این پایان‌نامه به بررسی استفاده از یادگیری ماشین برای بهبود کنترل قطر در فرآیند تولید الیاف نوری در مقیاس آزمایشگاهی می‌پردازد. الیاف نوری رشته‌های بسیار نازکی از شیشه هستند که برای انتقال داده‌ها با سرعت بالا و اتلاف کم استفاده می‌شوند. قطر این الیاف معمولاً حدود ۱۲۵ میکرومتر است و کوچک‌ترین انحراف از این اندازه می‌تواند کیفیت انتقال داده را به شدت کاهش دهد. در صنعت تولید الیاف نوری، زمانی که قطر الیاف تولیدشده با استانداردهای مورد نظر مطابقت نداشته باشد، کل پیش‌فرم شیشه‌ای که الیاف از آن تولید شده دور ریخته می‌شود. این اتلاف نه تنها هزینه‌بر است، بلکه زمان تولید را نیز هدر می‌دهد و باعث کاهش بهره‌وری می‌شود. یکی از شرکت‌های بزرگ تولیدکننده الیاف نوری در هند با همکاری آزمایشگاه تحقق دستگاه‌های دانشگاه MIT اقدام به توسعه یک سیستم کنترل بهبودیافته برای کاهش تغییرات قطر الیاف کرده است. هدف این پروژه، افزایش دقت و پایداری قطر الیاف تولیدشده و در نتیجه کاهش ضایعات و صرفه‌جویی اقتصادی قابل‌توجه است. بر اساس مطالعات انجام‌شده، سالانه میلیون‌ها دلار به دلیل تولید الیاف نامنطبق در این صنعت هدر می‌رود و بهبود کنترل قطر می‌تواند این خسارات را به میزان چشمگیری کاهش دهد.

برای شبیه‌سازی فرآیند تولید الیاف نوری در مقیاس کوچک و قابل کنترل، از یک دستگاه اکستروژن الیاف رومیزی به نام FRED استفاده شده است. این دستگاه از چهار زیرسیستم اصلی تشکیل شده است: سیستم اکستروژن که چسب را ذوب کرده و به صورت رشته خارج می‌کند، سیستم خنک‌کننده که الیاف را قبل از جمع‌آوری سرد می‌کند، سیستم اندازه‌گیری که قطر الیاف را با استفاده از یک میکرومتر لیزری دقیق اندازه‌گیری می‌کند، و سیستم جمع‌آوری که الیاف را روی یک قرقره می‌پیچد. نسخه‌های قبلی این دستگاه با مشکلات متعددی مانند لغزش در سیستم اکستروژن، نوسانات قطر به دلیل فشار برگشتی، و دشواری در راه‌اندازی سیستم خنک‌کننده آبی مواجه بودند. در طراحی جدید، این مشکلات با استفاده از یک سیستم اکستروژن فنری، افزایش قطر خروجی برای کاهش فشار برگشتی، و جایگزینی خنک‌کننده آبی با فن‌های خنک‌کننده برطرف شده است. همچنین سیستم جمع‌آوری با استفاده از راهنمای خطی و تسمه زمان‌بندی، مشکل واکنش‌پذیری (backlash) را که باعث ایجاد خطا در قطر الیاف می‌شد، حل کرده است. این بهبودها باعث شده‌اند که دستگاه FRED بتواند الیاف با قطر پایدارتر و یکنواخت‌تری تولید کند.

