التعاون السيبراني-الفيزيائي المدعوم بالذكاء الاصطناعي القابل للتفسير من أجل التصنيع المستدام في الصناعة 5.0

ملخص

تقدم هذه الدراسة إطار عمل للتعاون السيبراني الفيزيائي ضمن الثورة الصناعية 5.0 مدعومًا بالذكاء الاصطناعي القابل للتفسير، والذي يستخدم CNN-transformer وSHAP للكشف عن الشذوذ الصوتي الصناعي باستخدام مجموعة بيانات MIMII. ويدعم دمج الحوسبة الطرفية الصيانة التنبؤية القابلة للتفسير والتي تركز على العنصر البشري.

الملخص

نقدم في هذه الدراسة نهجاً مبتكراً للتصنيع المستدام للأجزاء الصناعية باستخدام نظام تعاون سيبراني-فيزيائي يعتمد على الذكاء الاصطناعي القابل للتفسير (XAI) لخدمة الثورة الصناعية 5.0. فقد تبين أن الأنظمة السيبرانية-الفيزيائية البشرية (CPHSs) الحالية تدمج الذكاء الاصطناعي إلى حد محدود وغالباً ما تفتقر إلى القابلية للتفسير. وبناءً على ذلك، هناك حاجة لتحسين قابليتها للتوسع والمرونة، بما يتماشى مع مبادئ الثورة الصناعية 5.0: المرونة، والاستدامة طويلة الأمد، والتركيز على العنصر البشري. ولمعالجة هذه القصور، نقدم بنية تدمج التعلم العميق والذكاء الاصطناعي القابل للتفسير في النظام البيئي للأنظمة السيبرانية-الفيزيائية (CPS) لتمكين اتخاذ قرارات ذكية وقابلة للتفسير. وتحديداً، نستخدم مجموعة بيانات MIMII (الخاصة بفحص وتحقيق الآلات الصناعية المتعطلة) للكشف عن أعطال الآلات من خلال الإشارات الصوتية. تخضع الإشارات الصوتية لتحويل طيفي لإنتاج صور المخططات الطيفية (spectrogram images)، والتي يتم معالجتها بعد ذلك بواسطة شبكة عصبية تلافيفية (CNN) لاستخراج الميزات المكانية، ومشفّر محول (transformer encoder) للميزات الزمنية. ولتعزيز الشفافية وتسهيل التعاون البشري في الحلقة (human-in-the-loop)، يساعد نهج SHAP (التفسيرات الجمعية لشابلي) المشغلين على فهم عملية اتخاذ القرار في النظام من خلال تسليط الضوء على ميزات الإدخال التي تؤثر على تنبؤات النموذج. بالإضافة إلى ذلك، يتم تطبيق هذا الإطار في نظام سيبراني-فيزيائي يعتمد على حوسبة الحافة (edge-computing) لتحقيق زمن انتقال منخفض واستهلاك منخفض للطاقة مع توفير استجابات فورية، مما يساعد في ضمان بيئة إنتاج مستدامة. وتظهر النتائج التجريبية أن بنية CNN-Transformer المقترحة تحقق دقة تصل إلى 98.5% وتتفوق على أنظمة CPHS الحالية مع الحفاظ على زمن انتقال منخفض. إن استخدام الذكاء الاصطناعي القابل للتفسير في مثل هذا النظام من التعاون السيبراني-الفيزيائي يزيد بشكل كبير من ثقة المشغل ويمكّن التعاون السلس بين الإنسان والآلة.

المقدمة

لقد أثر الانتقال من الثورة الصناعية 4.0، التي ركزت على التكنولوجيا والميكنة والاتصالات، إلى نموذج الثورة الصناعية 5.0 الجديد، الذي يجمع بين التقدم التكنولوجي والقدرة على التكيف والتنمية المستدامة والتمحور حول الإنسان، على التطور الديناميكي للأنظمة الصناعية^1,2. وتعرف المفوضية الأوروبية الثورة الصناعية 5.0 بأنها نموذج يركز ليس فقط على الإنتاجية والكفاءة، بل أيضاً على الركائز الثلاث: التمحور حول الإنسان، والاستدامة، والمرونة. ومن المهم ملاحظة أن الأبحاث الحديثة قد أشارت إلى دور أنظمة الذكاء الاصطناعي، والتعاون بين الإنسان والآلة، والتصنيع المستدام كمحركات رئيسية لبيئات الثورة الصناعية 5.0^3,4. ولم تعد طرق الصيانة التقليدية كافية في هذه البيئة الصناعية المتطورة؛ فمن أجل تحقيق المرونة في السياقات المعقدة وغير المستقرة، يجب أن تتطور الصيانة إلى شكل أكثر تكيفاً ومنهجية⁵. ومنذ عام 2011، كانت الثورة الصناعية 4.0 هي النموذج المهيمن للتحول الصناعي في أوروبا، مما شجع على التحول الرقمي للشركات لتعزيز العمليات وتعظيم الموارد المتاحة⁴. وبناءً على ذلك، أصبح من الضروري زيادة الكفاءة دون إلغاء العمالة البشرية في الإنتاج، مع حماية صحة العمال وسلامتهم. لهذا السبب، بدأت الشركات والأوساط الأكاديمية في تحديد مبادئ نموذج الثورة الصناعية 5.0^5,6,7، مدفوعين جزئياً بالمفهوم الياباني "مجتمع 5.0"^8,9,10,11. ورغم زيادة التركيز على الصيانة المستدامة في الدراسات الحديثة، إلا أن معظم التقييمات المنهجية الحالية تظل مجزأة أو مقتصرة على مجالات محددة، وتفتقر إلى إطار شامل يدمج المرونة والاستدامة والذكاء الاصطناعي. على سبيل المثال، يتناول بعض المؤلفين ممارسات الصيانة المستدامة لأنظمة أو استراتيجيات محددة، بما في ذلك الصيانة الإنتاجية الشاملة المستدامة (STPM)، بينما يتحدث باحثون آخرون عن دمج موضوعات الاستدامة في تقنيات الصيانة^12,13,14. وقد أجرى أحد المؤلفين تقييماً شاملاً لمعايير اعتماد الاستدامة وسلط الضوء على العوامل التكنولوجية التي تمكن التصنيع من إحداث تأثير مستدام إيجابي¹⁵. ومع ذلك، لا تزال الاستدامة والمرونة واتخاذ القرار القائم على الذكاء الاصطناعي غير متكاملة بشكل كامل في أي من هذه الأعمال ضمن نموذج الثورة الصناعية 5.0. ونتيجة لذلك، غالباً ما تعالج طرق الصيانة المنفصلة مسألة الاستدامة. وتبرز تقنية SHAP من بين تقنيات الذكاء الاصطناعي القابل للتفسير (XAI) الأخرى بفضل منهجيتها السليمة نظرياً في تخصيص الميزات^16,17,18.

يُتيح الذكاء الاصطناعي اتخاذ القرارات المستندة إلى البيانات، ولكن النماذج الدقيقة غالبًا ما تتطلب كميات كبيرة من البيانات. وكثيرًا ما تظهر تقنيات تعلم الآلة (ML) التقليدية، مثل أشجار القرار، والانحدار اللوجستي، والانحدار الخطي، أداءً ضعيفًا في الحالات غير الخطية للغاية لأنها تفترض توزيعات بيانات بسيطة نسبيًا¹⁹. وتتجاوز الشبكات العصبية العميقة (DNNs) هذه القيود من خلال تعلم تمثيلات ميزات معقدة من مجموعات بيانات ضخمة²⁰. ووفقًا للدراسات²¹، غالبًا ما تقدم الشبكات الأكثر عمقًا أداءً أفضل من الهياكل الضحلة في مهام اتخاذ القرار المعقدة، إلا أن زيادة عمقها وتعقيد معلماتها يجعل النموذج أقل قابلية للتفسير²².

