Lakhasly

سابقا كانت الصيانة تجرى بعد حدوث الأعطال او على شكل صيانات دورية كل فترة زمنية معينة، تتيح هذه البيانات التنبؤ بالأعطال قبل حدوثها وجدولة الإصلاحات بشكل استباقي (Charrington, تطبيقات الذكاء الاصطناعي في التنبؤ بالأعطال في الآلات الكهربائية: سبب تفوق نموذج (CatBoost) هو قدرته على التعامل مع البيانات الفئوية، يتيح الذكاء الاصطناعي للشركات إمكانية تتبع جميع أنشطتها وعملياتها من البداية إلى النهاية بشكل كامل (Javaid et al. 6. تقنيات الذكاء الاصطناعي في التنبؤ بالأعطال وتحسين الصيانة: تعد تقنية التعلم الآلي فرع من فروع الذكاء الاصطناعي يقوم بتطوير النماذج الرياضية التي تستطيع التعلم والتكيف بشكل ذاتي من خلال تحليل البيانات المتاحة لها، عن طريق تحليل البيانات والتعلم منها ثم تطبيقها، والشبكات العصبية Neural Networks-ANN لتصنيف البيانات والتنبؤ بالقيم في نفس الوقت، عن طريق نماذج مثل K-Means لتجميع البيانات حسب القرب والمسافة، وخوارزمية تجميع البيانات حسب الكثافة DBSCAN، 1 خوارزميات التعلم الخاضع للإشراف: تتميز بالسرعة والأداء العالي مما يمكنها من حل مشكلات واقعية بأقل قدر من الموارد (Chen & Guestrin, خوارزمية التجميع حسب المسافة K-Means: هي طريقة تقسيم تستخدم للتجميع، خوارزمية تجميع البيانات حسب الكثافة DBSCAN: خوارزمية تجميع تعتمد على الكثافة في تحديد مجموعات البيانات، مما يجعلها مثالية لالتقاط الأنماط المعقدة المرتبطة بالأعطال التي قد يصعب تمثيلها باستخدام النماذج الخطية التقليدية يمكن لهذه النماذج إجراء تعلم شامل، تختلف أنواع الأعطال وظروف التشغيل في البيئات الصناعية، 2025): مما يجعلها مفيدة بشكل خاص للمهام التي تتطلب بيانات عالية الأبعاد وغير منظمة، تتميز شبكات CNNs بمهام متقدمة بشكل ملحوظ، 2018)، الذكاء الاصطناعي هو الفئة العامة المشتركة بينهم،

1. 
   

