خرائط معرفية ضبابية مبنية على التعلم العميق الهجين وتدفق المعلومات للصيانة التنبؤية القابلة للتفسير في الروبوتات التعاونية

الملخص

تواجه الصيانة التنبؤية (PdM) في الروبوتات التعاونية (cobots) معضلة حرجة: فبينما توفر نماذج التعلم العميق دقة عالية، إلا أنها تفتقر إلى قابلية التفسير، والأنظمة القائمة على القواعد شفافة ولكنها غير قابلة للتكيف بشكل كافٍ، مما يشكل تحديًا خطيرًا في بيئات الصناعة 5.0 الحرجة للسلامة، حيث يكون الأداء وقابلية التفسير أمرًا غير قابل للتفاوض. لحل هذه المفاضلة، تقترح هذه الورقة بنية هجينة جديدة تجمع تآزريًا بين شبكة عصبية متكررة ملتوية (CRNN) للتنبؤ بالأخطاء بدقة عالية، وخريطة معرفية ضبابية قائمة على تدفق المعلومات (IF-FCM) للاستدلال السببي القابل للتفسير من قِبل البشر. بخلاف المناهج السابقة التي تعتمد على أوزان FCM الاستدلالية أو الثابتة، تُعاير خريطة FCM البحثية هذه تلقائيًا باستخدام التمثيلات الكامنة لشبكة CRNN والاكتشاف السببي القائم على البيانات: تُشتق أوزان الحواف من إنتروبيا النقل (للتأثير الاتجاهي) والمعلومات المتبادلة (للتباين المشترك)، مما يُزيل تحيز الخبراء ويُتيح تفسيرات ديناميكية قائمة على الفيزياء. تم تقييم النموذج بناءً على مجموعة بيانات UR3 CobotOps الواقعية من مستودع UCI، وحقق أداءً متطورًا بدقة 97.8%، ودرجة F1 0.983، ومساحة تحت المنحنى 0.991، مع توليد تفسيرات معتمدة من قِبل الخبراء باتساق 89% (κ بين المُقيّمين = 0.81). ومن أهم مزاياه انخفاض الإنذارات الكاذبة بنسبة 34% من خلال الاستدلال الواعي بالسياق (مثل تجاهل الارتفاعات الحرارية المعزولة دون تأكيد الشذوذ الكهربائي). علاوة على ذلك، يضمن التطبيع المقيد بالمجال (الحد الأدنى والحد الأقصى)، والمتوافق مع العتبات الفيزيائية التي تحددها الشركة المصنعة، دقة الدلالات واستقرار النموذج. يتفوق الإطار على خطوط الأساس الرائدة، بما في ذلك CNN-LSTM وAttention LSTM وXGBoost+SHAP ونماذج FCM الثابتة في جميع المقاييس. تتمثل المساهمات الأساسية لهذا العمل في (1) بنية هجينة مغلقة الحلقة توحد التعلم العميق والقدرة على التفسير السببي؛ (2) أول تكامل لتدابير المعلومات النظرية في تعلم FCM من أجل PdM الروبوتية؛ و(3) حل جدير بالثقة وقابل للتطوير يلبي المتطلبات التنظيمية والتشغيلية للذكاء الاصطناعي الشفاف في التعاون بين الإنسان والروبوت.