يُعد النظام السيبراني الفيزيائي (CPS) تقنية تمكين حاسمة للتصنيع في إطار الثورة الصناعية الخامسة (Industry 5.0)، وذلك لأنه يدمج بين الذكاء الموزع، والحواسيب المدمجة، والعمليات الفيزيائية، والاتصالات. ولتمكين العمليات الصناعية المرنة والذكية والفورية، تدمج الأنظمة السيبرانية الفيزيائية الحديثة بسرعة بين حوسبة الحافة (edge computing)، والذكاء الاصطناعي للحافة (edge AI)، وإنترنت الأشياء الأخضر (G-IoT)^23,24. وقد تم تسليط الضوء على الاستدامة والمرونة في الدراسات الحديثة حول صيانة 4.0 (Maintenance 4.0) والصيانة الذكية. وبينما بحثت الأعمال السابقة في أهمية تكنولوجيا صيانة 4.0 في التصنيع المستدام واقترحت أطر نمذجة للصيانة المستدامة، قامت دراسات ببليومترية ومنهجية بتقييم تقنيات الصيانة الذكية^25,26,27,28. كما بحثت دراسات إضافية في دمج الصيانة المستدامة ضمن بيئات الصناعة 4.0 وأنظمة الإنتاج الموجهة نحو الاستدامة^29,30,31,32. وقد حظيت الصيانة المتمحورة حول الإنسان باهتمام كبير من خلال مفهوم المشغل 4.0 (Operator 4.0)³³، وأطر الصناعة 5.0 المتمحورة حول الإنسان³⁴، والمنظورات الاجتماعية والاقتصادية³⁵. بالإضافة إلى ذلك، ركزت الدراسات الحديثة على التطورات في الصيانة الرقمية³⁶، والصيانة التنبؤية والتوجيهية^37,38، واستراتيجيات الصيانة المستدامة^39,40. ورغم هذه التطورات، لا تزال الأبحاث مشتتة، وقليل من الدراسات تقدم نموذجاً متماسكاً يدمج بين الذكاء الاصطناعي القابل للتفسير، والاستدامة، والمرونة، والتعاون السيبراني الفيزيائي المتمحور حول الإنسان. ولم تصل الأنظمة السيبرانية الفيزيائية (CPSs) إلى الاستقلالية الكاملة رغم تزايد انتشارها، كما أن نموذج الصناعة 5.0 لا يشجع على ذلك؛ إذ تركز الصناعة 5.0، من ناحية أخرى، بشكل أكبر على الإشراف البشري والتعاون واتخاذ القرار. ومن خلال دمج التفكير والتعاون البشري في العمليات السيبرانية الفيزيائية، تأتي الأنظمة السيبرانية البشرية لتوسع الأنظمة السيبرانية الفيزيائية التقليدية، مثل الأنظمة السيبرانية الفيزيائية التي يكون الإنسان في حلقتها (HiLCPSs)⁴¹، والأنظمة السيبرانية الفيزيائية المتمحورة حول الإنسان (HCPSs)^42,43، والأنظمة البشرية السيبرانية الفيزيائية (CPHSs)⁴⁴. ويعزز هذا التكامل القدرة على التكيف والشفافية والسلامة والمرونة من خلال تمكين التعاون في الوقت الفعلي بين الأنظمة الذكية والمشغلين البشر^45,46.

لقد شهد الكشف عن الشذوذ الصوتي الصناعي تحسناً كبيراً بفضل البنى الجديدة، بما في ذلك Vision Transformer (ViT)، وAudio Spectrogram Transformer (AST)، وConformer، والتعلم الخاضع للإشراف الذاتي؛ ومع ذلك، لا يزال دمجها مع الأنظمة السيبرانية الفيزيائية القابلة للتفسير من أجل الثورة الصناعية الخامسة (Industry 5.0) محدوداً. وبدون دمج القابلية للتفسير، والنشر الطرفي (edge deployment)، ودعم القرار المعتمد على العنصر البشري في الحلقة (human-in-the-loop) ضمن إطار عمل واحد، يركز البحث الحالي بشكل أساسي على دقة التصنيف أو على القابلية للتفسير القائمة على الذكاء الاصطناعي القابل للتفسير (XAI) بعد وقوع الحدث (post hoc). تقترح هذه الدراسة بنية تعاون سيبراني فيزيائي مبتكرة تعتمد على CNN-Transformer ومزودة بالذكاء الاصطناعي القابل للتفسير، تجمع بين الحوسبة الطرفية، ونمذجة التبعية الزمنية، والقابلية للتفسير القائمة على SHAP، وتعلم الميزات المكانية، ودعم القرار المتمحور حول الإنسان لتمكين التصنيع المستدام في الثورة الصناعية الخامسة والتغلب على هذه القيود.

وبناءً على ذلك، لا يزال هناك نقص بحثي جوهري؛ إذ تركز تقنيات الكشف عن الشذوذ الصوتي الحالية القائمة على الشبكات العصبية التلافيفية (CNN) أو المحولات (Transformer) على أداء التصنيف، لكنها تفتقر إلى التعاون السيبراني-الفيزيائي والقابلية للتفسير. وفي حين توفر أطر الثورة الصناعية الخامسة (Industry 5.0) نماذج مفاهيمية محورها الإنسان، إلا أنها لا تدمج التعلم العميق القابل للتفسير، والذكاء الاصطناعي الطرفي، واتخاذ القرار بمساعدة المشغل في نظام واحد، كما أن تقنيات الصيانة التنبؤية القائمة على الذكاء الاصطناعي القابل للتفسير (XAI) تزيد من الشفافية ولكنها تعمل بشكل مستقل عن بنى الأنظمة السيبرانية-الفيزيائية البشرية (CPHS). لذا، لا يزال هناك نقص في وجود نظام سيبراني-فيزيائي بشري واحد ضمن الثورة الصناعية الخامسة يدمج الكشف الدقيق عن الشذوذ السمعي، والقابلية للتفسير القائمة على قيم شابل (SHAP)، والنشر المدعوم بالحوسبة الطرفية، والتعاون الذي يتضمن العنصر البشري في الحلقة (human-in-the-loop).

تقترح هذه الورقة نموذجاً جديداً للتعاون السيبراني المادي يعتمد على شبكة عصبية تلافيفية ومحول (CNN-Transformer) مدعوماً بالذكاء الاصطناعي القابل للتفسير لصناعة 5.0 للتغلب على هذه القيود. تجمع البنية المقترحة بين نشر حوسبة الحافة، واستخراج الميزات المكانية القائمة على CNN، وتعلم التبعيات الزمنية القائم على Transformer، والقابلية للتفسير القائمة على SHAP، ودعم اتخاذ القرار بمشاركة العنصر البشري (human-in-the-loop) في إطار عمل واحد لنظام سيبراني مادي (CPHS). ويقدم الإطار المقترح حلاً متكاملاً يعمل بالتزامن على تحسين أداء كشف الشذوذ، وشفافية النموذج، والكفاءة التشغيلية، والتعاون الذي يركز على الإنسان من أجل تصنيع مستدام، وذلك على عكس الطرق الحالية التي تتعامل مع هذه العناصر بشكل مستقل.

يتمثل الهدف الرئيسي لهذه الدراسة في إنشاء نظام بشري سيبراني-فيزيائي (CPHS) مدعوم بالذكاء الاصطناعي القابل للتفسير من أجل تصنيع مستدام وفق معايير الثورة الصناعية 5.0، وذلك من خلال دمج القابلية للتفسير القائمة على SHAP، والحوسبة الحافة، ودعم اتخاذ القرار بوجود العنصر البشري في الحلقة مع نهج هجين للكشف عن الشذوذ الصوتي يعتمد على CNN-Transformer. ويهدف الإطار المقترح بشكل خاص إلى تحسين دقة الكشف عن الشذوذ مع تقديم توقعات واضحة ومفهومة، وتسهيل النشر الفعال على الحافة، وتشجيع اتخاذ القرار التعاوني بين الأنظمة الذكية والمشغلين البشريين. ومن خلال تحقيق أداء عالٍ في الكشف، والقابلية للتفسير، والتشغيل بزمن وصول منخفض، والتعاون السيبراني-الفيزيائي الذي يركز على الإنسان في آن واحد، تعالج هذه البنية المتكاملة أوجه القصور في الأطر الحالية للكشف عن الشذوذ الصوتي، والصيانة التنبؤية القائمة على XAI، وأطر CPHS.

تقدم البنية المقترحة نظاماً سيبرانيًا فيزيائيًا بشريًا (CPHS) موحدًا ومدعومًا بالذكاء الاصطناعي القابل للتفسير لصناعة 5.0، وذلك على عكس تقنيات الكشف عن الشذوذ الصوتي الحالية التي تركز بشكل أساسي على دقة التصنيف. حيث تجمع هذه البنية الموحدة بين استخراج الميزات المكانية القائم على الشبكات العصبونية التلافيفية (CNN)، والنمذجة الزمنية القائمة على المحولات (Transformer)، والقابلية للتفسير القائمة على قيم شابلي (SHAP)، وحوسبة الحافة، ودعم القرار بمشاركة العنصر البشري في الحلقة. وتعالج البنية المقترحة القضايا الرئيسية المتعلقة بالشفافية، ومساعدة المشغل، والتعاون السيبراني الفيزيائي من خلال دمج الكشف الدقيق عن الشذوذ مع اتخاذ قرار مفهوم ونشر فوري على الحافة. وتتمثل المساهمة العلمية الرئيسية لهذا العمل في التكامل على مستوى النظام، مما يميز النهج المقترح عن الأبحاث السابقة التي تركز فقط على الكشف عن الشذوذ، أو الذاء الاصطناعي القابل للتفسير، أو أطر عمل صناعة 5.0 بشكل منفرد.