   المقدمة:
   لقد أدى التطور التكنولوجي الكبير الذي تشهده الانظمة الصناعية الحالية إلى ظهور أنظمة إنتاج حديثة معقدة، مما زاد من أهمية السيطرة على العملية الإنتاجية وقيادتها بشكل فعال لتحقيق الاستغلال الأمثل للموارد في خطوط الإنتاج، سابقا كانت الصيانة تجرى بعد حدوث الأعطال او على شكل صيانات دورية كل فترة زمنية معينة، هذه الإجراءات يمكنها الحفاظ على كفاءة النظام واطالة عمر الآلات والمعدات، لكنها لا يمكنها التنبؤ بالأعطال قبل حدوثها، التي ينتج عنها خسائر مالية كبيرة وتأخير في الإنتاج، ولتجنب التوقفات المتكررة الناتجة عن الأعطال المفاجئة، برز دور الذكاء الاصطناعي في تحسين الصيانة والتنبؤ بالأعطال.
   يستخدم الذكاء الاصطناعي تقنيات وعلوم الحاسوب التي تمكن البرامج من إظهار الذكاء والقيام بأشياء تبدو شبيهة بالبشر، يشمل ذلك اتخاذ القرارات، والتعرف على الأشياء، أو حتى فهم الكلام، وتتضمن الصيانة التنبؤية اكتشاف الأعطال وعزلها، حيث تركز على التنبؤ بفشل الأنظمة المستخدمة قبل أن يؤدي ذلك إلى توقفها عن العمل، تعتبر شركة جنرال إلكتريك مثالا يستشهد به كثيرا، فهي تقدم محركات للطائرات مدمج بها 5000 مستشعر ينتج ما بين 5 و10 تيرا بايت من بيانات الأداء والكفاءة، تتيح هذه البيانات التنبؤ بالأعطال قبل حدوثها وجدولة الإصلاحات بشكل استباقي (Charrington, 2017).
   تشمل تقنيات الذكاء الاصطناعي التعلم الآلي والتعلم العميق، تستخدم نماذج وخوارزميات لاستخراج معلومات قيمة من البيانات، مما يمكن الآلات من التعلم وإجراء تنبؤات دقيقة في التطبيقات العملية، النوع الأول هو التعلم الآلي الخاضع للإشراف يستخدم عند الحاجة إلى تحقيق أهداف محددة باستخدام مجموعة من المدخلات، عن طريق بيانات مصنفة، تدرب الخوارزميات على تصنيف المعلومات أو التنبؤ بالنتائج، النوع الثاني التعلم الآلي الغير خاضع للإشراف الذي يعتمد على مجموعات البيانات بشكل مستقل دون تسميات، ممثلا عملية قائمة على البيانات دون تدخل بشري ويستخدم غالبا لتحديد الاتجاهات المهمة، واستخراج السمات، وتجميع النتائج، وإجراء التحليلات، تشمل المهام النموذجية تعلم السمات، والتجميع، واكتشاف قواعد الارتباط، وتقدير الكثافة، وتقليل الأبعاد، والكشف عن الشذوذ، يعتمد التعلم العميق بشكل أساسي على التعلم غير الخاضع للإشراف، ويدمج الشبكات العصبية والنمذجة الرسومية والتحسين، مما يمكن من تحقيق تقدم كبير في معالجة البيانات، يستخدم التعلم العميق خوارزميات تحسين حاسوبية مصممة على غرار الشبكات العصبية الاصطناعية لمحاكاة العمليات المعرفية البشرية (Singh et al., 2025).
   يمكن للذكاء الاصطناعي أن يحل المشكلات المعقدة بطريقة فعالة في العديد من الصناعات، ومن المتوقع أن تتوسع عائدات الذكاء الاصطناعي لحلول المؤسسات من 1.62 مليار دولار في 2018 إلى 31.2 مليار دولار في 2025، وهو ما يمثل 52.59 % من معدل النمو السنوي (Iqbal et al., 2021)، تعد برامج التعرف ووضع العلامات، ومعالجة بيانات، والصيانة التنبؤية، واستخدام المنهجيات وذكاء الآلة للتنبؤ بالأعطال المحتملة ومنعها، والتوظيف الذكي، وأنظمة الموارد البشرية، مجرد أمثلة قليلة من العديد من حالات استخدام التطبيقات المؤسسية المتوقعة لدعم التطور الهائل للذكاء الاصطناعي حيث تشير الإحصائيات إلى أن استخدام الذكاء الاصطناعي في مختلف القطاعات قد زاد بنسبة 270 % خلال السنوات الماضية.

   
   


2. 
   

