→ جميع المنتجات
🤖
منتج ذكاء اصطناعي

منصة الذكاء الاصطناعي والتعلم الآلي

بيانات مصنعكم، تتحول إلى قرارات

تتعلم منصة الذكاء الاصطناعي من MSF من بيانات إنتاجكم لتحسين الجداول والتنبؤ بمشكلات الجودة والتنبؤ بالطلب وكشف الطاقة الخفية. وهي طبقة الذكاء الممتدة عبر جميع وحدات MSF.

اطلب عرضًا تجريبيًاابدأ PoC

ما هي منصة الذكاء الاصطناعي (AI) للتصنيع؟

تطبّق منصة الذكاء الاصطناعي للتصنيع التعلّم الآلي على بيانات الإنتاج لتحسين الجداول، والتنبؤ بمشكلات الجودة، وتوقّع الطلب، ورصد السلوك غير المعتاد للآلات. منصة الذكاء الاصطناعي من Meta Smart Factory هي طبقة الذكاء الممتدة عبر جميع وحدات MSF: نماذج تصنيع جاهزة مسبقًا يضبطها خبراء MSF على بيانات المصنع نفسه، فلا حاجة إلى فريق داخلي لعلم البيانات، ويعمل كل نموذج في وضع الظل قبل تفعيل أي تنبيه.

أبرز المزايا

ذكاء اصطناعي لتحسين الجدولةيحسّن التعلم المعزَّز باستمرار قرارات جدولة APS الخاصة بمصنعكم تحديدًا.
جودة تنبؤيةالتنبؤ بخطر الهدر من معطيات العملية قبل اكتمال القطعة أصلًا.
التنبؤ بالطلبتجمع نماذج التعلم الآلي بين البيانات التاريخية والموسمية وإشارات السوق للوصول إلى تنبؤات دقيقة.
تحسين استهلاك الطاقةنقل العمليات كثيفة استهلاك الطاقة إلى فترات التعرفة الرخيصة دون التأثير على مواعيد التسليم.
كشف الشذوذرصد أي سلوك غير معتاد للآلة أو العملية قبل أن يتحول إلى عطل أو عيب.
تحليلات البيانات الضخمةكل بيانات أرضية المصنع في طبقة تحليلية واحدة مع لوحات تحكم وتقارير ذاتية الخدمة.
تحليل الارتباط وأهمية العوامليكشف تحليل ارتباط سبيرمان وتحليل أهمية العوامل بخوارزمية XGBoost أي معطيات العملية تؤثر فعليًا في إنتاجكم وجودتكم.
كشف الشذوذ بشبكات LSTMتتعلم شبكات Autoencoder السلوك الطبيعي للمستشعرات وترصد الحالات الشاذة في الوقت الفعلي لكل جهاز ولكل معطى، مع خرائط حرارية لدرجة الأهمية.
التنبؤ بالإنتاج وتحسين المعطياتتتنبأ نماذج Random Forest بالإنتاج مقارنة بالقيم الفعلية والمتوسطة، وتوصي بأفضل معطيات تشغيل الآلة لكل دورة إنتاج.
تشغيل ظلّي قبل تفعيل أي عتبةيعطي النموذج درجاته بالتوازي أولًا، إلى أن تتراكم عيوب حقيقية كافية لضبط عتبة الإنذار حيث تريدونها: معدل الالتقاط مقابل الإنذارات الكاذبة، على قطع لم يرها النموذج من قبل.
متابعة انحراف النماذج متفق عليها نموذجًا نموذجًايحدد المشروع أي النماذج تخضع لمقارنة المتوقَّع بالفعلي، ومن يقرأ المقارنة وكل كم، حتى لا يمر الانحراف بعد منتج جديد أو آلة أُعيد بناؤها دون أن ينتبه أحد.
كشف الشذوذ يبدأ دون رموز هالك نظيفةمسار LSTM غير خاضع للإشراف، فيستطيع مصنع ما زال يصحّح أسباب الهالك لديه أن يبدأ منه، مع التحفظ بأنه يشير إلى سلوك غير معتاد ولا يسمّي العيب.
تفاصيل أعمقما الذي يستحق فعلًا أن يُؤتمت بالذكاء الاصطناعي داخل المصنعتقريبًا كل عرض توضيحي للذكاء الاصطناعي يُقدَّم إلى شركة تصنيع يعمل. والسؤال المفيد هو ما إذا كان الشيء نفسه سيظل يعمل على أرضية مصنعك، وعلى بياناتك، في الربع القادم، بينما الشخص المسؤول عنه في إجازة. هذه الصفحة موجهة إلى المهندس الذي يملك مشكلة حقيقية ولا يستطيع بعد أن يميّز أيًّا من الأشياء الأربعة أو الخمسة المختلفة التي تُسمّى جميعها «ذكاءً اصطناعيًا» يُعرض عليه.اقرأ المقال كاملاً →