البروتوكول

تستخدم المنهجية المقترحة نهجاً قائماً على نظام Cyber-physical human system (CPHS) وفق الثورة الصناعية 5.0، والذي يجمع بين التعلم العميق القابل للتفسير وإطار عمل للتعاون السيبراني الفيزيائي المدعوم بحوسبة الحافة لدعم عمليات التصنيع المستدامة. أولاً، يتم تناول المشكلة من خلال تحديد بعض القيود في حلول CPHS الحالية، مثل الافتقار إلى الذكاء المدعوم بالذكاء الاصطناعي، والقابلية للتفسير، والتعاون الذي يركز على الإنسان. ولمواجهة هذه التحديات، يستفيد الحل المقترح من مجموعة بيانات MIMII لمراقبة حالة الآلات الصناعية باستخدام معالجة الإشارات الصوتية.

يبدأ الإطار المقترح بتغذية المخططات الطيفية (spectrograms) المولدة إلى نموذج شبكة عصبية تلافيفية (CNN) يقوم باستخلاص الميزات المكانية من خلال التعرف على أنماط التردد الهامة المرتبطة بحالات الماكينة المختلفة. ثم يتم تحويل الميزات المكانية المستخلصة إلى تسلسلات وتغذيتها في وحدة ترميز المحول (transformer encoder) لالتقاط التبعيات الزمنية عبر آلية الانتباه الذاتي (self-attention). بعد ذلك، يتم تمرير تمثيل الميزات المحول إلى وحدة تصنيف متصلة بالكامل لتصنيف حالات الماكينة كحالة طبيعية أو غير طبيعية. بالإضافة إلى ذلك، ولضمان الشفافية وتسهيل اتخاذ القرارات المتمحورة حول العنصر البشري، يتم استخدام منهج SHAP القابل للتفسير لشرح التنبؤات من خلال تحديد مناطق الزمن والتردد الهامة في مخرجات النموذج. وسيتم تنفيذ النموذج المصمم في بيئة نظام فيزيائي سيبراني (CPS) مُمكّن من الحوسبة الطرفية (edge-enabled)، مما يسمح بالاستدلال في الوقت الفعلي مع زمن وصول حسابي واستهلاك طاقة منخفضين. علاوة على ذلك، سيتم دمج مخطط "الإنسان في الحلقة" (human-in-the-loop) لتمكين المشغلين البشريين من التحقق باستخدام نتائج القابلية للتفسير. ويتم التحقق من الأداء باستخدام الدقة (accuracy)، والدقة التحديدية (precision)، والاستدعاء (recall)، ومقياس F1-score، بالإضافة إلى مقاييس أخرى على مستوى النظام مثل زمن الوصول وكفاءة الطاقة.

يتمثل الإطار المقترح في آلية لنظام صحة تنبؤية سيبرانية-فيزيائية (CPHS) مدعومة بالذكاء الاصطناعي القابل للتفسير (XAI) للتصنيع المستدام في سياق الثورة الصناعية الخامسة (Industry 5.0)، ويظهر سير العمل الخاص بها كمسار يبدأ من الحصول على البيانات وصولاً إلى اتخاذ القرار الذكي وتنفيذه، كما هو موضح في الشكل 1. في المرحلة الأولية من إجراء الحصول على البيانات، يتم جمع الإشارات الصوتية من الآلات في الصناعات مثل المحركات والمضخات والمحامل باستخدام مجموعات بيانات تشمل MIMII. تُمرر إشارات البيانات التي تم الحصول عليها إلى المرحلة التالية، والتي يُشار إليها بمعالجة البيانات مسبقاً، حيث تخضع لعمليات الترشيح والتطبيع والتقسيم. وفي النهاية، يتم تحويل إشارات البيانات المقسمة إلى مخطط طيفي (spectrogram) باستخدام تحويل فوريه قصير المدى (STFT) في طبقة تمثيل الميزات.

بعد ذلك، تستخدم طبقة نموذج الذكاء الاصطناعي صور المخطط الطيفي لاستخلاص الميزات عبر وحدة CNN، وذلك لتحديد الأنماط المكانية والشذوذ. ثم يتم إعادة تشكيل الميزات المستخلصة وتغذيتها في مشفر transformer، الذي يتعلم التبعيات الزمنية والعلاقات طويلة المدى عبر آليات الانتباه الذاتي. وتُصنف متجهات الميزات الناتجة على أنها طبيعية أو غير طبيعية باستخدام طبقة التصنيف. ولضمان الشفافية في عملية التنبؤ، تستخدم طبقة القابلية للتفسير SHAP لتسليط الضوء على مناطق الزمن والتردد ذات الدلالة في المخطط الطيفي.

بالإضافة إلى ذلك، توجد عملية تدخل بشري (human-in-the-loop) يقوم من خلالها المشغلون بتفسير نتائج النموذج وتقديم ملاحظات حولها. وفي طبقة النشر، يعمل النموذج على بنية تحتية لنظام CPHS قائمة على الحافة (edge-based)، مما يضمن سرعة الاستدلال وانخفاض استهلاك الطاقة، مع إمكانية الربط اختيارياً بأنظمة سحابية لمتطلبات التخزين أو التحليلات المتقدمة. وبشكل عام، يضمن هذا الإطار دقة الكشف عن الأعطال، وقابلية التفسير، وكفاءة التشغيل في الوقت الفعلي بما يتماشى مع متطلبات الثورة الصناعية الخامسة (Industry 5.0).

تحديد المشكلة وتحليل المتطلبات

تعد الأنظمة البشرية السيبرانية الفيزيائية (CPHS) في بيئات الثورة الصناعية الخامسة (Industry 5.0) واعدة من حيث الذكاء والاستدامة والتركيز على الإنسان. ومع ذلك، فإن الأطر المعاصرة لبناء هذه الأنظمة تعاني من نقص في القدرات المتقدمة المدعومة بالذكاء الاصطناعي، والقابلية للتفسير، والدعم الكافي للتعاون بين الإنسان والآلة. وبالفعل، تعتمد الأنظمة البشرية السيبرانية الفيزيائية التقليدية على نماذج قائمة على القواعد أو نماذج غير قابلة للتفسير، مما يعيق التكيف مع الظروف الصناعية المتغيرة ويحد من ثقة المشغلين في الأتمتة. علاوة على ذلك، لا تستطيع هذه الأنظمة التقليدية تحليل البيانات شديدة التعقيد بشكل فعال، مثل الإشارات الصوتية الصناعية التي تحتوي على مكونات مكانية (أي التردد) ومكونات تعتمد على الوقت، والتي تُعد مهمة للصيانة التنبؤية. لذا، من الضروري إنشاء إطار عمل يمكنه اكتشاف أعطال الآلات بدقة عالية، وتقديم تفسيرات، والعمل عند الحافة (at the edge)، مما يعزز الأنظمة السيبرانية الفيزيائية (CPS).

هنا x(t) هي إشارة الإدخال الصوتية، وS(f,t) هو تمثيل المخطط الطيفي للإشارة، و هو التصنيف و θ هي مجموعة المعاملات الخاصة ببنية CNN-Transformer. يتم تقديم الرموز المستخدمة في المعادلات اللاحقة مباشرة بعد ظهورها الأول من أجل الحفاظ على الدقة الرياضية.

من وجهة نظر رياضية، يمكن صياغة هذه المهمة كمشكلة تعلم خاضع للإشراف. لنفترض أن الإشارة الصوتية الصناعية يُرمز لها بـ x(t). يتم حساب تحويل فوريه قصير المدى (STFT) لـ x(t) وفقاً للصيغة التالية:

   (1)

حيث تمثل  ω(.) دالة النافذة و f التردد. ويعمل المخطط الطيفي الناتج  كمدخل لخوارزمية التعلم العميق. والهدف هو تدريب دالة الربط

    (2)

حيث  هو تسمية الفئة (إما طبيعية أو غير طبيعية)، وحيث S هو مدخل المخطط الطيفي، و y هو تسمية المخرج المتوقعة، و θ هي مجموعة المعاملات القابلة للتعلم لبنية CNN-Transformer. تتم صياغة مشكلة التحسين على أنها تقليل خسارة التصنيف:

  (3)

بما يخضع لقيود الحد الأدنى من زمن الاستجابة ، وكفاءة الطاقة ، والقابلية للتفسير، حيث يجسد التفسير ∅(SHAP) أهمية الميزات في عملية التنبؤ،

   (4)

حيث  تمثل مساهمة كل ميزة فردية. وتماشيًا مع ما سبق، تشمل متطلبات التصميم ما يلي: (1) كشف موثوق عن الشذوذ بناءً على التعلم العميق الهجين، و(2) مخرجات قابلة للتفسير للتدخل البشري، و(3) التنفيذ في إطار عمل لنظام CPS معزز بالحافة.