سیستم کنترل این دستگاه با استفاده از یک PLC صنعتی مدل Allen-Bradley CompactLogix 5830 پیاده‌سازی شده است. در روش کنترل سنتی، از کنترل‌کننده PID برای تنظیم دمای اکسترودر، سرعت موتور قرقره و قطر نهایی الیاف استفاده می‌شود. کنترل‌کننده PID با محاسبه خطا بین مقدار مطلوب و مقدار واقعی، سیگنال کنترلی را تولید می‌کند که به سیستم اعمال می‌شود. با این حال، تنظیم دقیق ضرایب PID برای این فرآیند پیچیده و غیرخطی دشوار است و عملکرد آن در شرایط مختلف چندان مطلوب نیست. در مقابل، این پایان‌نامه رویکردی مبتنی بر یادگیری ماشین را پیشنهاد می‌دهد که به مدل اجازه می‌دهد بدون داشتن دانش قبلی از دینامیک سیستم، نحوه کنترل قطر خروجی را بیاموزد. این روش به مدل اجازه می‌دهد تا با دریافت اطلاعات حسی از PLC، محاسبه یک اقدام کنترلی بر اساس هدف مورد نظر، و ارسال آن به PLC، فرآیند را کنترل کند. مزیت اصلی این رویکرد، عدم نیاز به مدل‌سازی دقیق ریاضی از فرآیند است که در سیستم‌های واقعی صنعتی بسیار پیچیده و زمان‌بر خواهد بود.

روش یادگیری ماشین استفاده‌شده در این پروژه، الگوریتم گرادیان سیاست قطعی عمیق (DDPG) است که یک نوع یادگیری تقویتی عمیق محسوب می‌شود. در یادگیری تقویتی، یک عامل (agent) با محیط تعامل می‌کند و بر اساس پاداش‌هایی که دریافت می‌کند، رفتار خود را بهبود می‌بخشد. الگوریتم DDPG به طور خاص برای کنترل در فضاهای عمل پیوسته طراحی شده است، جایی که اقدامات کنترلی می‌توانند مقادیر پیوسته‌ای مانند سرعت موتور داشته باشند. این الگوریتم از دو شبکه عصبی عمیق استفاده می‌کند: یکی برای بازیگر (actor) که سیاست کنترل را تعیین می‌کند و دیگری برای منتقد (critic) که کیفیت اقدامات را ارزیابی می‌کند. برای پایدارسازی فرآیند یادگیری، از یک حافظه تجربی (replay buffer) استفاده می‌شود که نمونه‌های تصادفی از تجربیات گذشته را برای آموزش شبکه‌ها فراهم می‌کند. همچنین شبکه‌های هدف (target networks) با به‌روزرسانی نرم، از نوسانات شدید در آموزش جلوگیری می‌کنند. این ساختار به مدل اجازه می‌دهد تا به تدریج یاد بگیرد که چگونه سرعت موتور قرقره را تنظیم کند تا قطر الیاف به مقدار مطلوب برسد. الگوریتم DDPG در مقایسه با روش‌های سنتی یادگیری تقویتی، توانایی کار با فضاهای عمل پیوسته و ابعاد بالا را دارد و همین ویژگی آن را برای کنترل فرآیندهای صنعتی مانند اکستروژن الیاف مناسب می‌سازد.

برای آموزش مدل DDPG، ابتدا داده‌های مورد نیاز از فرآیند اکستروژن در حالت حلقه باز جمع‌آوری شده است. در این حالت، سرعت موتور قرقره با استفاده از الگوهای مختلفی مانند موج سینوسی با فرکانس‌های ۰.۱، ۰.۲ و ۰.۳ هرتز، موج چیرپ با فرکانس متغیر از ۰.۱ تا ۰.۶ هرتز، و تغییرات پله‌ای تصادفی در محدوده ۵۰ تا ۲۰۰ دور در دقیقه تغییر داده شده و قطر الیاف خروجی اندازه‌گیری شده است. در مجموع حدود ۱۲۰,۰۰۰ نقطه داده برای آموزش مدل استفاده شده است. مدل با استفاده از این داده‌ها آموزش دیده تا رابطه بین قطر الیاف، سرعت موتور قرقره و سایر پارامترها را بیاموزد. برای ارزیابی مدل، از معیار دقت استفاده شده است که به معنای درصد پیش‌بینی‌هایی است که اختلاف کمتر از ۱۰ دور در دقیقه با مقدار واقعی دارند. بهترین مدل آموزش‌دیده روی داده‌های سینوسی، توانسته است دقت ۱۸.۴ درصد روی داده‌های آموزش و ۴۹.۸۲ درصد روی داده‌های تست (تغییرات پله‌ای تصادفی) کسب کند. این نتایج نشان می‌دهد که مدل توانسته است الگوهای موجود در داده‌ها را تا حدی یاد بگیرد، اما هنوز جای بهبود قابل‌توجهی وجود دارد.

