توليد بيانات العيوب الاصطناعية للرافعات عبر المحاكاة الذكية

عند تدريب أنظمة الفحص بالذكاء الاصطناعي للرافعات، فإن أكثر ما ينقص هو عينات العيوب، خاصة العيوب النادرة مثل كسر السلك والشرخ والمسامية – بعضها قد لا يظهر إلا مرة كل بضعة أشهر، لذا فإن جمع بيانات تدريب كافية يتطلب الانتظار طويلاً على خط الإنتاج.

الفكرة غير التقليدية هي: إذا لم نستطع الانتظار، فلنولّدها. يمكن للأساليب التوليدية، استناداً إلى العيوب القليلة الموجودة، توليد عينات عيوب أكثر وأكثر تنوعاً لتغذية تدريب النموذج.

لكن هناك فجوة بين البيانات المولّدة والبيانات الحقيقية، وإذا لم تتم معالجة هذه الفجوة بشكل جيد، فإن النموذج سيتعلم "مجموعة من البيانات المزيفة". سنشرح ذلك بالتفصيل أدناه.

منطق محاكاة العيوب التوليدية: توليد عينات كثيرة من عينات قليلة

جوهر محاكاة البيانات التوليدية هو "تعلم القواعد من عدد قليل من العيوب الحقيقية، ثم توليد عيوب جديدة". إنها ليست اختلاقاً من العدم، بل تتعلم شكل وملمس وخصائص توزيع العيوب الحقيقية، وتقوم بتوليد عينات عيوب جديدة وغير مسبوقة بناءً عليها.

هذا ذو قيمة خاصة للعيوب النادرة. في العالم الحقيقي، يصعب رؤية كسر السلك والشرخ، والعينات قليلة جداً، ولا يستطيع النموذج التعلم بعمق؛ بينما تستطيع الأساليب التوليدية، استناداً إلى العينات الحقيقية المحدودة، توليد كميات كبيرة من العيوب المماثلة بأشكال مختلفة، لسدّ نقص بيانات التدريب.

حدودها واضحة أيضاً: درجة واقعية العيوب المولّدة تعتمد على جودة وكمية العينات الحقيقية، فكلما كانت القاعدة أضعف، كانت العيوب المولّدة أقل واقعية. تضع كيلود للصناعات الثقيلة محاكاة البيانات التوليدية كأداة مساعدة "لسدّ نقص عينات العيوب النادرة"، وليس بديلاً عن جمع البيانات الحقيقية. وتشير ISO 24621 لتشخيص أعطال الرافعات بالذكاء الاصطناعي إلى وجود مواصفة لجودة بيانات التدريب.

ثلاث طرق للتوليد: GAN ونماذج الانتشار والمحاكاة الفيزيائية

الطريقة الأولى: GAN (الشبكات التوليدية التنافسية). مولّد يصنع عينات مزيفة، ومميّز يكشف الزيف، ويتنافسان في التدريب، فيصبح المولّد أكثر قدرة على صنع عينات واقعية. وهي بارعة في توليد عيوب تركيبية قريبة الشكل من العيوب الحقيقية.

الطريقة الثانية: نماذج الانتشار. تبدأ من ضوضاء عشوائية وتقوم بإزالتها تدريجياً لتوليد صور واقعية. العينات التي تولدها عالية الجودة ومتنوعة، وهي الاتجاه السائد حالياً في توليد الصور.

الطريقة الثالثة: المحاكاة الفيزيائية والتصيير. لا تعتمد على التعلم، بل تستخدم النمذجة ثلاثية الأبعاد والتصيير لمحاكاة شكل العيب تحت الإضاءة وزوايا الرؤية الحقيقية. وهي مفيدة بشكل خاص للعيوب النادرة والمشاهد التي يصعب تصويرها، لكن واقعية التصيير تعتمد على مستوى النمذجة.