جمع مجموعة البيانات ومعالجتها مسبقاً

وفي هذا الصدد، لتقييم إطار عمل CPHS المقترح والقائم على الذكاء الاصطناعي القابل للتفسير، تم اختيار مجموعة بيانات MIMII¹³. وتعد مجموعة البيانات هذه معياراً مستخدماً على نطاق واسع للكشف عن الشذوذ في الآلات الصناعية باستخدام الإشارات الصوتية. تحتوي هذه القاعدة على تسجيلات صوتية لآلات متنوعة، مثل القضبان المنزلقة والمراوح والمضخات والصمامات، وذلك في ظل ظروف تشغيل طبيعية ومعيبة على حد سواء. وبالنسبة لكل آلة، تختلف التسجيلات باختلاف الإعدادات وبيئات الضوضاء، مما يجعلها مناسبة لتدريب وتقييم النماذج في ظل الظروف الصناعية في الوقت الفعلي.

بينما تُستخدم مجموعة بيانات MIMII على نطاق واسع في دراسات الكشف عن الشذوذ غير الخاضعة للإشراف والتي تعتمد فقط على العينات الطبيعية أثناء التدريب، فإنها تتضمن تعليقات توضيحية صريحة لكل من حالات الآلة الطبيعية والشاذة. وقد تم طرح المشكلة كمهمة تصنيف ثنائي خاضعة للإشراف لاختبار قدرة بنية CNN-Transformer المقترحة والقائمة على الذكاء الاصطناعي القابل للتفسير على الفصل بين حالات الآلة السليمة والمعيبة. وتحديداً، استُخدمت تسميات MIMII الرسمية، حيث تم تعيين تسمية الفئة 0 للعينات الطبيعية وتسمية الفئة 1 للعينات الشاذة.

يوضح الجدول 1 تفاصيل وصف مجموعة البيانات. تم النظر في حوالي 12,000 تسجيل من الإشارات الصوتية في البحث الحالي، بما في ذلك عمليات الآلات الطبيعية والمعيبة على حد سواء. ووفقاً للمتطلبات، تم التقاط جميع التسجيلات في هذه الدراسة بتردد 16 kHz وبطول 10 s. وعلى الرغم من أن مجموعة البيانات تحتوي على حوالي 12,000 تسجيل، فقد تم اختيار مجموعة فرعية متوازنة فئوياً مكونة من 2,000 تسجيل اختباري فقط لتصور مصفوفة الارتباك. وقد تم حساب جميع مقاييس الأداء المبلغ عنها باستخدام مجموعة الاختبار الكاملة (حوالي 2,400 تسجيل). علاوة على ذلك، تم فصل عينات التدريب والاختبار بنسبة 80:20 لتدريب النموذج. وتعد قاعدة البيانات هذه مناسبة جداً لتطبيقات الثورة الصناعية الخامسة (Industry 5.0) لأنها تتضمن ظروف ضوضاء في الوقت الفعلي. ويرد توزيع التسجيلات المستخدم في هذه الدراسة في الجدول 2. ومن مجموعة البيانات هذه، تم اختيار حوالي 12,000 تسجيل تغطي جميع أنواع الآلات وظروف نسبة الإشارة إلى الضوضاء (SNR) لتجارب التصنيف الثنائي الخاضع للإشراف باستخدام تقسيم تدريب/اختبار بنسبة 80:20، وهو ما يوضح أنواع الآلات الصناعية، ومعرفات الآلات المقابلة، والأعداد الإجمالية للتسجيلات الصوتية الطبيعية والشاذة، وظروف SNR، وتقسيم التدريب/الاختبار التجريبي المستخدم للتصنيف الثنائي الخاضع للإشراف.

أُجريت التجربة باستخدام مجموعة بيانات MIMII (التحقيق والفحص في الآلات الصناعية المختلة) الإصدار 1.0، والتي تضم أربعة أنواع من الآلات الصناعية: المراوح، والمضخات، والصمامات، والقضبان المنزلقة. جُمعت البيانات من معرفات آلات مختلفة (ID00-ID06، اعتماداً على نوع الآلة) وظروف متنوعة. وتتكون قاعدة بيانات MIMII من بيانات تم الحصول عليها بنسب إشارة إلى الضجيج (SNRs) تبلغ −6 dB، و0 dB، و+6 dB. تشير البيانات الطبيعية إلى الحالة السليمة للآلة الصناعية، بينما تشير البيانات الشاذة إلى حالة غير طبيعية. وقد تم تصنيف الفئات بناءً على تعليقات قاعدة البيانات، حيث تم تعيين البيانات الطبيعية كالفئة 0 والبيانات الشاذة كالفئة 1.

تطلبت إجراءات التقييم العادلة أن يتم التقسيم بين مجموعتي التدريب والاختبار على مستوى التسجيل الصوتي الأصلي قبل أي خطوات تقسيم أو تعزيز أو إنشاء للمخططات الطيفية (spectrograms). وبناءً على ذلك، تعذر ظهور مقاطع صوتية من نفس التسجيل في كل من مجموعتي التدريب والاختبار. ولأغراض تجربة التقييم، استُخدمت تسجيلات بنسب إشارة إلى ضجيج مختلفة (−6 dB و 0 dB و +6 dB)، مما أتاح فرصة لتقييم الإطار المقترح في ظل ظروف صناعية متنوعة.

لمنع تسرب البيانات، تم إجراء تقسيم مجموعة التدريب والاختبار بالاعتماد على ملف الصوت الأصلي كقاعدة، وذلك قبل أي عملية تقسيم أو توليد للمخططات الطيفية (spectrograms). وقد تم تعيين المقاطع المأخوذة من نفس التسجيل الصوتي الذي تبلغ مدته 10 s حصرياً إما لمجموعة التدريب أو لمجموعة الاختبار، مع ضمان عدم وجود أي مقاطع في كلتا المجموعتين. بعد ذلك، تم توليد المخططات الطيفية وزيادتها بشكل منفصل لكل مجموعة بيانات. وبهذه الطريقة، يتم تجنب مشكلة تسرب البيانات، مما يمنع التقييم المتفائل للغاية للأداء.

المعالجة المسبقة لمجموعة البيانات

يتم بعد ذلك معالجة الإشارات الصوتية غير المعالجة من مجموعة بيانات MIMII لتحسين جودة الإشارة وتمكين الاستخراج الفعال للميزات. يُرمز للإشارة المدخلة بـ x(t)، حيث يمثل t الزمن. تتمثل العملية الأولى في ترشيح الضوضاء، حيث يتم ترشيح ضوضاء الخلفية باستخدام دالة ترشيح بحيث تكون:

   (5)

حيث تمثل ∗ عملية الالتفاف (convolution) و h(t) هي استجابة النبضة للمرشح. تعزز هذه العملية وضوح الإشارة الصوتية وتقلل من تأثيرات الضوضاء السائدة غالباً في البيئات الصناعية. ويُستخدم تطبيع الإشارة (Signal normalization) لضمان أن تكون سعات جميع الإشارات الصوتية قابلة للمقارنة قبل تغذيتها في نموذج التعلم العميق. تُحسب الإشارة المطببعة، والتي يُرمز لها بـ x_n(t)، كما يلي:

   (6)

حيث تمثل  μ و  σ القيمة المتوسطة والانحراف المعياري لإشارة الإدخال، على التوالي. وبفضل هذا الإجراء، يتم ضمان أن تكون جميع إشارات الإدخال ذات متوسطات صفرية وتباينات وحدة. وأخيراً، ومن أجل المعالجة، يتم تقسيم إشارة الإدخال المُطبعة إلى قطع صغيرة متعددة. وبالنظر إلى أن طول الإشارة الكاملة هو T، فإنه يتم تقسيمها إلى N من الإطارات المتداخلة، بحيث يكون طول كل منها L باستخدام دالة نافذة منزلقة:

   (7)

حيث H هو حجم القفزة. يمكن تعريف المخطط الطيفي (spectrogram) من خلال الصيغة الموضحة أدناه:

   (8)

يتم إدخال المخططات الطيفية التي تم الحصول عليها بهذه الطريقة في إطار عمل يعتمد على CNN-transformer لاستخلاص الميزات المكانية والزمانية من أجل الكشف الناجح عن الشذوذ. يوضح الشكل 2 مسار المعالجة المسبقة.

الشكل 2 يوضح تسلسلاً عمودياً للمعالجة المسبقة يمكن استخدامه للبيانات الصوتية المكتسبة في الصناعة. أولاً، يتم استخراج الإشارات الصوتية الخام من مجموعة بيانات MIMII وتمريرها إلى مرحلة إزالة الضجيج لتقليل الضوضاء. يلي ذلك تطبيع الإشارة لإزالة التناقضات في السعة، مما يضمن اتساق الإشارة. ثم يتم تقسيم الإشارة لاحقاً إلى مقاطع أصغر متداخلة. وبعد التقسيم، يتم تطبيق تحويلات STFT على البيانات لتحويل إشارات النطاق الزمني إلى إشارات زمنية-ترددية. بعد ذلك، يتم حساب طيف القدرة كجزء من إنشاء المخطط الطيفي للإشارة. وبذلك تكون المخططات الطيفية التي تمت معالجتها مسبقاً هي المخرجات الناتجة عن هذه العملية، والتي ستُستخدم في نموذج CNN-transformer المقترح.