برای اجرای مدل روی سیستم واقعی، از پروتکل ارتباطی OPC UA استفاده شده است که یک استاندارد صنعتی برای تبادل داده بین PLC و کامپیوتر است. نرم‌افزار FactoryTalk Linx از شرکت راکول اتوماسیون برای پیکربندی سرور OPC UA به کار رفته است. کد پایتون مدل DDPG با استفاده از کتابخانه opcua به سرور متصل می‌شود، مقادیر قطر فعلی، نقطه تنظیم و سرعت پیش‌فرم را از سرور دریافت می‌کند، اقدام کنترلی (سرعت موتور قرقره) را محاسبه کرده و آن را به سرور ارسال می‌کند. این چرخه به صورت مداوم با فاصله زمانی ۱۰ میلی‌ثانیه تکرار می‌شود تا کنترل بلادرنگ فرآیند حفظ شود. فرآیند دریافت داده، محاسبه اقدام کنترلی و ارسال آن به PLC باید در کمتر از ۱۰ میلی‌ثانیه انجام شود تا همگام با نرخ نمونه‌برداری PLC باشد. این محدودیت زمانی چالش‌های محاسباتی خاصی را ایجاد می‌کند که در طراحی مدل و انتخاب سخت‌افزار باید مد نظر قرار گیرد.

نتایج ارزیابی نشان می‌دهد که مدل DDPG در برخی آزمایش‌ها توانسته است عملکرد بهتری نسبت به کنترل‌کننده PID داشته باشد. به عنوان مثال، در یک آزمون، مدل DDPG توانست انحراف معیار قطر الیاف را در نقطه تنظیم ۰.۲ میلی‌متر حدود ۲۷ درصد و در نقطه تنظیم ۰.۲۵ میلی‌متر حدود ۳۸ درصد نسبت به PID بهبود دهد. با این حال، در آزمایش‌های دیگر، کنترل‌کننده PID عملکرد بهتری داشت و خطای نسبی کمتری نشان داد. به طور کلی، این پایان‌نامه نشان می‌دهد که استفاده از یادگیری ماشین برای کنترل قطر الیاف نوری امکان‌پذیر است و پتانسیل بهبود عملکرد را دارد، اما برای دستیابی به نتایج پایدارتر و بهتر، نیاز به آموزش مدل با داده‌های بیشتر، افزایش فضای عمل برای کنترل موتور اکسترودر، تنظیم دقیق‌تر فراپارامترها، و پیاده‌سازی یادگیری آنلاین مداوم است. همچنین استفاده از سخت‌افزار محاسباتی قوی‌تر برای کاهش زمان محاسبات و افزایش سرعت پاسخ‌دهی مدل توصیه می‌شود. این تحقیق نشان می‌دهد که ترکیب یادگیری ماشین با سیستم‌های کنترل صنعتی سنتی می‌تواند مسیر جدیدی برای بهبود فرآیندهای تولیدی پیچیده فراهم کند، هرچند تحقق کامل این پتانسیل نیازمند تحقیقات و توسعه بیشتر است.

وقتی هوش مصنوعی یاد می‌گیرد شیشه را مثل رشته‌ی ماکارونی بکشد!