   الدراسات السابقة:
   أصبحت تقنيات الذكاء الاصطناعي من الادوات الأساسية في التنبؤ بالأعطال وتحسين الصيانة ، وضيفتها تعزيز موثوقية وكفاءة المعدات في خطوط الانتاج، وقد أظهرت الأبحاث الحديثة أن الذكاء الاصطناعي قادر على تقليل فترات التوقف بشكل كبير وزيادة إنتاجية أنظمة التصنيع.
   تطبيقات التعلم العميق لاكتشاف الأخطاء في التشكيل البارد الصناعي:
   في دراسة اجراها (Glaeser et al., 2021)، استخدم فيها نموذجين من الشبكات العصبية التلافيفية (CNNs)، وشجرة القرار (DT) لاكتشاف الأعطال في عمليات التشكيل البارد للمعادن، تم جمع البيانات البيئة الصناعية بواسطة مستشعرات (A1) و (A2)، حقق نموذج الشبكات العصبية التلافيفية (CNNs) دقة بلغت (%99.02) في اكتشاف الأعطال، و(%92.66) في تصنيفها، أما نموذج وشجرة القرار (DT) حقق دقة (%92.5)، بينما فشل في تصنيفها، كما أظهرت النتائج أن استخدام مستشعر واحد (A2) قد يكون كافيًا لتحقيق نتائج قريبة من استخدام كلا المستشعرين، مما يقلل التكاليف في التطبيقات الصناعية.
   تطبيقات الذكاء الاصطناعي في التنبؤ بالأعطال في الآلات الكهربائية:
   في دراسة (Habyarimana & Adebiyi, 2025)، أستعرض الباحثان أحدث الخوارزميات المستخدمة في الكشف المبكر عن الأعطال في المحركات والمولدات الكهربائية، مثل الشبكات العصبية الاصطناعية (ANNs)، وشجرة القرار (DT)، حققت هذه الدراسة نتائج ساهمت في رفع دقة التنبؤ بالأعطال بنسبة (%90)، الاعتماد على تقنيات الذكاء الاصطناعي ودمجها في الصناعة يساهم في تقليل زمن التوقف المفاجئ وخفض تكلفة الصيانة الوقائية، مما يسهم في تقليل الخسائر وزيادة الموثوقية التشغيلية للمنشآت الصناعية.
   الصيانة التنبؤية للمحركات الكهربائية باستخدام نماذج التعلم الخاضع للإشراف:
   في دراسة (Baradaran, 2025)، تم فيها تشخيص حالة المحركات الكهربائية وتصنيفها الى ثلاث فئات (سليم، بحاجة الى صيانة، عاطل)، باستخدام مجموعة من الخوارزميات مثل دعم الآت المتجهات (SVM)، التجاور الأقرب (KNN)، نموذج XGBoost))، نموذج (CatBoost)، تم تدريب النماذج بناء على الخصائص الفيزيائية والكهربائية للمحرك، تشمل (درجة الحرارة، التيار الكهربائي، الاهتزازات، المقاومة)، حيث حقق نتائج مختلفة وتفوق نموذج (CatBoost) على باقي النماذج، بلغت دقة التصنيف (%92.86)، ونسبة التنبؤ واكتشاف الأعطال بدقة (%91.94)، أما باقي النماذج أعطت نسب متفاوتة في التنبؤ واكتشاف الأعطال، التجاور الأقرب (KNN) بنسبة (%82.86)، دعم الآت المتجهات (SVM) نسبة (%87.62)، نموذج (CatBoost) بنسبة (%90.48).
   سبب تفوق نموذج (CatBoost) هو قدرته على التعامل مع البيانات الفئوية، ومنع الإفراط في التعلم، والتعامل مع القيم المفقودة. وقد أكدت النتائج قدرته على التمييز بفعالية بين الحالات الثلاث، مما يعزز دوره كأداة فعالة في استراتيجيات الصيانة التنبؤية وتقليل فترات التوقف غير المخطط لها في البيئات الصناعية.

   
   


3. 
   

   أهمية تقنيات الذكاء الاصطناعي في التنبؤ بالأعطال وتحسين الصيانة:

   
   

1. تقليل فترات التوقف، أهم النقاط الإيجابية لأنظمة الصيانة الاستباقية المعتمدة على الذكاء الاصطناعي هي تجنب فترات التوقف المفاجئة، من خلال تحديد المشاكل المحتملة ومعالجتها قبل بطريقة استباقية قبل حدوثها.


2. انخفاض تكلفة الصيانة، بذلا من اجراء الصيانة بشكل تفاعلي عند تعطل الآلات والمعدات، تراقب الخوارزميات المعدات في الوقت الفعلي وتقدر متي يجب اجراء الصيانة ويمكن لهذه الإجراءات ان توفر الكثير .