توليد المخطط الطيفي

بعد تسوية البيانات وتقسيمها، يتم تحويل الإشارات الصوتية إلى تمثيل زمني-ترددي باستخدام تحويل فورير قصير المدى (STFT). ويوفر المخطط الطيفي الناتج تمثيلاً صورياً للتغيرات في تكوين الترددات على مدار فترة التحليل. وفي البيئات الصناعية، تظهر أعطال الآلات عادةً على شكل أنماط ترددية، مما يجعل المخططات الطيفية أكثر فائدة في الكشف عن الشذوذ في الآلات.

وبناءً على ذلك، يتم تحويل البيانات المعالجة الناتجة إلى صور مخططات طيفية (spectrogram images) للتمييز بين الحالات الطبيعية وغير الطبيعية داخل الماكينات. كما سيتم تحويل البيانات الصوتية إلى مخططات طيفية متعددة لتمكين نموذج التعلم من تحليل مكونات التردد المحلية والتغيرات الزمنية ضمن عملية الماكينة. وتُستخدم هذه الصور كبيانات إدخال لنموذج CNN-transformer، حيث تتولى الشبكة العصبية التلافيفية (CNN) التعامل مع الأنماط المكانية (الترددية)، بينما تتولى المحولات (Transformers) التعامل مع العلاقات الزمنية.

الخوارزمية 1: توليد المخطط الطيفي من الإشارات الصوتية

المدخلات: إشارة صوتية خام x(t)

المخرجات: المخطط الطيفي S(t, f)

الخطوة 1: تحميل الإشارة الصوتية  x(t)

الخطوة 2: تطبيق تصفية الضوضاء

الخطوة 3: تسوية الإشارة x_n(t)

الخطوة 4: تقسيم الإشارة إلى إطارات:

لكل k = 1 حتى N قم بما يلي

نهاية الحلقة

الخطوة 5: تطبيق دالة النافذة w(t) على كل جزء

الخطوة 6: حساب تحويل فورير قصير المدى (STFT):

  (9)

الخطوة 7: حساب المقدار:

   (10)

الخطوة 8: تخزين المخطط الطيفي S(t, f)

الخطوة 9: إرجاع مجموعة بيانات المخطط الطيفي 

تبدأ عملية إنشاء المخططات الطيفية (spectrograms) بالحصول على الإشارة الصوتية الأصلية، تليها خطوات المعالجة المسبقة مثل تقليل الضوضاء وتطبيع الإشارة (signal normalization) لضمان سلامة الإشارة وجودتها. بعد ذلك، يتم تقسيم الصوت المُطبع إلى نوافذ متعددة متداخلة لالتقاط الخصائص الزمنية للفترات الطويلة والقصيرة على حد سواء. ولمنع التسرب الطيفي (spectral leakage)، تُضرب كل شريحة في دالة النافذة قبل تمريرها عبر تحويل فوريه قصير المدى (Short-Time Fourier Transform). بعد ذلك، يتم تمثيل الإشارة المحولة كدالة ذات قيمة مركبة في نطاق التردد، ثم تُربع قيم المقادير الخاصة بها. وبذلك، يتم تمثيل طاقة الترددات على مدى زمن معين بواسطة المخططات الطيفية. وأخيراً، يتم تخزينها كبيانات شبيهة بالصور وتغذيتها في الشبكة العصبية لغرض التدريب.

استخراج الميزات المكانية باستخدام الشبكة العصبية التلافيفية (CNN)

بعد عملية إنشاء المخططات الطيفية (spectrograms)، تُؤخذ الصور الناتجة للزمن والتردد كمدخلات وتُمرر إلى شبكة عصبية تلافيفية (CNN). وبفرض أن المخطط الطيفي المدخل هو ، حيث يمثل H مجال التردد ويمثل W مجال الزمن. الغرض من استخدام الشبكة العصبية التلافيفية هنا هو تعلم السمات المكانية التمييزية من المخطط الطيفي المدخل. وستساعد هذه السمات المكانية التمييزية في التفريق بين سلوك الماكينة الطبيعي وغير الطبيعي في البيئة الصناعية.

تُعد عملية الالتفاف (convolution) عملية أساسية يتم تنفيذها بواسطة الشبكة العصبية الالتفافية (CNN). وتتم عملية الالتفاف باستخدام مرشح محدد  كما يلي:

   (11)

تمكّن العملية الموصوفة أعلاه الشبكة العصبية من تحديد السمات المكانية المحلية، مثل الحواف والترددات والمحتوى التوافقي، في المخطط الطيفي. ويتم ذلك من خلال عمليات ترشيح متعددة تُنتج تمثيلات متنوعة للسمات، مما يؤدي إلى تكوين عدة خرائط سمات. تلي عملية الالتفاف دالة تنشيط غير خطية، كما هو موضح أدناه:

  (12)

تسمح هذه اللاخطية للشبكة بالتقاط وتمثيل العلاقات المعقدة بين المتغيرات. وتتضمن المرحلة التالية في الشبكة العصبية الالتفافية تطبيق عمليات التجميع (pooling). ويتم التعبير عن تقنية التجميع الأقصى (max pooling) الشائعة رياضياً على النحو التالي:

   (13)

حيث تشير Ω إلى نافذة التجميع (pooling window). يساعد التجميع في تحقيق الثبات الانتقالي والاحتفاظ بالمعلومات ذات الصلة فقط مع التخلص من البيانات الزائدة. يمكن استخراج الميزات ذات المستوى الأعلى بشكل هرمي باستخدام شبكة عصبية تلافيفية، بدءاً من المتغيرات منخفضة المستوى مثل الترددات وصولاً إلى سلوك الآلة المعقد. وبناءً على ذلك، يمكن استخدام خرائط الميزات لتصوير المخرجات النهائية للشبكة:

   (14)

حيث تمثل المعلمات القابلة للتعلم في الشبكة العصبية التلافيفية (CNN). تحتوي خرائط السمات على معلومات مكانية غنية، ويتم تحويلها إلى تسلسلات لتكون بمثابة مدخلات لمشفر المحول (transformer encoder) في المرحلة التالية. وتعد عملية استخراج السمات المكانية الموصوفة أعلاه ضرورية لتمكين النموذج من اكتشاف الشذوذ الدقيق في الإشارات الصوتية الصناعية.

الشكل 3 يوضح كيفية استخراج السمات المكانية أفقيًا من مخطط الطيف المدخل باستخدام نموذج CNN. تبدأ العملية بمخطط الطيف المدخل، الذي يشفر خصائص الوقت والتردد للإشارة الصوتية في شكل صوري. ثم يتم تمرير مخطط الطيف المدخل عبر طبقة تلافيفية، حيث تقوم عدة أنواع من المرشحات باستخراج السمات المكانية مثل نطاقات التردد، والحواف، والأنسجة، مما ينتج عنه خرائط سمات. بعد ذلك، تخضع خرائط السمات المستخرجة لدالة تنشيط غير خطية، وهي الوحدة الخطية التصحيحية (ReLU)، مما يسمح للشبكة العصبية باكتشاف التبعيات في البيانات المدخلة. ثم تمر خرائط السمات عبر طبقة تجميع، حيث يتم تقليل حجم الخريطة مع الاحتفاظ بأهم خصائصها. وتتكرر هذه العملية المكونة من الطبقات التلافيفية والتنشيط والتجميع عدة مرات، مما يخلق تسلسلاً هرمياً لتمثيل السمات يبدأ بسمات بسيطة ويتطور نحو سمات أكثر تعقيداً تتعلق بعمليات الآلات.

النمذجة الزمنية باستخدام مشفر محول (transformer encoder)

بمجرد استخراج الميزات المكانية باستخدام الشبكة العصبية التلافيفية (CNN)، تتمثل الخطوة التالية في اشتقاق خرائط ميزات عالية المستوى تلتقط الأنماط القائمة على التردد والتي تم تعلمها من المخطط الطيفي (spectrogram). بعد ذلك، يتم تسوية خرائط الميزات الناتجة وإعادة تشكيلها إلى تسلسلات لالتقاط المعلومات الزمنية في الإشارة الصوتية. بفرض أن خرائط الميزات ممثلة بواسطة ، حيث يمثل H', W', و C الارتفاع والعرض والقنوات على التوالي، يتم اشتقاق التسلسل التالي:

    (15)

حيث يمثل T طول التسلسل، و d بُعد الميزة. ثم يستخدم الـ Transformer التسلسل المذكور أعلاه لنمذجة الاعتمادات طويلة المدى باستخدام آلية الانتباه الذاتي. وبخلاف النماذج المتكررة التقليدية، يقوم نموذج الـ transformer بمعالجة كل عنصر من عناصر التسلسل على التوازي، ويستخدم أوزان الانتباه لتحديد الأهمية النسبية لكل جزء. وتعمل آلية الانتباه عن طريق استخدام متجهات الاستعلام Q، والمفتاح K، والقيمة V التي يتم توليدها لكل مدخل x_t وفقاً لما يلي:

   (16)

بينما تعتبر W_Q, W_K, W_V أوزانًا قابلة للتدريب. ويتم تحديد التشابهات بين العناصر من خلال:

   (17)

d_k هو بُعد المتجهات الهامة. يسهّل هذا الإجراء على النموذج تعلم التبعيات من الخطوات الزمنية البعيدة في الإشارة والتركيز فقط على المقاطع الزمنية ذات الصلة. ولزيادة قدرة الشبكة على التعلم، يتم استخدام آلية الانتباه متعدد الرؤوس (multihead attention)، والتي تشير إلى العملية التي تتعلم من خلالها رؤوس انتباه متعددة من المدخلات بشكل متوازٍ:

  (18)

تتعامل كل رأس مع سمات متميزة من تسلسل المدخلات الزمنية. ويتبع ذلك شبكات عصبية ذات تغذية أمامية ووصلات متبقية:

   (19)

تلتقط التسلسلات المرمزة الناتجة كلاً من الميزات المكانية والزمانية للمدخلات. ويتم إرسال هذا التسلسل إلى طبقة التصنيف للكشف عن الشذوذ.

