شبكة عصبية ذات رتبة كسرية لاكتشاف انحرافات العمليات في تصنيع كابلات الألياف الضوئية

لماذا تهم العثرات الصغيرة في مصانع الكابلات

تعتمد كل مكالمة فيديو ونسخة احتياطية على السحابة ولعبة عبر الإنترنت على ضوء يندفع عبر ألياف زجاجية رفيعة كالخيط. تصنيع هذه الألياف عمل دقيق: اهتزاز طفيف في درجة الحرارة أو الشد قد يحول كيلومترات من الكابل إلى خردة مكلفة. يصف هذا المقال نوعاً جديداً من الذكاء الاصطناعي الذي يراقب خط إنتاج الألياف الضوئية في الوقت الحقيقي ويتعلم اكتشاف المشكلات الطفيفة قبل وقت طويل من ظهورها في اختبارات الجودة النهائية، مما يساعد على توفير المواد والطاقة والتكاليف.

مراقبة نبض مصنع الألياف

تصنع كابلات الألياف الضوئية الحديثة عبر عدة مراحل: يسحب الزجاج لتشكيل ألياف رفيعة، تغطى بطبقات بوليمرية للحماية، تُدفع داخل أنابيب بلاستيكية، تُلف في حزم، وتُغلف بأغلفة خارجية. في كل مرحلة تتابع عشرات أجهزة الاستشعار الضغوط ودرجات الحرارة والسرعات والشدود. على خط البثق المدروس هنا، ترسل 232 مستشعراً قراءة جديدة كل ثانية لسنوات متواصلة. معظم الوقت يعمل الخط بسلاسة، لكن العيوب تُكتشف عادةً في نهاية الإنتاج فقط، عند اختبار الكابل النهائي لخسارة الإشارة أو العيوب الميكانيكية. هذا التأخير يصعّب معرفة متى ولماذا بدأ الخلل بالضبط، وحجم البيانات الضخم يجعل المراقبة اليدوية أمراً مستحيلاً.

تعليم الآلات العثور على السلوك الشاذ بنفسها

لمعالجة ذلك، لجأ الباحثون إلى عائلة من نماذج التعلم العميق تُدعى الشبكات العصبية المتكررة، وهي جيدة في قراءة المتتاليات مثل الكلام أو النصوص أو تدفقات أجهزة الاستشعار. بدلاً من إخبار النموذج مباشرةً بكيفية ظهور كل عيب، يتلقى أدلة ضعيفة فقط: تُوسم بعض دفعات الإنتاج على أنها تحتوي مشكلات وأخرى على أنها نظيفة. يضغط الفريق أولاً بيانات المستشعرات الخام باستخدام أداة رياضية تُسمى تحويل المويجة، التي تكسّر كل إشارة إلى مجموعة من الأنماط قصيرة وطويلة المدى. ثم يجمعون هذه الأنماط إلى عناقيد لبناء مجموعة «حالات» عملية نموذجية، تتراوح من التشغيل الطبيعي إلى عدة أنواع من السلوك الشاذ. تعمل هذه الحالات كوسوم تدريب تقريبية، مما يسمح للشبكة بتعلم أنواع الأنماط الزمنية التي تميل إلى أن تسبق المنتج السيئ.

نوع جديد من الذاكرة للشبكات العصبية

الابتكار المركزي في العمل هو إعادة تصميم خلية ذاكرة داخل الشبكة، تُسمى FD‑LSTM (ذاكرة طويلة قصيرة المدى بمشتق كسري). تقرر خلايا LSTM القياسية، عند كل خطوة زمنية، مقدار الماضي الذي تُبقيه أو تنساه باستخدام دوال رياضية ثابتة. استبدل المؤلفون هذه الدوال بنسخ «كسرية» تمنح النموذج فعلياً ذاكرة قابلة للضبط ومدرجة للماضي البعيد. بدلاً من أن يتفاعل مع قراءات المستشعر الحديثة فقط، يمكن لـ FD‑LSTM أن يوزِن بسلاسة أحداثاً وقعت قبل دقائق عديدة، وهو أمر حاسم في عملية حيث تؤدي الانحرافات البطيئة في الضغط أو الحرارة أو شد الألياف تدريجياً إلى عيوب.

اختبار النموذج على خط إنتاج حي

قيّم الفريق نهجه على بيانات حقيقية لمدة 2.5 سنة من خط بثق أنابيب الألياف في مصنع صناعي. قسّموا تدفق المستشعرات المستمر إلى نوافذ قصيرة مدتها نحو أربع دقائق ودربوا عدة نماذج تحت ظروف محكمة التحكم، متغيرين فقط طريقة معالجة الذاكرة. حققت FD‑LSTM دقة تقارب 96.7% ودرجة F1 عالية (توازن بين الدقة والاستدعاء)، متفوقة على LSTM الكلاسيكي وكذلك على طرق تقليدية مثل الغابات العشوائية، وآلات الدعم المتجهية، وشبكات متكررة أبسط. مفتاح في التصميم هو الرتبة الكسرية، التي تتحكم في مدى الماضي الذي «ينظر» إليه النموذج بفعالية. كانت القيم أدنى قليلاً من الإعداد القياسي هي الأفضل، مما يشير إلى أن الانجرافات البطيئة، وليس القفزات المفاجئة، هي المذنب الرئيسي في خط التصنيع هذا.

من تدفقات البيانات إلى كابلات أفضل ومصانع أكثر خضرة

بعيداً عن الإحصاءات، يفصل النموذج المحسن بوضوح بين الشذوذات الضعيفة والمتصاعدة ببطء والحالات الصحية، وهو بالضبط ما يكافح مهندسو المصنع لرصده في بيانات ضوضائية. من خلال إنذار المشغلين مبكراً، يمكن للنظام تقصير الوقت الذي يقضيه الخط في حالات خارج المواصفات، مما يقلل الخردة والاستهلاك غير الضروري للطاقة. على الرغم من أن هذه الدراسة ركزت على خط أنابيب ألياف واحد، يجادل المؤلفون أن فكرة الذاكرة الكسرية نفسها يمكن تطبيقها على أي عملية صناعية تتعقب فيها العديد من المستشعرات نظاماً معقداً يتجه ببطء—من المفاعلات الكيميائية إلى شبكات الطاقة أو أجهزة مراقبة العناية المركزة. بعبارة بسيطة، يبدو أن إعطاء الشبكات العصبية إحساساً زمنياً أكثر دقة يجعلها حراساً أفضل لجودة المنتج وكفاءة الموارد.

الاستشهاد: Gomolka, Z., Zeslawska, E. & Olbrot, L. Fractional-order neural network for detecting process deviations in optical fiber cable manufacturing. Sci Rep 16, 6677 (2026). https://doi.org/10.1038/s41598-026-37770-x

الكلمات المفتاحية: تصنيع الألياف الضوئية, كشف الشذوذات الصناعية, الشبكات العصبية الكسرية, سلاسل زمنية من أجهزة الاستشعار, الصيانة التنبؤية