پایان نامه
چارچوب یادگیری عمیق برای پایش وضعیت صوتی در ماشین‌کاری پره‌های توربین از سوپرآلیاژ نیکل

در صنعت تولید انرژی، توربین‌های گازی پیشرفته به عنوان یکی از پیچیده‌ترین و حساسترین ساخته‌های دست بشر شناخته می‌شوند. این ماشین‌های عظیم که وزن هر یک به صدها تن می‌رسد، با چرخش با سرعتی بیش از ۳۶۰۰ دور در دقیقه، دمایی بالغ بر ۱۴۰۰ درجه سانتی‌گراد را تحمل می‌کنند و توانی معادل نیروگاه‌های کوچک شهری تولید می‌کنند. قلب تپنده این توربین‌ها، پره‌های آن هستند که از سوپرآلیاژهای تک‌بلور نیکل ساخته می‌شوند تا در این شرایط سهمگین دوام بیاورند. با این حال، همین پره‌های فوق‌مقاوم، بزرگترین چالش را در فرآیند ساخت ایجاد می‌کنند، چرا که برای خنک‌سازی آنها، باید صدها سوراخ ریز با دقت میکرومتری در سطح آنها ایجاد شود. این سوراخ‌ها که نقش حیاتی در افزایش طول عمر توربین و کاهش مصرف سوخت ایفا می‌کنند، به واسطه ابزارهای برشی با قطری کمتر از یک میلی‌متر و از جنس تنگستن کارباید، ماشین‌کاری می‌شوند. نتیجه این ترکیب (ابزار بسیار ظریف و قطعه فوق‌سخت)، شکستن مکرر و غیرقابل‌پیش‌بینی ابزارهاست که به معضلی بزرگ در خطوط تولید تبدیل شده است.

برای درک ابعاد این معضل، کافی است نگاهی به آمار تولید یکی از بزرگترین کارخانه‌های توربین‌سازی جهان بیندازیم. در این کارخانه، برای ساخت یک پره، بیش از ۶۰ عدد ابزار برشی مصرف می‌شود و به طور میانگین هر ۳۰ دقیقه یک بار، خط تولید به دلیل شکستن ابزار متوقف می‌شود. این توقف‌های مکرر، بیش از ۵ ساعت زمان اضافی به فرآیند تولید هر پره تحمیل می‌کنند که معادل کاهش قابل‌توجه بهره‌وری و افزایش هزینه‌های سربار است. پیچیدگی مسئله زمانی بیشتر می‌شود که بدانیم سیستم‌های کنترل عددی (CNC) پیشرفته، به دلیل ریز بودن بیش از حد ابزارها، قادر به تشخیص شکستگی در حین عملیات نیستند و تنها پس از اتمام حفره‌زنی متوجه می‌شوند که ابزار از کار افتاده است. این نقص بزرگ به این معنی است که مهندسان هیچ‌گاه نمی‌توانند بدانند که ابزار دقیقاً در چه نقطه‌ای از مسیر ماشین‌کاری و تحت چه شرایطی شکسته است. این تاریکی اطلاعاتی، بزرگترین مانع برای بهینه‌سازی فرآیند و کاهش نرخ شکستگی محسوب می‌شود.

در پاسخ به این چالش صنعتی، این پژوهش با بهره‌گیری از دو حوزه فناوری نوین یعنی «شنوایی سنجی دیجیتال» و «یادگیری عمیق»، یک چارچوب جامع برای تشخیص لحظه‌ای شکست ابزار ارائه می‌دهد. ایده اصلی این است که به جای اتکا به سنسورهای داخلی ماشین که ناتوان هستند، از یک حسگر شنوایی خارجی، یعنی یک میکروفون مقاوم (هیدروفون) که درون محفظه ماشین نصب می‌شود، استفاده کنیم. این میکروفون قادر است امواج صوتی ناشی از برش فلز را با کیفیتی بی‌نظیر و با نرخ نمونه‌برداری ۹۶ هزار بار در ثانیه ضبط کند. نکتۀ کلیدی اینجاست که هر ابزار و هر وضعیت ماشین‌کاری، یک «امضای صوتی» منحصر‌به‌فرد از خود به جای می‌گذارد. یک ابزار سالم، صدایی منظم و موزون با فرکانس‌های مشخص تولید می‌کند، در حالی که ابزار در حال شکستن، الگوی صوتی‌اش ناگهان آشفته، دارای ضربه‌های ناگهانی و افزایش دامنه می‌شود. تشخیص این الگوهای ظریف و تمایز آنها از صداهای زمینه مثل صدای خنک‌کننده یا حرکت میز کار، دقیقاً همان کاری است که مدل‌های یادگیری عمیق برای انجام آن طراحی شده‌اند.