يوضح الشكل 4 العملية العامة للنمذجة الزمنية باستخدام مشفر transformer على الميزات المستخلصة من شبكة CNN. أولاً، تُستخدم خرائط الميزات المستخلصة من شبكة CNN، والتي تحتوي على معلومات مكانية من المخطط الطيفي (spectrogram). ثم يتم تسطيح خرائط الميزات إلى تسلسل، حيث يتوافق كل عنصر مع طابع زمني. بعد ذلك، يمر التسلسل عبر تحويل خطي يقوم بتمثيل البيانات في متجهات ذات بُعد محدد. ونظراً لأن نماذج transformer تفتقر إلى القدرة على التقاط التبعيات الزمنية، يُضاف ترميز موضعي (positional encoding) إلى متجهات التضمين للحفاظ على البنية الزمنية للتسلسل. وأخيراً، يمر التسلسل عبر مشفر transformer، يتكون من مجموعة من الطبقات المتعددة، حيث يتم توظيف آلية انتباه ذاتي متعدد الرؤوس (multi-head self-attention) لتمكين النموذج من تعلم الروابط بين الطوابع الزمنية في التسلسل. وتعمل الشبكة العصبية ذات التغذية الأمامية على تحسين هذه التضمينات بشكل أكبر، بينما تضمن الوصلات المتبقية (residual connections) انتشار التدرجات بكفاءة. تتكرر هذه العملية عبر طبقات مشفر transformer المتراكمة، والتي تلتقط تفاعلات زمنية أكثر تعقيداً بشكل تدريجي. وفي النهاية، يتم دمج تضمينات التسلسل في تمثيل ثابت الطول عبر التجميع (pooling) (على سبيل المثال، التجميع المتوسط أو رمز التصنيف (CLS))، مما ينتج تمثيلاً زمنياً عالمياً للميزات.

طبقة التصنيف

بعد الترميز الزمني باستخدام مشفر المحول (transformer encoder)، ستكون المخرجات عبارة عن تسلسل من المتجهات المرمزة، حيث يحتوي كل منها على سمات تتعلق بالجانبين المكاني والزمني لإشارة الإدخال. وتتمثل الخطوة الأولى نحو التصنيف من المخرجات المرمزة في تجميع كل هذه السمات في متجه واحد. ويتم تحقيق ذلك إما عن طريق تطبيق تجميع المتوسط (mean pooling) على تسلسل متجهات السمات أو باستخدام ما يسمى بـ "رمز التصنيف" (classification token). افترض أن مخرجات المحول هي ، حيث أن كل . يتم حساب السمة المجمعة h كما يلي:

   (20)

بعد ذلك، يمثل متجه السمات المجمع h المدخلات في شكل مدمج ويعمل كمدخل للمصنف. يتكون جزء التصنيف من طبقة كثيفة واحدة أو أكثر، والتي تعمل على تحويل التمثيل المتعلم إلى فضاء المخرجات. وتنفذ الطبقة الكثيفة تحويلاً يتم تعريفه على النحو التالي:

   (21)

حيث تمثل o المخرجات (اللوجيتات - logits)، وتمثل b متجه الانحياز، وتمثل W مصفوفة الأوزان. وهذه الأخيرة هي درجات الفئة في شكل غير طبيعي. ولدمج اللاخطية في النموذج، غالبًا ما تُستخدم دوال التنشيط مثل ReLU. وأخيرًا، يتم تطبيق دالة تنشيط softmax على اللوجيتات للحصول على احتمالية لكل فئة:

   (22)

حيث تمثل C عدد الفئات، (C = 2؛ طبيعية وغير طبيعية). وسيعتمد التنبؤ بالفئة على قيمة الاحتمالية القصوى. وأثناء التدريب، يتم الحصول على القيم المثلى لمعاملات النموذج عن طريق تقليل فقدان الإنتروبيا المتقاطعة (cross-entropy loss) بين التسميات الفعلية والمتوقعة، وبذلك يتم تحقيق تصنيف دقيق لحالات الماكينة. وباختصار، تؤدي طبقة التصنيف وظيفة أساسية في تحويل الميزات الزمنية المستخلصة باستخدام بنية Transformer إلى قرارات عملية. ومن خلال التمييز الدقيق بين حالات الماكينة السليمة والمعطلة، يصبح اكتشاف الشذوذ واتخاذ القرارات الذكية أمرًا ممكنًا ضمن نموذج الصناعة 5.0 (Industry 5.0).

الشكل 5 يوضح آلية عمل طبقة التصنيف، والتي تأتي بعد مشفر المحول (transformer Encoder). تبدأ العملية بمخرجات التسلسل المشفّر، حيث يحتوي كل متجه على معلومات زمنية تم تعلمها من المدخلات. تُدمج هذه المتجهات في متجه واحد يُعرف بمتجه السمات العالمي (global feature vector). الخطوة التالية هي تمرير متجه السمات العالمي عبر عدة طبقات من الشبكة العصبية الكثيفة. وفي كل طبقة كثيفة، تُجرى عمليات ضرب المصفوفات لإنشاء تركيبات خطية من المدخلات. بعد ذلك، يمكن تطبيق دالة تنشيط غير خطية، مثل ReLU، لزيادة المرونة في تعلم حدود القرار. وفي نهاية الطبقة الكثيفة الأخيرة، توجد درجات اللوجيت (logit scores) لكل فئة. ويمكن استخدام درجات اللوجيت هذه في دالة Softmax لحساب درجات الاحتمالية لكل فئة. تُستخدم درجات الاحتمالية هذه لتحديد ما إذا كانت المدخلات تنتمي إلى الفئة 0 (طبيعي) أو الفئة 1 (غير طبيعي).

القابلية للتفسير باستخدام SHAP

بعد أن يقوم النموذج بتصنيف إشارات الإدخال، يتم توليد التنبؤات بناءً على ما إذا كانت الماكينة تعمل بشكل طبيعي أو غير طبيعي. ومع ذلك، ففي بيئة الثورة الصناعية الخامسة (Industry 5.0)، لا يكفي مجرد إنتاج التنبؤات؛ بل يجب على النظام أيضًا توفير الشفافية والقابلية للتفسير لدعم اتخاذ القرار البشري. يستخدم الإطار التالي SHAP، وهو نموذج قائم على نظرية الألعاب يقوم بقياس أهمية كل ميزة في تحديد التنبؤ. ومن خلال القيام بذلك، يقوم SHAP بتعيين أوزان للميزات، مما يسمح بتقييم الأهمية النسبية لأجزاء مختلفة من مخطط الطيف (spectrogram) المدخل في التنبؤ العام.

تعتمد الصيغة الرياضية لـ SHAP على تفكيك النموذج f(x):

   (23)

أين ∅₀ هي القيمة المرجعية (متوسط مخرجات النموذج)، ∅_i هو تأثير الميزة رقم i، و مـ يمثل هذا الرقم عدد ميزات الإدخال. ولأغراض هذه الدراسة، تتمثل الميزات في صناديق الزمن والتردد من المخطط الطيفي (spectrogram). وتكون قيم SHAP موجبة إذا كانت تساهم في احتمالية الحالة غير الطبيعية، وسالبة في خلاف ذلك. وتضمن هذه الصياغة تفسيراً فريداً ومتسقاً محلياً لكل تنبؤ. ويمكن تطبيق منهجية SHAP على نموذج CNN-transformer مُدرب لتقديم تفسير يعتمد على أهمية الميزات. وسيوضح التمثيل المرئي أهم صناديق الزمن والتردد في المخطط الطيفي التي تؤثر على عملية اتخاذ القرار. فعلى سبيل المثال، قد يؤدي السلوك غير الطبيعي للمعدات إلى ظهور نطاقات ترددية معينة عالية الطاقة يحددها إطار عمل SHAP كعوامل مساهمة مهمة في عملية اتخاذ القرار.