لكل طريقة تركيزها: تتعلم GAN ونماذج الانتشار التوزيع الحقيقي، بينما تحاكي المحاكاة الفيزيائية العملية الفيزيائية الحقيقية. تختار كيلود للصناعات الثقيلة الطريقة حسب نوع العيب: تستخدم GAN ونماذج الانتشار للعيوب البصرية، والمحاكاة الفيزيائية للعيوب الهندسية.

معالجة فجوة المجال: تدريب على بيانات اصطناعية وتحقق ببيانات حقيقية

أكبر مشكلة في البيانات التوليدية هي الفجوة بين البيانات الاصطناعية والبيانات الحقيقية. مهما تعلم النموذج جيداً على البيانات الاصطناعية، فقد لا يعمل بشكل جيد في ظروف التشغيل الحقيقية.

مفتاح معالجة فجوة المجال هو "الخلط في الاستخدام والتحقق الحقيقي".

الخلط في الاستخدام يعني تدريب النموذج على مزيج من البيانات الاصطناعية والحقيقية، حتى لا يتعلم النموذج العينات المزيفة فقط. العينات الاصطناعية تزيد الكمية، والعينات الحقيقية تحدد الاتجاه، وكلاهما مكمل للآخر.

التحقق الحقيقي يعني أنه في النهاية يجب استخدام البيانات الحقيقية للتحقق من أداء النموذج، فالبيانات الاصطناعية هي مجرد مكمل للتدريب ولا يمكن أن تحل محل القبول الحقيقي. وتشير GB/T 28264-2017 لنظام مراقبة وإدارة السلامة لآلات الرفع إلى متطلبات قابلية تتبع مصدر البيانات. تستخدم كيلود للصناعات الثقيلة البيانات الاصطناعية لتوسيع مجموعة التدريب، والبيانات الحقيقية للتحقق النهائي، متمسكة بخط الموثوقية الحقيقية.

الأخطاء الأكثر شيوعاً في تطبيق محاكاة البيانات التوليدية

الخطأ الأول: استخدام العينات الاصطناعية كبديل للعينات الحقيقية. الاعتقاد بأن البيانات المولّدة يمكن أن تحل محل الجمع الحقيقي، فيتعلم النموذج مجموعة من العيوب المزيفة الواقعية ولكنها غير حقيقية، وينهار فور تشغيله. التركيب إضافة وليس بديلاً.

الخطأ الثاني: تجاهل فجوة المجال. التدريب على بيانات اصطناعية ثم التشغيل المباشر دون تحقق حقيقي، مما يجعل أداء النموذج في ظروف التشغيل الحقيقية غير مضمون.

الخطأ الثالث: عدم مراقبة جودة التوليد. إذا كانت العيوب المولّدة مشوهة أو ذات انحراف في الخصائص، فإن تغذيتها للنموذج ستضلله. تقوم كيلود للصناعات الثقيلة بفحص جودة العينات الاصطناعية، وتستبعد أي عينة مشوهة، لمنع تلويث التدريب ببيانات مزيفة.

مقارنة بين طرق التوليد الثلاث

مرجع سريع لبنود المعايير المتعلقة بمحاكاة البيانات التوليدية

الأسئلة الشائعة حول محاكاة البيانات التوليدية

البيانات التوليدية هي مكمّل لتراكم البيانات، ويمكن الاطلاع على منهجية بناء البيانات في مقال "بناء منصة التدريب والاختبار لخوارزمية الرؤية الذكية للرافعات، وتراكم أكثر من 500,000 صورة موسومة للعيوب الصناعية".

يمكن توليد العيوب حتى في غياب عيوب حقيقية، لكن ما يُولَّد يبقى مكمّلًا لا بديلًا. تستخدم كيلود للصناعات الثقيلة الأساليب التوليدية لسدّ النقص في عينات العيوب النادرة، مع تدريب على البيانات الاصطناعية والتحقق على البيانات الحقيقية، حفاظًا على خط الموثوقية والواقعية.