع FAW Jiefang Wuxi لمحركات الديزل بقدرات مثل جمع بيانات الشذوذ وجدولة الإنتاج، وتشخيص الأسباب غير الطبيعية بناءً على أشجار القرار، والتنبؤ بوقت تعطل المعدات بناءً على تحليل الانحدار، وجدولة تحسين القرار على أساس التعلم الآلي.
باستخدام بيانات عملية اتخاذ قرار الجدولة التاريخية ومؤشرات أداء الإنتاج الفعلية بعد الجدولة كمجموعة بيانات التدريب، وباستخدام خوارزميات الشبكة العصبية، يتم ضبط معلمات خوارزمية تقييم قرار الجدولة بدقة لضمان تلبية قرارات الجدولة لمتطلبات الإنتاج الفعلية.
المشهد السادس التوأمة الرقمية
التوأمة الرقمية هي انعكاس الكيانات المادية في العالم الافتراضي. يدمج إنشاء التوائم الرقمية بين الذكاء الاصطناعي والتعلم الآلي وبيانات أجهزة الاستشعار لإنشاء نموذج "حقيقي" محدث في الوقت الحقيقي، يدعم عملية اتخاذ القرار طوال دورة حياة المنتجات المادية.
في السعي وراء النمذجة ذات الترتيب المختزل للكيانات التوأم الرقمية، يمكن وضع نماذج معقدة وغير خطية في الشبكات العصبية. وبالاستفادة من التعلّم العميق، يتم إنشاء هدف محدود، تستند إليه النمذجة ذات الترتيب المختزل.
على سبيل المثال، في النموذج التقليدي، تتطلب محاكاة الموائع والمحاكاة الحرارية لمخرج أنبوب ماء ساخن وبارد، باستخدام خادم ذي 16 نواة، 57 ساعة لكل عملية حسابية. بعد تطبيق النمذجة ذات الترتيب المنخفض، تستغرق كل عملية حسابية بضع دقائق فقط.
المشهد السابع التصميم التوليدي
التصميم التوليدي هو عملية تفاعلية ذاتية الابتكار. عندما يقوم المهندسون بتصميم المنتجات، فإنهم يحتاجون فقط إلى تحديد المعلمات المرغوبة وقيود الأداء تحت توجيه النظام، مثل المواد والوزن والحجم، إلخ.
وباقتران ذلك مع خوارزميات الذكاء الاصطناعي، يمكن إنشاء مئات إلى آلاف الحلول القابلة للتطبيق تلقائيًا وفقًا لقصد المصمم. ثم تتم مقارنة هذه الحلول بشكل مستقل ويتم اختيار التصميم الأمثل والتوصية به للمصمم لاتخاذ القرار النهائي.
لقد أصبح التصميم التوليدي مجالاً جديداً متعدد التخصصات، مدمجاً بعمق مع تقنيات الحاسوب والذكاء الاصطناعي، حيث يطبق خوارزميات وتقنيات متقدمة في عملية التصميم.
تشمل الخوارزميات التوليدية المستخدمة على نطاق واسع الأنظمة البارامترية، وقواعد الأشكال (SG)، وأنظمة L، والأنظمة L، والخوارزميات الآلية الخلوية، وخوارزميات تحسين الطوبولوجيا، والأنظمة التطورية، والخوارزميات الجينية.
المشهد الثامن التنبؤ بالطلب وتحسين سلسلة التوريد
وبالاستفادة من الذكاء الاصطناعي، نضع نماذج دقيقة للتنبؤ بالطلب، مما يمكّن الشركات من وضع تنبؤات المبيعات، وتوقع متطلبات صيانة قطع الغيار، واتخاذ قرارات قائمة على الطلب.
وفي الوقت نفسه، ومن خلال تحليل البيانات الخارجية واستنادًا إلى تنبؤات الطلب، نقوم بصياغة استراتيجيات تجديد المخزون وتقييمات الموردين واختيار القطع.
على سبيل المثال، في جهد عملي للتحكم في تكاليف إدارة الإنتاج، هدفت شركة هوندا الأمريكية للسيارات إلى فهم متى سيحدث طلب العملاء في المستقبل.
لذلك، قاموا بإنشاء نموذج تنبؤي باستخدام بيانات المبيعات والصيانة من 1,200 وكيل. يقدر هذا النموذج عدد السيارات التي تعود إلى الوكلاء للصيانة خلال السنوات القليلة القادمة.
ثم استُخدمت المعلومات بعد ذلك لوضع معايير للتحضير المسبق لقطع الغيار المختلفة. وقد مكن هذا التحول شركة هوندا الأمريكية من تحقيق دقة في التنبؤ تصل إلى 99% وتقليل وقت شكاوى العملاء بمقدار ثلاثة أضعاف.
في الوقت الحالي، مع تزايد عدد الشركات والجامعات والمؤسسات مفتوحة المصدر التي تدخل مجال الذكاء الاصطناعي، يؤدي التدفق الكبير لبرامج ومنصات الذكاء الاصطناعي مفتوحة المصدر الناجحة إلى ازدهار غير مسبوق في مجال الذكاء الاصطناعي.
ومع ذلك، مقارنةً بقطاعات مثل التمويل، فإن تطبيقات الذكاء الاصطناعي في التصنيع، على الرغم من تعددها، ليست بارزة بشكل خاص، ويمكن القول إن تطورها كان بطيئًا نسبيًا.
تنبع الأسباب الرئيسية لهذه المشكلات من المجالات الثلاثة التالية:
1. يمثل جمع البيانات واستخدامها وتطويرها أثناء عملية التصنيع تحديات كبيرة. علاوة على ذلك، تعتمد معظم الشركات في المقام الأول على قواعد بيانات خاصة ومحدودة النطاق، مما يؤدي إلى نقص في عينات التعلم الآلي عالية الجودة. وهذا يقيد عملية التعلم الذاتي للآلة.
2. هناك مجموعة متنوعة من الاختلافات بين قطاعات التصنيع، مما يزيد من تعقيد حلول الذكاء الاصطناعي ويزيد من الطلب على التخصيص.
3. في مختلف الصناعات، هناك نقص في الشركات الرائدة التي يمكن أن تقود اتجاه دمج الذكاء الاصطناعي بعمق مع التصنيع.
من خلال معالجة هذه القضايا الثلاث الحاسمة، يمكن تطبيق تكنولوجيا الذكاء الاصطناعي بشكل أفضل في الصناعة التحويلية.