بالإضافة إلى ذلك، يمكن لـ SHAP تعزيز التعاون بين البشر والآلات في بيئة سيبرانية فيزيائية. ويعود ذلك إلى إمكانية شرح التنبؤات باستخدام مرئيات بديهية، مما يسمح للمشغلين وأنظمة اتخاذ القرار بالتحقق من التنبؤات، وتحليل المشكلة، واتخاذ الخطوات المناسبة. وهذا لا يزيد من الثقة فحسب، بل يجعل عمليات التصنيع القائمة على الذكاء الاصطناعي موثوقة وخاضعة للمساءلة. ومن خلال دمج خوارزميات التعلم العميق التي تلبي معايير الأداء الحالية مع SHAP، الذي يوفر القابلية للتفسير، تلبّي البنية المقترحة متطلبات الثورة الصناعية الخامسة Industry 5.0.

الخوارزمية 2: القابلية للتفسير القائمة على SHAP للتنبؤ بالنموذج

المدخلات: النموذج المدرب f(x)، والمخطط الطيفي للمدخلات S

المخرجات: قيم SHAP  وخريطة التفسير

الخطوة 1: إدخال المخطط الطيفي S في نموذج مدرب

الخطوة 2: حساب التنبؤ: y = f(S)

الخطوة 3: تهيئة مفسر SHAP الموجه للتعلم العميق

الخطوة 4: حساب قيم SHAP:

الخطوة 5: لكل ميزة i in S:

احسب المساهمة 

الخطوة 6: إنشاء خريطة التوضيح:

تحديد المناطق ذات القيم العالية لـ 

الخطوة 7: تصور أهمية الميزات (الخريطة الحرارية)

الخطوة 8: إرجاع قيم SHAP وخريطة التفسير

تبدأ خوارزمية القابلية للتفسير القائمة على SHAP بالحصول على صورة مخطط طيفي معالجة مسبقاً كمدخل، ثم تغذيتها في بنية CNN-transformer المدربة لإجراء التنبؤات (على سبيل المثال، حالة الآلة طبيعية أو غير طبيعية). وبعد إجراء التنبؤات باستخدام البنية المدربة، تُستخدم طريقة SHAP لتفسير النموذج. وبشكل أدق، يتم حساب قيم SHAP (ϕ) لكل ميزة مدخلة لتحديد مكونات الوقت والتردد في المدخلات التي تساهم بشكل أكبر في التنبؤ. ولحساب هذه القيم، يجب مقارنة مخرجات النموذج للمدخلات مع وبدون ميزات معينة.

بعد حساب قيم SHAP لكل ميزة، يمكن تقييم تأثيرها على التنبؤ من خلال إشارة قيمة SHAP ومقدارها. على سبيل المثال، تكون الميزات ذات قيم SHAP الأعلى أكثر عرضة للتأثير على النتيجة، وتشير الإشارة الموجبة أو السالبة إلى أن الميزة تدفع التنبؤ نحو الفئة الطبيعية/غير الطبيعية، على التوالي. وبناءً على النتائج، يمكن إنشاء خريطة تفسيرية في شكل خريطة حرارية.

أخيرًا، يُخرج الخوارزمية كلًا من قيم SHAP والتصورات البيانية، مما يوفر رؤية حول كيفية تحليل البشر لقرار النموذج. تجعل هذه التقنية العملية أكثر شفافية وتسمح للبشر بالمشاركة في صنع القرار، مما يضمن تحقيق كل من تنبؤات الخوارزمية وموثوقيتها في الصناعة القائمة على الذكاء الاصطناعي. وقد تم اختيار عينات اختبار ممثلة من حالات شاذة تم تشخيصها بدقة عبر أنواع مختلفة من الآلات لتحسين موثوقية تحليل القابلية للتفسير. وبينما أُجري تحليل أهمية الميزات العالمي باستخدام SHAP عن طريق تجميع قيم SHAP عبر مجموعة بيانات الاختبار لتحديد مواقع الزمن والتردد المؤثرة باستمرار، تم توليد تفسيرات SHAP محلية لهذه الحالات الممثلة. وبدون الحاجة إلى تعليقات توضيحية من الخبراء، يوفر هذا التحليل المحلي والعالمي المتكامل تفسيرًا موثوقًا لتنبؤات النموذج.

تكامل الأنظمة الفيزيائية السيبرانية (CPS) المدعومة بحوسبة الحافة

يُستخدم هذا الحل المقترح ضمن أنظمة الفيزيائية السيبرانية (CPS) الممكنة تقنيًا بواسطة الحوسبة الطرفية، والتي تهدف إلى تحقيق الكفاءة والاستدامة والعمليات الصناعية في الوقت الفعلي. وبمجرد تدريب النموذج، سيتم نشر نموذج CNN-transformer عبر نهج الحوسبة الطرفية. وتوجد طبقة الحوسبة الطرفية المعنية بالقرب من أجهزة إنترنت الأشياء الصناعية (IIoT)، بما في ذلك المستشعرات والآلات. وبدلًا من نقل جميع البيانات المجمعة إلى السحابة، يقوم الجهاز الطرفي بإجراء الاستدلال على الإشارة الصوتية الواردة دون نقلها إلى هناك أولاً. وبالتالي، يمكن للنظام اكتشاف الأعطال في الآلات بشكل فوري تقريبًا واتخاذ الخطوات اللازمة قبل أن يتفاقم الوضع. وثمة ميزة أخرى لهذا النهج الممكن طرفيًا وهي تحسين زمن الاستجابة والكفاءة نظرًا لتحليل البيانات بالقرب من نقطة إنتاجها. وبعبارة أخرى، وخلافًا لنهج السحابة، حيث يكون وقت الاستدلال T_inf

   (24)

بشكل عام، سيتم تقليل زمن الاستجابة بشكل ملحوظ من خلال خفض T_{communication}. وهناك فائدة أخرى تتمثل في تقليل استهلاك عرض النطاق الترددي والطاقة المستنفدة عند نقل البيانات بشكل مستمر. وبناءً على ذلك، فإن هذا النظام قابل للتوسع ومستدام للمنشآت الصناعية الكبيرة التي تضم العديد من الأجهزة المتصلة. بالإضافة إلى ذلك، تتيح CPS التفاعل مع الطبقة الفيزيائية (الآلات)، والذكاء الاصطناعي (الطبقة الحسابية)، والطبقة البشرية.

التعاون البشري في الحلقة

يعد التعاون البشري في الحلقة (human-in-the-loop collaboration) مكوناً رئيسياً في الأنظمة الفيزيائية السيبرانية (CPS) المقترحة للصناعة 5.0، والتي تتضمن مشاركة المشغلين البشريين بنشاط في عملية صنع القرار جنباً إلى جنب مع نماذج الذكاء الاصطناعي. وبشكل أدق، ووفقاً للإطار المصمم، لا يتحول النظام إلى صندوق أسود ذاتي التشغيل، بل يسمح للمشغلين بالتفاعل معه وملاحظة نتائج تنبؤية قابلة للتفسير في شكل تفسيرات SHAP. وتشير التنبؤات المعنية إلى النتائج (طبيعية/غير طبيعية)، مصحوبة بتصورات لأجزاء من المخططات الطيفية (spectrograms) المستخدمة للوصول إلى تلك التنبؤات.

يساعد مثل هذا التفاعل المشغلين على فهم كيفية تكوين التنبؤ بدقة والعوامل التي تساهم فيه بشكل أفضل. ويتضمن التدخل البشري التحقق من نتائج النظام والسماح للمشغلين بتجاوزها عند الضرورة، بناءً على حكمهم المهني. كما أن التعاون مع المشغلين البشريين يجعل النظام أكثر جدارة بالثقة، وكفاءةً، وأماناً، وموثوقية، مما يساعد في منع وقوع الأخطاء.

النتائج

تم اختبار نظام التعاون السيبراني المادي المتكامل مع الذكاء الاصطناعي القابل للتفسير المقدم تجريبياً على ما يقرب من 12,000 تسجيل صوتي من مجموعة بيانات MIMII، والتي تحتوي على حالات تشغيل الماكينات الطبيعية وغير الطبيعية. تكونت مجموعة بيانات التدريب من حوالي 9,600 سجل بيانات، بينما شملت مجموعة بيانات الاختبار حوالي 2,400 عينة صوتية. وبناءً على النتائج، حقق نموذج CNN-transformer المقترح دقة تصنيف بلغت 98.5% على مجموعة بيانات الاختبار، 0.97–0.98. ويرتبط ذلك بالنتائج الموضحة في Table 3، ومصفوفة الارتباك، وتحليل الاستقرار الإحصائي. يؤدي دمج مشفر الـ transformer إلى تعزيز قدرات النمذجة الزمنية للبنية، بينما تقوم شبكة CNN باستخراج الميزات المكانية التمييزية من المخطط الطيفي للمدخلات.