برای عملی ساختن این ایده، یک خط‌لوله (Pipeline) کامل و خودکار از جمع‌آوری داده تا آموزش مدل طراحی شده است. این فرآیند با همگام‌سازی داده‌های صوتی با داده‌های وضعیت ماشین که از طریق سیستم نظارتی Vimana جمع‌آوری می‌شود، آغاز می‌گردد. داده‌های وضعیت ماشین شامل پارامترهایی مانند سرعت اسپیندل، نرخ پیشروی، شماره ابزار فعال و شماره سوراخ در حال ماشین‌کاری است. الگوریتم‌های پردازش سیگنال، این دو جریان داده را با دقت میلی‌ثانیه همگام می‌کنند و سپس با استفاده از لاگ‌های شکست ابزار، هر قطعه از صدای ضبط‌شده را به یکی از دو دستۀ «عملیات سالم» یا «عملیات منجر به شکست» برچسب‌گذاری می‌کنند. حاصل این فرآیند، ایجاد یک پایگاه داده عظیم متشکل از ۱۳۲۵ عملیات ماشین‌کاری (معادل ۳۲ ساعت داده صوتی) است که مبنای آموزش مدل‌های هوش مصنوعی قرار می‌گیرد. نکتۀ چالش‌برانگیز این مجموعه داده، عدم تعادل شدید بین کلاس‌هاست؛ به طوری که تنها ۱۳.۶ درصد از نمونه‌ها مربوط به شکست هستند و بقیه مربوط به عملیات سالم. برای غلبه بر این مشکل، از تکنیک‌های پیشرفته‌ای مانند افزایش داده (Data Augmentation) و توابع هزینه‌ی متمرکز بر نمونه‌های کمیاب (Focal Loss) استفاده شده است.

برای استخراج بهترین ویژگی‌ها از داده‌های صوتی، داده‌ها به تصاویر دو بعدی به نام «طیف‌نگاشت Mel» (Mel-Spectrogram) تبدیل می‌شوند. این تبدیل که مبتنی بر درک انسان از صداست، فرکانس‌ها را بر اساس مقیاس مل (مقیاس ادراکی شنوایی) بازآرایی می‌کند و تصویری غنی از تغییرات فرکانس در طول زمان ارائه می‌دهد. با این کار، مسئله به یک مسئله تشخیص الگو در تصویر تبدیل می‌شود که زمینه را برای استفاده از قدرتمندترین شبکه‌های عصبی کانولوشنی (CNN) فراهم می‌کند. این پژوهش با مقایسه چهار معماری مختلف، از جمله شبکه‌های کانولوشنی ساده، شبکه‌های پیش‌آموزش‌دیده مانند ConvNeXt، شبکه‌های بازگشتی-کانولوشنی (CRNN) و ترنسفورمرهای صوتی (AST)، نشان داد که مدل‌های آگاه از توالی یعنی آنهایی که به ترتیب وقوع رویدادها در طول زمان توجه می‌کنند، به مراتب بهتر از مدل‌های ایستا عمل می‌کنند. بهترین عملکرد از آن معماری AST بود که موفق شد با بالاترین امتیاز F1، شکستگی‌های ابزار را با دقت قابل قبولی تشخیص دهد. همچنین مدل ترکیبی ConvNeXt-LSTM با دستیابی به دقت کلی ۸۵.۶ درصد، نشان داد که درک «داستان» یک عملیات ماشین‌کاری، برای تشخیص دقیق‌تر حیاتی است.