3. إطالة عمر الآلات، يمكن لمراقبة حالات المعدات التشغيلية بصورة منتظمة ومعالجة المشاكل البسيطة قبل ان تصبح كبيرة ان تحافظ على استمرارية التشغيل وتعزيز الكفاءة وتحسين مستوي الإنتاج.

4. الذكاء الاصطناعي:
   يمكن تعريفه على أنه فرع من علوم الحاسوب، يهدف الى تطوير خوارزميات تتيح التعلم والمعالجة واتخاذ القرارات بناء على تحليل البيانات، دمج الذكاء الاصطناعي في الصناعة من أهم التطورات في القرن الحالي، لأنه أعطى الآلات والأنظمة القدرة على التفكير بطريقة تشبه الإنسان، مثل اتخاذ القرارات وحل المشاكل، كل هذا يتم من خلال خوارزميات ذكية ومتطورة حيث يلعب دور كبير في تحسين كفاءة الإنتاج ومراقبة الجودة بشكل أدق والتنبؤ بالأخطاء قبل حدوثها، واتخاذ قرارات أسرع وأكثر دقة، يوفر الذكاء الاصطناعي معلومات مناسبة لاتخاذ القرارات وتنبيه الأفراد إلى الأعطال المحتملة، يتيح الذكاء الاصطناعي للشركات إمكانية تتبع جميع أنشطتها وعملياتها من البداية إلى النهاية بشكل كامل (Javaid et al., 2022)، تعتبر الصيانة التنبؤية من أكثر تطبيقات الذكاء الاصطناعي تأثيرا في عالم الصناعة، حيث يقوم النظام بتحليل البيانات من المستشعرات على الآلات والمكونات للتنبؤ بالأعطال قبل وقوعها، للتقليل من فترات التوقف المفاجئة وتكاليف الصيانة المترتبة عن التوقف، مما يساهم في تعزيز مراقبة الجودة وتحسين العملية الصناعية.


5. الصيانة:
   هي مجموعة من الإجراءات تهدف الى الحفاظ على الحالة التشغيلية للمعدات والآلات في خطوط الإنتاج، تهدف الى منع حدوث الأعطال والتنبؤ بها وإصلاحها، يتم تصنيف الصيانة إلى ثلاث فئات (Ding & Kamaruddin, 2015):

1. الصيانة التصحيحية (CM): تعتبر أقدم وأول أنواع الصيانة في قطاع التصنيع، حيث تجرى الصيانة بعد حدوث الأعطال، لذلك تتطلب إجراءات بسيطة بدون دراسة علمية حقيقية، لكنها قد تتسبب في خسائر كبيرة وأضرار جسيمة بسبب الأعطال الغير متوقعة.


2. الصيانة الوقائية (PM): يتم استخدام هذا النوع لمنع حدوث الأعطال والحفاظ على النظام في حالة تشغيل سليمة، تهدف إلى إطالة العمر الافتراضي للنظام، يتم ذلك عن طريق إجراء صيانة دورية على فترات زمنية ثابتة للتقليل من الأعطال ومنع حدوثها.


3. الصيانة التنبؤية (PdM): تعرف بالصيانة القائمة على الحالة، تهدف الى منع حدوث الأعطال والحفاظ على الحالة التشغيلية للنظام باستخدام التكنولوجيا المتقدمة، تتم الصيانة فيها عن طريق مراقبة البيانات التي يتم جمعها من المستشعرات.

