بحث حول تحسين جدولة ورشة معالجة صفائح السفن بناءً على خوارزمية NSGA-II المحسّنة

لماذا تحتاج أحواض بناء السفن إلى جداول أذكى

تتعامل أحواض بناء السفن الحديثة مع آلاف الصفائح الفولاذية الثقيلة التي يجب تحديد أماكنها وقصها ونقلها بالترتيب الصحيح. يمكن لأي اضطراب بسيط — مثل تعطل آلة القص أو طلب مستعجل — أن ينتشر عبر الورشة، مهدراً الطاقة، ومجهداً بعض الآلات، ومهدداً مواعيد التسليم. تعرض هذه الورقة طريقة جديدة لإعادة تنظيم العمل تلقائياً في ورشة معالجة الصفائح عند حدوث مثل هذه الاضطرابات، باستخدام خوارزمية تطورية محسّنة للحفاظ على سرعة الإنتاج وموثوقيته وكفاءته.

الحفاظ على استقرار الإنتاج عند وقوع الأخطار

صناعة السفن هي عملية تصنيع معقدة تقوم على التوقف والاستئناف. تختلف الصفائح في الحجم والشكل، وتتشارك آلات متعددة عبء العمل. اليوم، عند وقوع حدث غير متوقع، لا تزال العديد من الأحواض تعتمد على موظفين ذوي خبرة لإعادة ترتيب الخطة يدوياً. هذا يستغرق وقتاً وغالباً ما يؤدي إلى استخدام غير متوازن للآلات وتكاليف أعلى. يركز المؤلفون على سؤال أساسي: عندما تتعرض ورشة العمل لأحداث مثل أعطال الآلات، أو إعادة العمل، أو وصول مواد متأخرة، كيف يمكن للحاسوب أن يولّد بسرعة خطة جديدة تنهي العمل في الوقت المحدد، وتبقي استهلاك الطاقة منخفضاً، وتتجنب تحميل أي آلة أكثر من طاقتها؟

تحويل الورشة إلى توأم رقمي

لمعالجة ذلك، يحول الباحثون أولاً ورشة صفائح السفن إلى نموذج رقمي مفصل. يبنون تخطيطاً ثلاثي الأبعاد للآلات وتدفقات المواد باستخدام برمجيات هندسية، ويربطونه بمنصة بيانات إنترنت الأشياء التي تجمع معلومات في الوقت الحقيقي من طاولات القص والرافعات وغيرها من المعدات. هذا يخلق ما يشبه "توأماً رقمياً" للورشة: بيئة افتراضية تعكس ما يحدث على أرض الواقع. تتدفق بيانات الإنتاج إلى نظام جدولة يستخدم خوارزميات تحسين لاقتراح خطة عمل أولية. تُختبر تلك الخطة في المحاكاة للتحقق مما إذا كانت تحترم مواعيد التسليم وتستخدم الآلات بشكل معقول قبل أن تُعاد للتحكم في الورشة الحقيقية.

موازنة الزمن والتكلفة وحمل الآلات

جوهر الدراسة هو وصف رياضي لكيفية حركة الصفائح عبر الورشة. تمر كل صفيحة بعدة مراحل على آلات مختلفة، ويجب أن تحترم الخطة ترتيب العمليات وسعة كل آلة وموعد التسليم المتفق عليه. يحدد المؤلفون ثلاثة أهداف في آن واحد: تقصير زمن الإنجاز الكلي، وتقليل إجمالي الطاقة المستخدمة أثناء المعالجة والوضعية الاحتياطية، وتجنب فترات طويلة تكون فيها الآلات إما خاملة أو محمّلة زيادة عن الحاجة. هذا النوع من المشاكل متعددة الأهداف لا يملك جواباً مثالياً وحيداً. بدلاً من ذلك، ينتج عنه مجموعة من التنازلات — على سبيل المثال، إنهاء العمل مبكراً قليلاً بتكلفة استهلاك طاقة أعلى. هدف الخوارزمية هو رسم هذه التنازلات حتى يتمكن المخططون من اختيار جدول يتماشى مع أولوياتهم.