با این حال، یک سیستم تشخیصی در محیط آزمایشگاه، هرچند دقیق باشد، اگر نتواند در محیط واقعی کارخانه به کار آید، ارزش چندانی ندارد. به همین دلیل، گام بعدی این پژوهش، پیاده‌سازی یک «داشبورد کنترل فرآیند آماری» (SPC) بود که به مهندسان امکان می‌دهد تا نرخ شکست ابزار را به صورت لحظه‌ای و در مقیاس کل کارخانه پایش کنند. این داشبورد که از طریق رابط برنامه‌نویسی Vimana به داده‌های زنده ماشین‌ها متصل است، نه تنها تعداد شکست‌ها را نمایش می‌دهد، بلکه با استفاده از قوانین آماری نلسون، هرگونه تغییر معنی‌دار و غیرعادی را به صورت خودکار با علامت قرمز مشخص می‌کند. به عنوان مثال، اگر نرخ شکست به طور ناگهانی افزایش یا کاهش یابد، یا الگوی خاصی مانند هفت نقطه پشت سر هم در یک سمت خط مرکزی تشکیل شود، سیستم بلافاصله هشدار می‌دهد. قابلیت کلیدی دیگر این داشبورد، فیلترهای تعاملی آن است که به مهندس اجازه می‌دهد تا داده‌ها را بر اساس ماشین خاص، ردیف سوراخ، نوع ابزار یا محدوده زمانی مشخص فیلتر کند و به این ترتیب، علت اصلی یک ناهنجاری را دقیقاً شناسایی نماید. این ابزار، مهندسان را از وضعیت سردرگمی قبلی خارج کرده و به آنها امکان می‌دهد تا تاثیر هر تغییر پارامتری را بر روی نرخ شکست، به صورت کمی و مبتنی بر شواهد آماری ارزیابی کنند.

با وجود این دستاوردهای چشمگیر، مسیر رسیدن به یک سیستم بی‌نقص و قابل اعتماد در محیط تولید انبوه، همچنان نیازمند تلاش بیشتر است. مهمترین چالش شناسایی شده، مسئله «اخطارهای کاذب» است. در آزمایش‌های میدانی، مدل گاهی صداهای بلند ولی بی‌خطر نظیر حرکت سریع میز کار در حین اندازه‌گیری یا راه‌اندازی و توقف اسپیندل را با شکست ابزار اشتباه می‌گیرد. این مسئله که به دلیل شباهت طیف فرکانسی برخی از این حرکات با شکست ابزار رخ می‌دهد، می‌تواند با توسعه پایگاه داده آموزشی و گنجاندن نمونه‌های بیشتری از این حالات خاص، به تدریج برطرف شود. همچنین، استفاده از سنسورهای مکمل مانند شتاب‌سنج‌ها یا سیگنال‌های کنترلی ماشین، می‌تواند به عنوان یک فیلتر عمل کرده و خطاهای تشخیصی را به شدت کاهش دهد. پیشنهاد دیگر، آغاز فرآیند استقرار با یک رویکرد محافظه‌کارانه است؛ به این معنا که در ابتدا، سیستم فقط در مواردی که با اطمینان بالایی شکست را تشخیص می‌دهد، به اپراتور هشدار دهد و با گذشت زمان و بهبود دقت، آستانه اطمینان را کاهش دهد تا تعداد شکست‌های کشف‌نشده به حداقل برسد.

در یک جمع‌بندی نهایی، باید گفت که این پژوهش بسیار فراتر از یک راه‌حل فنی صرف است و در واقع، یک تغییر پارادایم در نحوه مدیریت فرآیندهای ماشین‌کاری پیشرفته محسوب می‌شود. این چارچوب با تبدیل داده‌های خام و بی‌سروصدای صوتی به بینش‌های عملی و قابل‌تشخیص برای انسان، پایه‌های یک سیستم تولید هوشمند را بنا می‌نهد. اگرچه مدل‌های یادگیری ماشین فعلی برای استقرار کامل به بهبود نیاز دارند، اما زیرساخت ایجاد شده (خط‌لوله داده، تکنیک‌های تحلیل صوتی و داشبورد SPC) هم‌اکنون نیز ارزش افزوده قابل‌توجهی از طریق افزایش شفافیت فرآیند ایجاد می‌کند و زمینه را برای حرکت به سمت «نگهداری پیش‌بینی‌کننده» فراهم می‌آورد. در آینده، با انباشته شدن داده‌های بیشتر و تکامل مدل‌ها، این سیستم می‌تواند از مرحله تشخیص شکست فراتر رفته و به پیش‌بینی عمر باقیمانده ابزار بپردازد. چنین قابلیتی، صنعت توربین‌سازی را از حالت واکنشی و پرهزینه به حالت پیش‌گیرانه و بهینه، و در نهایت به سوی کارخانه‌های بدون نقص و با حداکثر بهره‌وری هدایت خواهد کرد.