6. تقنيات الذكاء الاصطناعي في التنبؤ بالأعطال وتحسين الصيانة:
   تستخدم هذه الدراسة منهجية لبحث تطبيق الصيانة التنبؤية المبنية على الذكاء الاصطناعي في خطوط الانتاج، تعتبر تقنيات الذكاء الاصطناعي هي أساس التنبؤ بالأعطال وتحسين الصيانة في أنظمة التصنيع وخطوط الإنتاج، تتضمن هذه التقنيات المستخدمة، التعلم الالي (ML)، والتعلم العميق (DL)، تتيح هذه التقنيات تحليل مجموعات ضخمة من البيانات الناتجة عن طريق المستشعرات المثبتة في مكونات ومعدات خطوط الإنتاج، للكشف عن الشذوذ في العمليات، والتنبؤ بنقاط الفشل، وتحسين جداول الصيانة.
   5.1 التعلم الالي (ML):
   تعد تقنية التعلم الآلي فرع من فروع الذكاء الاصطناعي يقوم بتطوير النماذج الرياضية التي تستطيع التعلم والتكيف بشكل ذاتي من خلال تحليل البيانات المتاحة لها، وتستخدم هذه التقنية في مجالات متعددة مثل التعرف على الصوت والصورة والترجمة الآلية وتحليل النصوص والتعلم الإلكتروني والتنبؤ بالبيانات، عرف (Hasan, 2021) التعلم الآلي على انه فرع من الذكاء الاصطناعي يركز على هدف محدد، وهو توجيه أجهزة الكمبيوتر لإنجاز المهام بأقل ادخل بشري في البرمجة، عن طريق تحليل البيانات والتعلم منها ثم تطبيقها، تنقسم تقنيات التعلم الآلي إلى قسمين وهما التعلم الخاضع للإشراف، والتعلم الغير خاضع للإشراف (Sivasankari & Sukumaran, 2024)، التي بدورها تتضمن مجموعات مختلفة من النماذج التي يتم استخدامها لأغراض مختلفة مثل التصنيف، والتنبؤ، واكتشاف الأنماط، يتم تصنيف البيانات في التعلم الخاضع للإشراف باستخدام خوارزميات مثل دعم الات المتجهات SVM، والتجاور الأقرب K,KNN، أما في التنبؤ بالقيم يتم استخدام نماذج مثل الانحدار الخطي Linear Regression، ونموذج XGBoost، ويتم استخدام شجرة القرار DT و نموذج CatBoost والغابات العشوائية Random Forest، والشبكات العصبية Neural Networks-ANN لتصنيف البيانات والتنبؤ بالقيم في نفس الوقت، كذلك يتم استخدام التعلم الغير خاضع للإشراف لاكتشاف الأنماط، عن طريق نماذج مثل K-Means لتجميع البيانات حسب القرب والمسافة، وخوارزمية تجميع البيانات حسب الكثافة DBSCAN، ويتم استخدام خوارزميات ICA وPCA لتقليل الابعاد وتحليل وفصل المكونات، مع تنوع واختلاف النماذج يكون الهدف منها اكتشاف الأنماط المخفية وتجميع البيانات المتشابهة والكشف عن الشذوذ فيها وتقليل الابعاد بينها، يوضح الشكل(1) خوارزميات وتقنيات التعلم الآلي.