تعليم خوارزمية على التأقلم مثل خبير

للبحث عبر فضاء ضخم من جداول العمل المحتملة، يحسن المؤلفون طريقة تطورية شهيرة تُدعى NSGA-II، التي تعمل عن طريق تطور مجموعة من خطط المرشحين عبر أجيال عديدة. النسخ التقليدية تستخدم إعدادات ثابتة لمدى تكرار خلط الخطط وتغييرها عشوائياً، وتحتفظ بأفضل الخطط بطريقة بسيطة. هذا قد يجعل البحث "يعلق" مبكراً. هنا، تتكيف احتمالات الخلط والطفرات تلقائياً مع تقدم البحث، مما يشجع على استكشاف واسع في البداية ومزيد من الدقة لاحقاً. في الوقت نفسه، يتحكم قانون اختيار النخبة الجديد، المستوحى من التلدين المحاكًى، في عدد أفضل الخطط التي تُحفظ من كل جيل. يساعد ذلك على الحفاظ على التنوع بين الجداول الواعدة حتى لا يتقارب البحث بسرعة إلى حل دون المستوى المطلوب.

إثبات الطريقة عبر اختبارات وورشة حقيقية

تم اختبار النهج المحسّن بطريقتين. أولاً، شُغّل على مجموعة من معايير الجدولة القياسية المستخدمة على نطاق واسع من قبل الباحثين. عبر معظم هذه الاختبارات، وجد حلولاً أكثر تنوعاً وجودة أعلى من كل من NSGA-II الأصلي ونُسخة أحدث تُسمى NSGA-III. ثانياً، طبق الفريق الطريقة على طلب إنتاج حقيقي يشمل 16 صفيحة وسبع آلات في حوض سفن، ثم أدخل اضطرابات واقعية: أعمال إعادة عمل مستعجلة وتعطل كبير لآلة. في كل حالة، يحاول النظام أولاً تأجيل المهام المتأثرة إلى اليمين ببساطة؛ وإذا كان ذلك سيؤدي إلى فقدان موعد التسليم، فإنه يبدأ إعادة جدولة كاملة باستخدام الخوارزمية المحسّنة. مقارنةً بالاستراتيجيات التقليدية، تقدم الطريقة الجديدة أزمنة إنجاز أقصر، واستهلاك طاقة أقل أو مماثل، وتوازناً أفضل في أحمال الآلات، مع حساب خطط بسرعة كافية للاستخدام العملي.

ما الذي يعنيه هذا لصناعة السفن

بالنسبة لغير المختصين، الرسالة الأساسية هي أن ورش معالجة صفائح السفن يمكنها الآن الاستجابة للمفاجآت بطريقة أكثر تلقائية وموثوقية. من خلال الجمع بين تدفق بيانات حي من المصنع، ونموذج رقمي واقعي، وخوارزمية تطورية أذكى، تحافظ الطريقة على سير الإنتاج وفق الجدول مع تدخل يدوي أقل. على المدى الطويل، يمكن أن تساعد مثل هذه الجدولة الديناميكية الأحواض على تقليل التأخيرات، وتوفير الطاقة، واستغلال المعدات المكلفة بشكل أفضل — خطوة ملموسة نحو تصنيع أكثر ذكاءً ومرونة.

الاستشهاد: Dong, L., Liu, J., Gu, S. et al. Research on scheduling optimization of ship plate processing workshop based on improved NSGA-II algorithm. Sci Rep 16, 5549 (2026). https://doi.org/10.1038/s41598-026-35278-y

الكلمات المفتاحية: بناء السفن, جدولة الإنتاج, خوارزمية جينية, التصنيع الذكي, التحسين الديناميكي