التفتيش النشط باستخدام تقطير المعرفة لتنبؤ الأعطال بتكلفة فعّالة في عملية التصنيع

لماذا يهم اكتشاف المنتجات المعيبة مبكراً

من الهواتف الذكية إلى السيارات الكهربائية، نعتمد على منتجات معقدة مبنية من آلاف القطع الصغيرة. إذا كانت بعض هذه القطع معيبة، فقد يؤدي ذلك إلى إعادة عمل مكلفة في المصنع، أو سحب منتجات من السوق، أو حتى مشكلات سلامة للمستهلكين. لذلك تُجري الشركات المصنعة العديد من الاختبارات لالتقاط المشكلات مبكراً—لكنّ أشمل الاختبارات هي أيضاً الأبطأ والأكثر تكلفة. يستعرض هذا البحث كيف يمكن للمصانع استخدام الذكاء الاصطناعي للتنبؤ بأي المنتجات من المرجح أن تفشل، مع الحفاظ على السيطرة على تكاليف الاختبار.

نوعان من فحوصات المصنع

في خطوط الإنتاج الحديثة، لا يخضع كل عنصر لنفس مستوى التدقيق. تُطبق اختبارات بسيطة وسريعة على كل منتج؛ يسميها المؤلفون التفتيشات الأساسية. أما الاختبارات الأكثر تفصيلاً—التي قد تتطلب معدات خاصة أو ظروفاً قاسية—فإنها تُجرى على عيّنة أصغر لأنها مكلفة وتستغرق وقتاً؛ وهذه هي التفتيشات المتقدمة. تعمل نماذج الحاسوب التي تتنبأ بالأعطال بشكل أفضل عندما تطالع نتائج كلٍ من الفحوصات الأساسية والمتقدمة، لكن ذلك يعني دفع ثمن المزيد من الاختبارات المكلفة. النماذج التي تعتمد فقط على نتائج الفحوصات الأساسية أرخص للاستخدام لكنها عادة أقل دقة.

تعليم اختبار رخيص أن يفكر مثل اختبار مكلف

يتبنى الباحثون فكرة من التعلم الآلي تُعرف بتقطير المعرفة وتكيّفها مع بيئة التصنيع هذه. أولاً، يدربون نموذجاً متقدماً يصل إلى بيانات كلٍ من التفتيشات الأساسية والمتقدمة ويتعلم التنبؤ بما إذا كان كل منتج سيفشل في الاختبار النهائي في نهاية المطاف. بعد ذلك، يدربون نموذجاً أساسياً يرى فقط الاختبارات منخفضة التكلفة—لكنهم يوجّهون تعلّمه بحيث تُقلّد توقعاته توقعات النموذج المتقدم. عملياً، يُعلّم النموذج الأساسي أن يقترب من الفهم الأعمق للنموذج المتقدم، مع الاعتماد فقط على القياسات الرخيصة عند نشره في خط الإنتاج.

تقرير متى ننفق أكثر على الاختبارات

بمجرد تحسين النموذج الأساسي بهذه الطريقة، يدمجه المؤلفون في إطار تفتيش نشط. يخضع كل منتج أولاً للتفتيشات الأساسية ويقيّمه النموذج الأساسي المطوّر، والذي يُنتج أيضاً مؤشراً لمدى ثقته في حكمه. إذا كان النموذج واثقاً من أن العنصر جيد بوضوح أو معيب بوضوح، يمكن للمصنع تخطي الاختبارات المتقدمة المكلفة. تُرسل للاختبارات المتقدمة فقط العناصر التي تحمل توقعات غير مؤكدة ليُقيّمها النموذج المتقدم. تهدف هذه الاستراتيجية الانتقائية إلى تخصيص الفحوصات المكلفة للمنتجات التي سيكون لها فيها أكبر أثر.

اختبار الفكرة في صناعة الرقائق

لاختبار فعالية هذا النهج عملياً، حلّل الفريق بيانات حقيقية من مصنع لأشباه الموصلات. في إنتاج الرقائق، تخضع الوايفرات للعديد من الاختبارات الكهربائية؛ تُجرى بعض الاختبارات على كل شريحة، بينما تُطبّق اختبارات أخرى تحت ظروف قاسية على مجموعة فرعية فقط. بنى المؤلفون نماذج تنبؤ أساسية ومتقدمة باستخدام نوعين مختلفين من خوارزميات التعلم الآلي وقارنوا النماذج المدربة مع تقنيات تقطير المعرفة وبدونها. كما درسوا عدة طرق لقياس حالة عدم اليقين في التنبؤ لتقرير أي الرقائق يجب أن تتلقى تفتيشات متقدمة، وقَيّموا الأداء باستخدام مقياس معياري يعكس مدى تمييز النماذج بين الرقائق الجيدة والسيئة.

جودة أفضل بتكلفة أقل

أظهرت التجارب أن النماذج الأساسية المدربة بتقطير المعرفة كانت أكثر دقة باستمرار من النماذج الأساسية العادية، وفي مجموعة بيانات واحدة تفوّقت قليلاً على النموذج المتقدم الكامل. عندما أُدمجت هذه النماذج الأساسية المحسّنة مع استراتيجية التفتيش النشط، تمكنت المصانع من تحقيق أداء كشف أعطال يقارب أداء اختبار كل منتج بتفتيشات متقدمة، مع إرسال عدد أقل بكثير من العناصر عبر تلك الاختبارات المكلفة. بعبارة بسيطة، تتيح الطريقة للمصنعين اكتشاف مزيد من العيوب في وقت أبكر وبطريقة أكثر موثوقية، دون الحاجة إلى فحص كل شيء على أعلى مستوى، مما يوفر مساراً عملياً نحو جودة أعلى وتكاليف إنتاج أقل.

الاستشهاد: Heo, J., Son, M. & Shim, J. Active inspection with knowledge distillation for cost-effective fault prediction in manufacturing process. Sci Rep 16, 8613 (2026). https://doi.org/10.1038/s41598-026-39412-8

الكلمات المفتاحية: جودة التصنيع, تنبؤ الأعطال, تكلفة التفتيش, تقطير المعرفة, إنتاج أشباه الموصلات