لمحة سريعة

وضع الظلالنماذج تُقيِّم بالتوازي قبل التشغيل الفعلي
LSTMكشف الشذوذ في بيانات المستشعرات الخام
wksتدريب النماذج
∞تعلّم مستمر

المواصفات التقنية

أساس البيانات
بيانات التنفيذ من MES شرط مسبق؛ وكل وحدة إضافية (APS أو الجودة أو الصيانة) تفتح حالات استخدام جديدة للذكاء الاصطناعي.
مدخلات النماذج
النماذج الخاضعة للإشراف (أهمية العوامل بخوارزمية XGBoost، والتنبؤ بالإنتاج بنماذج Random Forest) تحتاج معطيات العملية إضافة إلى نتيجة مرمَّزة؛ أما Autoencoder بشبكات LSTM فيكفيه سلاسل المستشعرات الخام.
طريقة التشغيل
داخل مقركم أو في سحابة خاصة، والخيار لكم؛ وتبقى بيانات إنتاجكم معزولة ضمن نماذجكم وحدها.
مسار المخرجات
توصيات فقط: لوحة أو تقرير أو جدول مقترح في APS. أما كتابة قيم ضبط إلى وحدة تحكم فهي تكامل يُحدَّد نطاقه على حدة، ولا تكون أبدًا تعشيقة أمان.
البيانات الموسومة المطلوبة
تُقاس النماذج الخاضعة للإشراف بعدد الأمثلة المرمَّزة ترميزًا صحيحًا لكل فئة، لا بالأشهر: نماذج الهالك تحتاج رموز أسباب هالك حقيقية، ونماذج الطلب تحتاج عدة دورات موسمية كاملة.
متطلبات الطاقة المسبقة
قياس دقيق بما يكفي لتمييز كل مستهلك على حدة، وتقويم التعرفة لديكم، ومُجدوِل يستقبل الخطة؛ والتحسين يجري مقابل نوافذ سعر الكيلوواط-ساعة (kWh) فقط.
الجهد المطلوب من العميل
مهندس عملية أو جودة مسمّى بموعد مراجعة ثابت؛ تتولى MSF الضبط وإعادة التدريب، ويتولى العميل إبقاء رموز الهالك والتوقف نظيفة والتنبيه إلى تغييرات العملية.

من واقع المنصة: لقطات فعلية

كشف الحالات الشاذة بمرمِّز ذاتي LSTM: خطأ إعادة البناء يرصد السلوك غير الطبيعي للمعدات لحظيًا
كشف الحالات الشاذة بمرمِّز ذاتي LSTM: خطأ إعادة البناء يرصد السلوك غير الطبيعي للمعدات لحظيًا
خريطة حرارية لأهمية الحالات الشاذة: أي معامل انحرف، ومتى، وبأي درجة
خريطة حرارية لأهمية الحالات الشاذة: أي معامل انحرف، ومتى، وبأي درجة
تفاصيل أعمقالتعلم الآلي في التصنيع: سبع حالات استخدام تحقق عائدًا فعليًاانسَ شرائح المؤتمرات عن الذكاء الاصطناعي. هذه هي تطبيقات التعلم الآلي السبعة التي تعيد المال باستمرار على أرضيات إنتاج حقيقية، والبيانات التي يحتاجها كل منها قبل أن يعمل.اقرأ المقال كاملاً →

الأسئلة الشائعة

هل أحتاج إلى فريق علم بيانات؟

لا. تأتي النماذج جاهزة مسبقًا لحالات استخدام التصنيع، ويضبطها خبراء MSF على بياناتكم الخاصة.

أين تُخزَّن البيانات؟

محليًا لديكم أو في سحابة خاصة، حسب اختياركم. لا تُستخدم بيانات إنتاجكم أبدًا لتدريب نماذج شركات أخرى.

ما الوحدات التي يتطلبها الذكاء الاصطناعي؟

بيانات MES هي الأساس؛ وكل وحدة إضافية (APS، الجودة، الصيانة) تفتح المزيد من حالات استخدام الذكاء الاصطناعي.

كم من بيانات الإنتاج التاريخية يحتاج الذكاء الاصطناعي؟

العبرة بعدد الأمثلة الموسومة لكل فئة، لا بعدد الأشهر المنقضية. فنموذج الهدر يتعلم من العيوب، وخط إنتاج قليل العيوب قد يعمل مدة طويلة دون أن ينتج ما يكفي من الفئة الأقل تكرارًا للتدريب عليها، بينما يحتاج نموذج التنبؤ بالطلب إلى عدة دورات موسمية كاملة. والتاريخ القديم لا يُحتسب إلا إذا كان قائمًا على نفس بطاقة الصنف ونفس بنية المصنع التي تتنبؤون لها اليوم، لذلك ابحثوا أولًا عن آخر ترحيل لنظام ERP أو آخر إعادة ترقيم للأصناف. وسلسلة قصيرة نظيفة أفضل من سلسلة طويلة مُجمَّعة عبر إعادة ترقيم.

