Sieć neuronowa rzędu ułamkowego do wykrywania odchyleń procesowych w produkcji kabli światłowodowych

Dlaczego drobne usterki w fabrykach kabli mają znaczenie

Każde połączenie wideo, kopia zapasowa w chmurze czy gra online opierają się na świetle pędzącym przez cieniutkie szklane włókna. Wytwarzanie tych włókien to delikatna sztuka: niewielkie wahania temperatury lub naprężenia mogą zamienić kilometry kabli w kosztowny odpady. Artykuł opisuje nowy rodzaj sztucznej inteligencji, która obserwuje linię produkcyjną światłowodów w czasie rzeczywistym i uczy się wyłapywać subtelne problemy na długo przed ich wykryciem w końcowych kontrolach jakości, pomagając oszczędzać materiał, energię i pieniądze.

Obserwowanie „bicia serca" fabryki włókien

Nowoczesne kable światłowodowe powstają w kilku etapach: szkło jest ciągnione na cienkie włókna, powlekane ochronnymi polimerami, wkładane do plastikowych rurek, skręcane w pęki i owijane zewnętrznymi powłokami. Na każdym etapie dziesiątki czujników rejestrują ciśnienie, temperaturę, prędkości i naprężenia. Na badanej linii ekstruzji 232 czujniki wysyłają nowy pomiar co sekundę przez lata. Przez większość czasu linia działa płynnie, ale defekty zwykle wykrywa się dopiero na samym końcu produkcji, przy testach gotowego kabla pod kątem tłumienia sygnału lub wad mechanicznych. To opóźnienie utrudnia ustalenie, kiedy i dlaczego pojawiła się usterka, a ogromna objętość danych uniemożliwia ręczny nadzór.

Nauczanie maszyn samodzielnego wykrywania nietypowych zachowań

Aby rozwiązać ten problem, badacze sięgnęli po rodzinę modeli deep learning znaną jako rekurencyjne sieci neuronowe, które dobrze radzą sobie z odczytywaniem sekwencji, takich jak mowa, tekst czy strumienie z czujników. Zamiast dokładnie określać, jak wygląda każda wada, model otrzymuje jedynie słabe wskazówki: niektóre serie produkcyjne są oznaczone jako problematyczne, inne jako poprawne. Zespół najpierw kompresuje surowe dane czujnikowe za pomocą transformacji falkowej, narzędzia matematycznego rozkładającego sygnał na wzorce krótkoterminowe i długoterminowe. Następnie grupują te wzorce, budując zbiór typowych „stanów" procesu, od normalnej pracy po różne rodzaje nieprawidłowości. Stany te służą jako przybliżone etykiety treningowe, pozwalając sieci nauczyć się, jakie wzorce czasowe często poprzedzają wadliwy produkt.

Nowy rodzaj pamięci dla sieci neuronowych

Główną innowacją pracy jest przeprojektowana komórka pamięci w sieci, nazwana FD‑LSTM (Fractional‑Derivative Long Short‑Term Memory). Standardowe komórki LSTM decydują przy każdym kroku czasowym, ile z przeszłości zapamiętać lub zapomnieć, stosując ustalone funkcje matematyczne. Autorzy zastępują je wersjami „ułamkowymi", które w praktyce dają modelowi strojoną, stopniowaną pamięć odległej przeszłości. Zamiast reagować tylko na ostatnie odczyty czujników, FD‑LSTM może płynnie ważzyć zdarzenia sprzed wielu minut, co ma kluczowe znaczenie w procesie, gdzie powolne dryfy ciśnienia, temperatury czy naprężenia włókna stopniowo prowadzą do wad.

Testowanie modelu na rzeczywistej linii produkcyjnej

Zespół ocenił podejście na 2,5 roku rzeczywistych danych z linii ekstruzji rurek włóknistych w zakładzie przemysłowym. Podzielili ciągły strumień czujników na krótkie okna około czterech minut i trenowali kilka modeli w ściśle kontrolowanych warunkach, zmieniając jedynie sposób obsługi pamięci. FD‑LSTM osiągnął około 96,7% dokładności oraz wysoki wynik F1 (równowaga precyzji i czułości), przewyższając klasyczne LSTM oraz bardziej tradycyjne metody, takie jak random forest, maszyny wektorów nośnych i prostsze sieci rekurencyjne. Kluczowym parametrem projektu jest rząd ułamkowy, który kontroluje, jak daleko w przeszłość model efektywnie „patrzy". Wartości nieco poniżej standardowego ustawienia sprawdziły się najlepiej, co sugeruje, że głównymi winowajcami na tej linii produkcyjnej są powoli rozwijające się dryfy, a nie nagłe skoki.

Od strumieni danych do lepszych kabli i bardziej ekologicznych zakładów

Ponad statystyką, ulepszony model wyraźnie oddziela słabe, powoli narastające anomalie od stanów prawidłowych — dokładnie to, czego inżynierowie zakładowi mają trudność dostrzec w zaszumionych danych. Ostrzegając operatorów wcześniej, system może skrócić czas, kiedy linia pracuje w warunkach poza specyfikacją, zmniejszając ilość odpadu i niepotrzebne zużycie energii. Choć badanie skupiło się na jednej linii produkcji rurek włóknistych, autorzy twierdzą, że ta sama idea pamięci ułamkowej może być zastosowana w dowolnym procesie przemysłowym, gdzie wiele czujników śledzi złożony, powoli dryfujący system — od reaktorów chemicznych, przez sieci energetyczne, po monitory intensywnej opieki. Mówiąc prościej: wyposażenie sieci neuronowych w bardziej niuansowe wyczucie czasu zdaje się czynić je lepszymi strażnikami jakości produktu i efektywności zasobów.

Cytowanie: 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

Słowa kluczowe: produkcja światłowodów, przemysłowe wykrywanie anomalii, sieci neuronowe ułamkowe, szeregi czasowe z czujników, predykcyjne utrzymanie ruchu