تصور کنید در یک کارخانه‌ی تولید الیاف نوری، هر ماه صدها کیلومتر الیاف تولید می‌شود. اما اگر قطر این الیاف به اندازه‌ی یک تار مو نازک‌تر یا ضخیم‌تر از حد استاندارد باشد، چه اتفاقی می‌افتد؟ تمام آن الیاف دور ریخته می‌شوند. کل پیش‌فرم شیشه‌ای که با زحمت و انرژی زیاد ساخته شده، از بین می‌رود. یک مطالعه نشان داده که تنها در یک شرکت، ماهانه ۶۰۰۰ کیلومتر الیاف به دلیل عدم تطابق قطر رد می‌شود و این یعنی حدود ۱.۵ میلیون دلار ضرر در ماه. حالا فکر کنید اگر یک سیستم هوشمند می‌توانست این مشکل را حل کند، چقدر پول و زمان ذخیره می‌شد؟ این دقیقاً همان چیزی است که یک پایان‌نامه‌ی جذاب از دانشگاه MIT به آن پرداخته است.

داستان یک دستگاه کوچک با ماموریت بزرگ

برای اینکه بفهمیم چطور می‌توان قطر الیاف نوری را بهتر کنترل کرد، محققان به جای کار با کوره‌های عظیم صنعتی، یک دستگاه رومیزی کوچک به نام FRED ساخته‌اند. این دستگاه مثل یک ماکت کوچک از کارخانه‌ی واقعی عمل می‌کند: یک چسب را ذوب می‌کند، آن را به شکل رشته‌ی نازکی بیرون می‌دهد، با فن خنکش می‌کند، با لیزر قطرش را اندازه می‌گیرد و در نهایت روی یک قرقره می‌پیچد. جالب است که این دستگاه آنقدر کوچک است که روی یک میز کار قرار می‌گیرد، اما همان چالش‌های کارخانه‌های بزرگ را شبیه‌سازی می‌کند.

نسخه‌های قبلی این دستگاه مشکلات زیادی داشتند: چسب لیز می‌خورد و درست اکسترود نمی‌شد، قطر الیاف به طور متناوب بالا و پایین می‌رفت، و سیستم خنک‌کننده‌ی آبی آنقدر دست‌وپاگیر بود که کار با آن سخت می‌شد. اما طراحی جدید این مشکلات را حل کرده است. یک فنر به سیستم اکستروژن اضافه شده تا grip بهتری داشته باشد، قطر خروجی بزرگ‌تر شده تا فشار برگشتی کمتر شود، و به جای آب، از فن برای خنک کردن استفاده می‌شود. همچنین یک راهنمای خطی و تسمه‌ی زمان‌بندی جایگزین پیچ‌های سربی قدیمی شده تا لقی و خطای ناشی از آن حذف شود. نتیجه؟ الیافی با قطر یکنواخت‌تر و پایداری بیشتر.

چرا روش‌های سنتی کافی نیستند؟

روش معمول برای کنترل چنین فرآیندهایی استفاده از کنترل‌کننده‌های PID است. این کنترل‌کننده‌ها بر اساس خطا بین مقدار مطلوب و مقدار واقعی، سیگنال کنترلی تولید می‌کنند. اما مشکل اینجاست که فرآیند اکستروژن الیاف بسیار غیرخطی و پیچیده است. تنظیم دقیق ضرایب PID برای این سیستم مثل پیدا کردن سوزن در انبار کاه است. گاهی اوقات سیستم ناپایدار می‌شود، گاهی الیاف کشش خود را از دست می‌دهد و گاهی نوسانات قطر آنقدر زیاد می‌شود که محصول غیرقابل استفاده می‌گردد. در جدول‌های پایان‌نامه می‌بینیم که حتی با تنظیمات مختلف PID، باز هم خطاهای نسبی تا ۸.۸ درصد و انحراف معیار تا ۰.۰۶۱ میلی‌متر مشاهده می‌شود که برای صنعتی که دقت میکرومتری نیاز دارد، فاجعه‌بار است.