هل تعمل الجودة التنبؤية بدون أكواد أسباب الهدر؟

ليس الجزء الخاضع للإشراف منها. الجودة التنبؤية تحتاج معطيات العملية من جهة وتسمية نتيجة حقيقية من جهة أخرى، ووجود سبب هدر عام من نوع «أخرى» على معظم السجلات لا يعلّمها شيئًا. صحّحوا الترميز في MES أولًا، واحسبوا عدد العيوب المرمّزة بشكل صحيح لكل سبب هدر بدل عدّ الأسابيع المنقضية. في هذه الأثناء يبقى كشف الشذوذ بشبكات LSTM غير خاضع للإشراف ولا يحتاج أي تسميات، فيمكن البدء منه، مع التنبيه إلى أنه يشير إلى سلوك غير معتاد لا إلى عيب باسمه.

هل يغيّر الذكاء الاصطناعي معطيات الآلة من تلقاء نفسه؟

لا. نماذج المعطيات والتحسين تُنتج توصيات تصل إلى شخص، على لوحة أو في تقرير أو كجدول مقترح داخل APS، أما كتابة أي قيمة إلى وحدة التحكم فهي تكامل منفصل تحددون نطاقه عن قصد. وإذا أردتم لاحقًا نقاط ضبط بحلقة مغلقة، فتعاملوا معها كمشروع تحكم له إدارة تغيير خاصة به، ولا تُعد بأي حال بديلًا عن دوائر تعشيق الأمان السلكية (safety interlocks).

كم من وقتنا تأخذ صيانة نماذج الذكاء الاصطناعي بعد التشغيل الفعلي؟

خصّصوا مهندس عملية أو جودة باسمه مع موعد مراجعة ثابت؛ تتولى MSF الضبط وإعادة التدريب، لكن النتيجة تحتاج مالكًا من جانبكم. العمل المتكرر هو التحقق من أن التنبؤات ما زالت تطابق الواقع، والتنبيه عندما يغيّر منتج جديد أو تغيير في العدّة أو آلة مُجدَّدة سلوك العملية، والحفاظ على نظافة أكواد الهدر والتوقف. ليست وظيفة بدوام كامل، لكنها ليست لا شيء أيضًا.

ماذا يحدث للنماذج عند تغيير العملية أو إطلاق منتج جديد؟

الدقة تنخفض، وتنخفض بصمت. النموذج تعلّم مصنعكم كما كان، فمادة جديدة أو آلة أُعيد بناؤها أو زمن دورة مُعدَّل يجعل جزءًا من تاريخه بلا معنى بينما يظل المخرَج واثقًا في مظهره. أبلغونا بتغييرات العملية المخطط لها مسبقًا، وحدّدوا داخل المشروع أي النماذج تحصل على مقارنة المتوقع مقابل الفعلي، ومن يقرأ هذه المقارنة وكم مرة، بدل افتراض أن مراقبة الانحراف مفعّلة تلقائيًا لكل نموذج.

ما الذي يتطلبه تحسين استهلاك الطاقة بالذكاء الاصطناعي؟

قياس دقيق بما يكفي لتمييز كل مستهلك على حدة، وتقويم التعرفة الفعلي لديكم، وجدولة يستطيع المحسِّن تسليمها خطة؛ عدّاد واحد عند مدخل المصنع يعطيكم الإجمالي ولا يقول شيئًا عن أي عملية ينبغي نقلها. ما يخطط له المحسِّن هو فترات سعر الطاقة، مقيسة بالكيلوواط ساعة (kWh). أما الحفاظ على سقف الطلب الأقصى المتعاقد عليه فهو عمل آخر يحتاج قياسًا على مستوى الفترات الزمنية والقدرة على تثبيت حمل أو فصله في اللحظة نفسها، فحدّدوا نطاقه على حدة.

ما مدى دقة تنبؤات الذكاء الاصطناعي؟

لا يوجد رقم دقة واحد. النموذج يُخرج درجة، والموضع الذي تضعون فيه عتبة التنبيه يحدد معًا نسبة الالتقاط ونسبة الإنذارات الكاذبة، مقيسة على قطع لم يرها النموذج قط؛ واختيار تلك النقطة قرار تجاري عن تكلفة قطعة سليمة أُوقفت مقابل قطعة معيبة شُحنت. أهمية العوامل والارتباط تشخيصات على مستوى النموذج، جيدة لكشف اختصار خاطئ تعلّمه النموذج لكنها عديمة الفائدة للحكم على إشارة واحدة. شغّلوه في وضع الظل حتى تتراكم عيوب حقيقية كافية للمقارنة.

هل أنت مستعد لرؤية إمكانات مصنعك؟

احصل على عرض تجريبي مجاني وخطة PoC مخصصة لإنتاجك.

اطلب عرضًا تجريبيًا