الشكل(1): خوارزميات وتقنيات التعلم الآلي.
5.1.1 خوارزميات التعلم الخاضع للإشراف:
دعم الآت المتجهات SVM: هي أحد خوارزميات التعلم الآلي يتم استخدامها في التصنيف والانحدار، تعتمد على إيجاد المستوى الفاصل الأفضل الذي يفصل بين الفئات في فضاء متعدد الابعاد بأكبر هامش يمكن الوصول اليه، تستخدم وضائف النواة لتحويل البيانات الى فضاء ابعاده عالية لجعله قابل للفصل خطيا (Cortes & Vapnik, 1995).
التجاور الأقرب K,KNN: هي خوارزمية تصنيف غير معلمية) تتعلم من البيانات مباشرة دون افتراض نموذج احتمالي مسبق لتوزيعها)، تتميز هذه الخوارزمية بمرونتها في التعامل مع البيانات الجهولة أو التي يصعب تحديدها، تعتمد على تصنيف البيانات الجديدة بناء على تشابهها مع أقرب نقطة في بيانات التدريب المصنفة مسبقا (Taunk et al., 2019).
شجرة القرار DT: هو نوع من المصنفات الهرمية يقسم عملية اتخاذ القرارات المعقدة إلى سلسلة من القرارات الأبسط على شكل شجرة، كل عقدة داخلية تطرح اختبارا على سمة (ميزة) من بيانات الإدخال، وكل فرع يمثل نتيجة هذا الاختبار، أما الأوراق فتمثل الفئات أو المخرجات النهائية، ما يميز النهج الهرمي أنه يسمح برفض بعض الفئات في مراحل وسيطة لتقليل الخطأ، الهدف من هذا التقسيم المتدرج هو تقريب الحل النهائي الى الحل المرغوب بدقة، مع إبقاء كل خطوة مفهومة وسهلة التفسير(Safavian & Landgrebe, 1991).
الغابات العشوائية Random Forest: هي مصنف يتكون من مجموعة من المصنفات المهيكلة على شكل شجرة، ومتجهات عشوائية مستقلة وموزعة بشكل متطابق، تقوم بإنشاء عدد كبير من أشجار القرار بناء على عينات عشوائية من البيانات وتجمع نتائجها لتحسين دقتها وتقليل التباين، في الغابات العشوائية تعطي المدخلات العشوائية والسمات العشوائية نتائج جيدة في التصنيف، بينما تعطي نتائج أقل في الانحدار (Breiman, 2001).
الشبكات العصبية Neural Networks-ANN: هي من أدوات نمذجة البيانات الإحصائية الغير خطية تستخدم لوصف التفاعلات المعقدة بين المدخلات والمخرجات أو لاكتشاف الأنماط، يمكن استخدام الشبكات العصبية، بفضل قدرتها على استخلاص المعنى من البيانات المعقدة أو غير الدقيقة، لاستخراج الأنماط واكتشاف الاتجاهات التي يصعب على البشر أو تقنيات الحاسوب الأخرى ملاحظتها (Qamar & Zardari, 2023).
الانحدار الخطي Linear Regression: هو نموذج إحصائي وخوارزمية تستخدم للتنبؤ بقيمة متغير تابع بناء على متغير مستقل او أكثر، يتم فيها الاعتماد على افتراضية وجود علاقة خطية بين المتغيرات، ويكون الهدف الرئيسي منها هو إيجاد الخط المستقيم والمستوى الذي يقلل من مجموع مربعات الأخطاء(Poon & Feng, 2023).
نموذج CatBoost: هي خوارزمية تعلم آلي مشرف مفتوحة المصدر تعتمد على تعزيز شجرة القرار بالتدرج وتتميز بقدرتها العالية على التعامل مع البيانات غير المتجانسة، مثل الجداول التي تحتوي على سمات متعددة الأنواع (عددية، فئوية، منطقية). يستخدم النموذج الإحصائيات الهدفية للتدريب، والتعزيز المرتب للتعلم (Hancock & Khoshgoftaar, 2020).
نموذج XGBoost: نموذج لإطار عمل خوارزمية تعزيز التدرج لتحسين دقة التنبؤات التي يتم الاعتماد فيها على أشجار القرار للتعلم، تستخدم لتحسين النموذج بشكل متكرر لتصحيح أخطاء التوقعات السابقة بالتدرج التنازلي، تتميز بالسرعة والأداء العالي مما يمكنها من حل مشكلات واقعية بأقل قدر من الموارد (Chen & Guestrin, 2016).