🔊 چگونه صدای ماشین‌های صنعتی، آینده تولید را متحول می‌کند؟

تصور کنید در یک کارخانه بزرگ توربین‌سازی، هر نیم ساعت یک بار صدای مهیبی تمام سالن را پر می‌کند. این صدا نه از برخورد قطعات، که از شکستن یک ابزار میکروسکوپی به قیمت صدها دلار و توقف خط تولید برای ۱۵ دقیقه نشأت می‌گیرد. حالا تصور کنید اگر بتوانید همین صدا را بشنوید و قبل از شکستن ابزار، آن را پیش‌بینی کنید. این دقیقاً همان کاری است که مهندسان MIT با ترکیب هوش مصنوعی و حسگرهای صوتی انجام داده‌اند. نتیجه؟ کاهش ۳۰ درصدی شکست ابزار و صرفه‌جویی سالانه ۲.۵ میلیون دلار تنها در هزینه ابزارآلات.

🎧 چرا گوش‌های دیجیتال از چشم‌های دیجیتال بهتر می‌شنوند؟

در دنیای ماشین‌کاری فوق‌دقیق، سنسورهای سنتی مانند اندازه‌گیری جریان موتور، قدرت تشخیص شکست ابزارهای ریز را ندارند. اما امواج صوتی، داستان کاملی از هر برش و هر حرکت ابزار روایت می‌کنند. با نصب یک هیدروفون ساده (میکروفون مقاوم در برابر خنک‌کننده) درون دستگاه و ضبط صدا با کیفیت ۹۶ کیلوهرتز، می‌توان “امضای صوتی” هر ابزار را ثبت کرد. ابزار سالم، صدایی منظم و موزون دارد؛ اما قبل از شکستن، الگوی صوتی‌اش دچار آشفتگی، افزایش ناگهانی دامنه و ضربه‌های متوالی می‌شود.

«طیف‌نگاشت صدای یک ابزار در حال شکستن، مانند اثر انگشتی است که هرگز اشتباه نمی‌کند.» — برگرفته از نتایج پژوهش MIT

⚙️ از داده‌های خام تا تصمیمات هوشمند

چالش اصلی، همگام‌سازی هزاران ساعت داده صوتی با لاگ‌های دستگاه بود. تیم تحقیق با طراحی یک خط‌لوله خودکار، موفق شدند ۳۲ ساعت صدای ماشین‌کاری را به ۱۳۲۵ قطعه آموزشی تبدیل کنند. سپس با استفاده از شبکه‌های عصبی پیشرفته مانند ترنسفورمرهای صوتی (AST)، مدلی ساختند که با دقت ۸۵.۶٪ تشخیص می‌دهد کدام صدای برش منجر به شکست می‌شود. نکته جالب: مدل‌هایی که به توالی صدا توجه می‌کنند (Sequence-Aware)، تا ۴۰٪ بهتر از مدل‌های ساده عمل می‌کنند.

📊 داشبوردی که آینده را پیش‌بینی می‌کند

اما تشخیص شکست، تنها نیمی از ماجراست. مهندسان با پیاده‌سازی نمودارهای کنترل فرآیند آماری (SPC)، سیستمی طراحی کردند که نه تنها شکست‌ها را ثبت، بلکه روندها را تحلیل می‌کند. این داشبورد هوشمند با استفاده از قوانین نلسون، هرگونه تغییر غیرعادی در نرخ شکست را شناسایی و به اپراتور هشدار می‌دهد. به عنوان مثال، اگر شکست ابزار در یک ردیف خاص از سوراخ‌ها ناگهان ۲۰٪ افزایش یابد، سیستم بلافاصله با یک علامت قرمز، توجه مهندس را به آن نقطه جلب می‌کند.

🚀 افقی تازه برای تولید هوشمند

پیش‌بینی‌ها نشان می‌دهد که با استقرار کامل این سیستم، زمان توقف خط تولید تا ۱.۷۵ ساعت در هر پره کاهش می‌یابد. اما مهم‌تر از آن، این فناوری زمینه‌ساز تحولی بزرگتر است: نگهداری پیش‌بینی‌کننده. در آینده، با تحلیل روند تغییرات صوتی، می‌توان عمر باقیمانده هر ابزار را با دقت بالا تخمین زد و آن را دقیقاً در لحظه مناسب تعویض کرد. این یعنی پایان دوران “تعویض بر اساس حدس” و آغاز عصر “تولید بدون نقص”.