اینجاست که یادگیری ماشین وارد می‌شود. ایده این است که به جای اینکه برنامه‌نویس تمام قوانین و منطق کنترل را از پیش تعریف کند، یک مدل هوش مصنوعی خودش یاد بگیرد که چطور سرعت موتور قرقره را تنظیم کند تا قطر الیاف به مقدار دلخواه برسد. مدل استفاده‌شده در این تحقیق، الگوریتم گرادیان سیاست قطعی عمیق یا DDPG است. این الگوریتم از دو شبکه‌ی عصبی عمیق تشکیل شده: یکی بازیگر که تصمیم می‌گیرد چه اقدام کنترلی انجام شود و دیگری منتقد که کیفیت آن اقدام را ارزیابی می‌کند. مدل با آزمون و خطا و دریافت پاداش، به تدریج یاد می‌گیرد که چگونه رفتار کند.

«در یادگیری تقویتی، عامل با محیط تعامل می‌کند و بر اساس پاداش‌هایی که دریافت می‌کند، رفتار خود را بهبود می‌بخشد.»

نکته‌ی جالب اینجاست که مدل هیچ دانش قبلی از دینامیک سیستم ندارد. یعنی نمی‌داند که افزایش سرعت موتور قرقره باعث نازک‌تر شدن الیاف می‌شود یا ضخیم‌تر. بلکه خودش با مشاهده‌ی داده‌ها و دریافت پاداش، این رابطه را کشف می‌کند. این مثل این است که یک کودک بدون اینکه کسی به او بگوید دستش را از بخاری دور نگه دارد، خودش یاد می‌گیرد که بخاری داغ است و باید فاصله بگیرد.

چگونه به مدل یاد دادند که الیاف را کنترل کند؟

برای آموزش مدل، ابتدا داده‌های زیادی از فرآیند جمع‌آوری شد. در حالت حلقه باز، سرعت موتور قرقره با الگوهای مختلفی مثل موج سینوسی با فرکانس‌های ۰.۱ تا ۰.۳ هرتز، موج چیرپ با فرکانس متغیر از ۰.۱ تا ۰.۶ هرتز، و تغییرات پله‌ای تصادفی بین ۵۰ تا ۲۰۰ دور در دقیقه تغییر داده شد و قطر الیاف خروجی ثبت شد. در مجموع حدود ۱۲۰,۰۰۰ نقطه داده به دست آمد. این داده‌ها مثل کتاب درسی برای مدل عمل می‌کنند.

مدل با استفاده از این داده‌ها آموزش دید تا رابطه بین قطر الیاف، سرعت موتور قرقره و سایر پارامترها را بیاموزد. معیار سنجش دقت مدل این بود که چند درصد پیش‌بینی‌ها کمتر از ۱۰ دور در دقیقه با مقدار واقعی اختلاف دارند. بهترین مدل توانست دقت ۱۸.۴ درصد روی داده‌های آموزش و ۴۹.۸۲ درصد روی داده‌های تست کسب کند. این اعداد شاید در نگاه اول پایین به نظر برسند، اما برای اولین تلاش‌ها در این زمینه قابل قبول هستند و نشان می‌دهند که مدل توانسته الگوهای موجود را تا حدی یاد بگیرد.

برای اجرای مدل روی سیستم واقعی، از پروتکل OPC UA استفاده شد که یک استاندارد صنعتی برای تبادل داده بین PLC و کامپیوتر است. کد پایتون مدل DDPG به سرور OPC UA متصل می‌شود، مقادیر قطر فعلی و نقطه تنظیم را دریافت می‌کند، اقدام کنترلی را محاسبه کرده و به PLC ارسال می‌کند. این چرخه هر ۱۰ میلی‌ثانیه تکرار می‌شود تا کنترل بلادرنگ حفظ شود. یعنی مدل باید در کمتر از ۱۰ میلی‌ثانیه فکر کند، تصمیم بگیرد و دستور را بفرستد. این محدودیت زمانی چالش‌های محاسباتی جدی ایجاد می‌کند.