5.1.2 خوارزميات التعلم الغير خاضع للإشراف:
تحليل المكونات الرئيسية PCA: تقنية إحصائية تستخدم لتقليل ابعاد مجموعة البيانات مما يساهم في زيادة قابلية تفسيرها، مع الحفاظ على أكبر قدر ممكن من التباين (المعلومات الإحصائية)، وتقلل من فقد المعلومات عن طريق انشاء متغيرات جديدة يتم تعريفها بواسطة مجموعة البيانات، مما يجعلها تقنية تحليل بيانات تكيفية (Jolliffe & Cadima, 2016).
تحليل المكونات المستقلة ICA: أداة تحليل بيانات تعد تطويرا لتقنية تحليل المكونات الرئيسية PCA، يستعيد تحليل المكونات المستقلة هياكل البيانات التي تبقى مخفية عند استخدام مصفوفة التغاير، صممت مسألة تحليل المكونات المستقلة كنموذج متغيرات كامنة (غير ظاهرة)، حيث تكون المتغيرات المرصودة تركيبات خطية لمتغيرات غير غاوسية (لا تتبع التوزيع الطبيعي)، يتم إيجاد المكونات المستقلة الكامنة بخطوتين أولا بتوحيد المتجه العشوائي، ثانيا بتدوير المتجه الموحد إلى المكونات المستقلة الكامنة (Nordhausen & Oja, 2018).
خوارزمية التجميع حسب المسافة K-Means: هي طريقة تقسيم تستخدم للتجميع، تجمع هذه الخوارزمية البيانات بناء على قربها من بعضها البعض وفقا للمسافة الإقليدية (قياس المسافة بين نقطتين في الفضاء متعدد الأبعاد)، تعتمد على تقسيم مجموعة البيانات إلى عدد محدد مسبقا من المجموعات المتشابهة، وتفادي القيم المتطرفة، ويتم تعيين كل نقطة إلى أقرب مركز بناء على المتوسطات (Arora & Varshney, 2016).
خوارزمية تجميع البيانات حسب الكثافة DBSCAN: خوارزمية تجميع تعتمد على الكثافة في تحديد مجموعات البيانات، تقوم بكشف المناطق ذات الكثافة العالية والمنخفضة في البيانات، ثم تجميع نقاط البيانات المتشابهة معا، وتضع علامة على القيم المتطرفة على أنها ضوضاء، تتميز بقدرتها على اكتشاف ومقاومة الضوضاء واستبعادها من النتائج (Deng, 2020).
5.2 التعلم العميق (DL):
هو فرع من فروع التعلم الآلي يتعلق بتعلم أجهزة الكمبيوتر التفكير باستخدام بنية مصممة مثل الدماغ البشري ، يتضمن شبكات عصبية اصطناعية تشبه الخلية العصبية عند الإنسان أنظر الشكل (2)، هذه الشبكات قادرة على التعلم التلقائي لتمثيلات هرمية للبيانات من خلال معالجتها عبر طبقات متعددة من العقد المترابطة، يسمح عمق هذه الشبكات لها بالتقاط أنماط وميزات معقدة، مما يجعلها فعالة بشكل خاص في مهام مثل معالجة البيانات المتسلسلة، أظهر التعلم العميق أهمية في مجال التشخيص الذكي للأخطاء و يتضمن تحديد وتشخيص الأخطاء أو الشذوذ في الأنظمة أو الآلات أو العمليات، تتفوق نماذج التعلم العميق في التعلم التلقائي للميزات ذات الصلة من البيانات الخام (Saeed et al., 2025)،

الشكل (2): الشبكات العصبية الاصطناعية مقابل الشبكة العصبية للإنسان.
تتميز نماذج التعلم العميق بقدرتها على نمذجة وظائف معقدة عبر طبقات من التحويلات غير الخطية، مما يجعلها مثالية لالتقاط الأنماط المعقدة المرتبطة بالأعطال التي قد يصعب تمثيلها باستخدام النماذج الخطية التقليدية يمكن لهذه النماذج إجراء تعلم شامل، أي أنها تستطيع التعلم مباشرة من بيانات الإدخال الخام إلى المخرجات النهائية. تختلف أنواع الأعطال وظروف التشغيل في البيئات الصناعية، مما يؤدي إلى تنوع البيانات مما يصعب تدريب النموذج عليها، إن قدرة نماذج التعلم العميق على التكيف والتعميم تجعلها خيارا مثاليا للتعامل مع تباين البيانات، يتم جمع البيانات أثناء العمليات الصناعية من مصادر متعددة، ويمكن لهياكل التعلم العميق التعامل مع تكامل البيانات، مما يجعلها خيارا أفضل للتنفيذ، يتضمن التعلم العميق الشبكات العصبية العميقة DNNs، والشبكات العصبية التلافيفية CNNs، والشبكات العصبية المتكررة RNNs، (Grover et al., 2025):
الشبكات العصبية العميقة DNNs: تمثل الشبكات العصبية الدماغ البشري من خلال ربط العقد الطبقية ببعضها البعض في شبكة صنع القرار تتمتع الشبكات العصبية بالقدرة على تشخيص الأخطاء ويمكن تدريب هذه الشبكات على التعرف على السلوك الطبيعي للنظام، مما يمكنها من اكتشاف الشذوذ أو الانحرافات التي تشير إلى وجود أخطاء، تستطيع الشبكات العصبية العميقة تعلم تسلسلات هرمية معقدة من الخصائص والتمثيلات في البيانات تلقائيا، مما يجعلها مفيدة بشكل خاص للمهام التي تتطلب بيانات عالية الأبعاد وغير منظمة، بما في ذلك الصور والنصوص.
الشبكات العصبية التلافيفية CNNs: هي شبكة عصبية اصطناعية متعددة الطبقات ذات تغذية امامية، تم اقتراحها لأول مرة لمعالجة الصور ثنائية الابعاد، تم تطويرها لتحليل البيانات التسلسلية أحادية البعد، تشمل معالجة اللغة الطبيعية والتعرف على الكلام، يتم تحقيق تعلم الميزات من خلال تناوب الطبقات التلافيفية وعمليات التجميع، تلتف الطبقات مع بيانات الادخال الخام، باستخدام مرشحات نواة متعددة، وتولد ميزات ثابتة، تستخرج طبقات التجميع اهم الميزات بطول تابت، عبر بيانات الادخال الخام، عن طريق تجميع العمليات مثل (التجميع الأقصى، التجميع المتوسط)، تستخدم طبقات تلافيفيه لتعلم التسلسلات الهرمية المكانية للخصائص داخل الصور تلقائيًا، تتميز شبكات CNNs بمهام متقدمة بشكل ملحوظ، مثل تصنيف الصور، وكشف الأجسام، وتوليد الصور.
الشبكات العصبية المتكررة RNNs: صممت هذه الشبكات لمعالجة تسلسلات البيانات، مثل بيانات السلاسل الزمنية، والبيانات الصوتية، والنصوص وتتميز بتصميم متكرر يمكنها من الاحتفاظ بذاكرة داخلية للمدخلات السابقة، مما يساعدها على التقاط العلاقات الزمنية ومع ذلك فإن أساسيات الحوسبة الذكية والتحسين من أجل التنمية المستدامة.
5.2.1 دمج التعلم العميق في التصنيع الذكي:
من خلال تحسين مراقبة الجودة، وتحسين عمليات الإنتاج، والسماح بالصيانة التنبؤية، يمكن للتعلم العميق إحداث نقلة نوعية في التصنيع الذكي (Wang et al., 2018)، يتم تطبيق أسلوب الذكاء الاصطناعي (AI) باستخدام تقنيات التعلم العميق في الإنتاج لتقييم كميات كبيرة من البيانات من أجهزة الاستشعار والأجهزة والأنظمة المتصلة بالشبكة، يستخلص التعلم العميق رؤى قيمة من هذه البيانات، مما يمكّن من التصنيع التكيفي، والتنبؤ بالأعطال وتحسين الصيانة والعمليات، واتخاذ القرارات في الوقت الفعلي، يوضح هذا تطبيقات التعلم العميق في التصنيع الذكي على مستوى عالي.
7. العلاقة بين الذكاء الاصطناعي والتعلم الالي والتعلم العميق:
الذكاء الاصطناعي هو الفئة العامة المشتركة بينهم، يمثل الذكاء الاصطناعي الدائرة الأكبر التي تضم التعلم الآلي والتعلم العميق أنظر الشكل (3)، حيث ان التعلم الالي هو فرع من الذكاء الاصطناعي يعتمد على بيانات المستشعرات بدلا من برمجتها يدويا، التعلم العميق هوا فرع من التعلم الالي، يستخدم الشبكات العصبية في التعامل مع بيانات ضخمة للتعرف على الصوت والصور، الذكاء الاصطناعي هو في الأساس أي ذكاء تظهره الآلة ويقودها إلى حل مثالي لمشكلة ما.