نتیجه چه بود؟ آیا هوش مصنوعی برنده شد؟

نتایج نشان می‌دهد که مدل DDPG در برخی آزمایش‌ها توانست عملکرد بهتری نسبت به PID داشته باشد. مثلاً در یک آزمون، انحراف معیار قطر الیاف در نقطه تنظیم ۰.۲ میلی‌متر حدود ۲۷ درصد و در نقطه تنظیم ۰.۲۵ میلی‌متر حدود ۳۸ درصد نسبت به PID بهبود یافت. این یعنی الیاف تولیدشده یکنواخت‌تر بودند و کمتر نوسان داشتند. اما در آزمایش‌های دیگر، PID برنده شد و خطای نسبی کمتری نشان داد. به عنوان مثال، در یک آزمون، خطای نسبی PID در نقطه تنظیم ۰.۲ میلی‌متر صفر درصد بود، در حالی که DDPG خطای ۱ درصد داشت.

پس تکلیف چیست؟ آیا یادگیری ماشین بهتر است یا PID؟ پاسخ این است که هنوز قطعی نیست. این پایان‌نامه نشان می‌دهد که استفاده از یادگیری ماشین برای کنترل قطر الیاف نوری امکان‌پذیر است و پتانسیل بهبود عملکرد را دارد، اما برای دستیابی به نتایج پایدارتر و بهتر، نیاز به آموزش مدل با داده‌های بیشتر، افزایش فضای عمل برای کنترل موتور اکسترودر، تنظیم دقیق‌تر فراپارامترها، و پیاده‌سازی یادگیری آنلاین مداوم است. همچنین استفاده از سخت‌افزار محاسباتی قوی‌تر برای کاهش زمان محاسبات و افزایش سرعت پاسخ‌دهی مدل توصیه می‌شود.

«این پایان‌نامه نشان می‌دهد که ترکیب یادگیری ماشین با سیستم‌های کنترل صنعتی سنتی می‌تواند مسیر جدیدی برای بهبود فرآیندهای تولیدی پیچیده فراهم کند، هرچند تحقق کامل این پتانسیل نیازمند تحقیقات و توسعه بیشتر است.»

نکته‌ی مهم این است که این تحقیق فقط یک قدم اولیه است. مدل فعلی فقط با ۱۲۰,۰۰۰ نقطه داده آموزش دیده، در حالی که برای یادگیری کامل دینامیک سیستم، نیاز به میلیون‌ها نقطه داده است. علاوه بر این، مدل فقط می‌تواند سرعت موتور قرقره را کنترل کند، در حالی که کنترل همزمان دمای اکسترودر و سرعت موتور اکسترودر می‌تواند نتایج بهتری بدهد. همچنین، مدل فعلی به صورت آفلاین آموزش دیده و در حین کار یاد نمی‌گیرد. اگر مدل می‌توانست در حین کار نیز یاد بگیرد و وزن‌هایش را به‌روز کند، می‌توانست با شرایط متغیر محیطی سازگار شود.

در نهایت، این پایان‌نامه یک درس مهم دارد: هوش مصنوعی می‌تواند در کنترل فرآیندهای صنعتی پیچیده مفید باشد، اما جایگزین کامل روش‌های سنتی نمی‌شود. بهترین رویکرد احتمالاً ترکیبی از هر دو است: استفاده از PID برای کنترل‌های ساده و سریع، و استفاده از یادگیری ماشین برای بهینه‌سازی و بهبود عملکرد در بلندمدت. همانطور که نویسنده اشاره می‌کند، کارهای آینده باید بر روی آموزش مدل با داده‌های بیشتر، افزایش فضای عمل، و پیاده‌سازی یادگیری آنلاین متمرکز شود تا بتوان به نتایج قابل اعتمادتر و پایدارتر دست یافت.