بالإضافة إلى أداء التصنيف، تم تقييم خصائص أخرى متعلقة بالنظام. أولاً، لم يتجاوز زمن انتقال الاستدلال للتنفيذ القائم على الحافة 20 ms، مما أتاح الكشف عن الشذوذ في الوقت الفعلي. ثانياً، ساعد النظام المقدم في تحسين كفاءة الطاقة من خلال تقليل متطلبات الاتصال. وأخيراً، يوفر إطار عمل الذكاء الاصطناعي القابل للتفسير المقترح قابلية تفسير SHAP، مما يجعل تحليل النموذج أسهل من وجهة نظر خبير في المجال. تم تحويل بيانات MIMII إلى مخططات طيفية عبر تحويل فوريه قصير المدى (STFT)، باستخدام حجم نافذة 1024، وحجم قفزة 512، وحجم تحويل فوريه السريع FFT قدره 1024. تم تغيير حجم مخططات Mel-spectrograms اللوغاريتمية الناتجة إلى 224 × 224 بكسل ثم خضعت لتقييس z-score. استُخدمت طرق تعزيز البيانات، بما في ذلك قناع الوقت، وقناع التردد، وإضافة ضوضاء Gaussian، لزيادة متانة النموذج المدرب. تألفت بنية CNN من أربع طبقات تلافيفية بـ 32 و64 و128 و256 مرشحاً على التوالي، وتضمنت طبقات تطبيع الدفعات (batch normalization)، وReLU، وأقصى تجميع (max pooling). تم تحويل خرائط الميزات المستخرجة إلى تسلسلات واستُخدمت كمدخلات لمشفر transformer، والذي تألف من أربع طبقات مشفرة، وثمانية رؤوس انتباه، وتضمين بأبعاد 256، وبُعد تغذية أمامية بقدر 1024. تم تطبيق احتمالية dropout قدرها 0.3 لتقليل الإفراط في التجهيز. استُخدم محسن Adam بمعدل تعلم 0.0001 واضمحلال وزني قدره 1 x 10⁻⁵ للتدريب. كان عدد الدورات (epochs) وحجم الدفعة في التدريب 100 و32 على التوالي. تم ضبط البذرة العشوائية على 42 للحفاظ على إمكانية تكرار التجربة. استُخدمت الطرق التالية للتحقق من الصلاحية الإحصائية للنتائج: تم تشغيل جميع التجارب بشكل مستقل 10 مرات ببذور عشوائية وعمليات خلط بيانات مختلفة. تم حساب القيم المتوسطة والانحرافات المعيارية لكل من الدقة (Accuracy)، والضبط (Precision)، والاستدعاء (Recall)، ومقياس F1-score، والمساحة تحت منحنى خصائص التشغيل للمستقبل (ROC-AUC)، والمساحة تحت منحنى الضبط والاستدعاء (PR-AUC). علاوة على ذلك، تم حساب فترات الثقة 95% لتقدير عدم اليقين في الأداء. وأخيراً، تم إجراء اختبار t المزدوج لمقارنة نتائج نهج CNN-transformer الخاص بنا مع أفضل نموذج أساسي أداءً. تم تطبيق طريقة التوقف المبكر باستخدام 10 دورات كمعامل للصبر. يعرض الجدول 4 الإعداد البيئي وتكوين المعلمات الفائقة، ويوفر الجدول 5 تفاصيل بيئة المحاكاة.

أُجريت تجربة التقييم في العمل الحالي باستخدام مجموعة بيانات MIMII، والتي تتضمن ظروف تشغيل متنوعة للآلات وسيناريوهات مختلفة للأعطال الصوتية. وعلى الرغم من أن النتائج المستخلصة من الإطار المقترح تثبت صحة النموذج، إلا أن هناك حاجة إلى مزيد من التحقق عبر مختلف مجموعات البيانات الصناعية وبيئات التصنيع.

تم تنفيذ الإطار المقترح على منصة حوسبة حافة (edge-computing) مجهزة بمعالج متعدد النوى، وذاكرة نظام بسعة 16 GB، ومسرع حافة يدعم وحدة معالجة الرسوميات (GPU) لدعم الاستدلال والقابلية للتفسير في الوقت الفعلي. قامت مستشعرات صوتية صناعية بنقل تدفقات صوتية إلى بوابة الحافة عبر طبقة اتصالات إنترنت الأشياء الصناعية (IIoT). واستُخدمت عقد الحافة لأداء مهام مثل إنشاء المخططات الطيفية (spectrograms)، والاستدلال على الشذوذ، وتوليد تفسيرات SHAP، بينما استُخدم خادم السحابة لتخزين البيانات طويلة المدى وتحديث النموذج. لا يقلل هذا الإعداد من كمية الاتصالات المطلوبة فحسب، بل يسمح أيضاً بالتفاعل في الوقت الفعلي بين أجهزة الاستشعار ووحدات الذكاء الاصطناعي والمشغلين البشريين في الأنظمة السيبرانية الفيزيائية.

تتم مقارنة نهج CNN-transformer المقدم أعلاه بالعديد من الطرق الحالية، بما في ذلك نماذج تعلم الآلة التقليدية مثل آلة متجه الدعم (SVM) والغابة العشوائية، ونماذج CNN بدون المحول (transformer)، والطرق القائمة على الذاكرة قصيرة المدى المطولة (LSTM). وبينما لا تحقق نماذج تعلم الآلة التقليدية نتائج مرضية بسبب افتقارها إلى القدرة على معالجة الارتباطات المكانية والزمانية في البيانات، تستطيع نماذج CNN التعامل بكفاءة مع السمات المكانية، بينما يمكن لنماذج LSTM التعامل مع الجوانب الزمانية للإشارات الصوتية. ومع ذلك، فإن النماذج الأخيرة تتفوق على الأولى من حيث تكلفة الحوسبة والقدرة على المعالجة المتوازية.

لضمان إجراء مقارنة عادلة بين نموذج CNN-transformer المقترح والنماذج المرجعية، تم تدريب النموذج الأول وتقييمه باستخدام نفس تقسيم مجموعة بيانات MIMII (80% للتدريب و 20% للاختبار)، وخطوات المعالجة المسبقة، وعملية إنشاء المخططات الطيفية (spectrograms)، ومقاييس التقييم. وفي طريقة SVM، تم استخدام نواة الدالة ذات القاعدة الشعاعية (RBF)، بقيم C = 10 و γ = 0.01. أما طريقة الغابة العشوائية (random forest) فقد تضمنت 200 شجرة، بحد أقصى لعمق الشجرة يبلغ 20. وبالنسبة لنموذج CNN، فقد احتوى على أربع طبقات تلافيفية (32 و 64 و 128 و 256 مرشحاً) تليها طبقات متصلة بالكامل دون وحدة Transformer. وأخيراً، بالنسبة لطريقة LSTM، تم استخدام طبقتين متراكمتين من LSTM بـ 128 وحدة خفية، ومعدل تسرب (dropout rate) قدره 0.3.

على العكس من ذلك، فإن استخدام إطار عمل CNN-transformer يتيح تحقيق أفضل النتائج من خلال الاستفادة بكفاءة من القدرات المكانية والزمانية للإشارات الصوتية. علاوة على ذلك، يسمح استخدام الحوسبة الحافية (edge computing) بتقليل تكاليف الحوسبة، وتحسين زمن الاستجابة، وتوفير الطاقة. بالإضافة إلى ذلك، يمكن اعتبار قابلية تفسير التنبؤات التي تم تنفيذها باستخدام SHAP ميزة أخرى تميز الطريقة المقترحة عن التقنيات الحالية.

على الرغم من الإنجازات الأخيرة في تطوير نماذج جديدة للكشف عن الشذوذ الصوتي، مثل Vision Transformer (ViT) وAudio Spectrogram Transformer (AST) وConformer والنماذج القائمة على التعلم الخاضع للإشراف الذاتي، إلا أنه لم يتم إجراء مقارنة تجريبية لهذه البنيات في الدراسة الحالية. ومن المخطط في المستقبل استخدام هذه النماذج كمعايير مرجعية لتقييم الإطار المقترح.

تُستخدم مقاييس الأداء، بما في ذلك الدقة (accuracy)، والإحكام (precision)، والاستدعاء (recall)، ومقياس F1-score، لتقييم أداء النموذج المقترح. وبينما يقيس الإحكام نسبة الإيجابيات الصحيحة إلى العدد الإجمالي للإيجابيات الصحيحة والإيجابيات الخاطئة، تقيم الدقة مدى صحة التنبؤات بشكل عام. أما الاستدعاء فيوفر تقديرًا لقدرة النموذج على التنبؤ بالشذوذ في نظام معين. ويعد هذا الأمر بالغ الأهمية لأن الفشل في التنبؤ بوجود خلل قد يؤدي إلى تعطل النظام. وفيما يلي كيفية حساب هذه المقاييس رياضيًا:

   (25)

   (26)

   (27)

   (28)

وبالإضافة إلى ذلك، يتم أخذ مقاييس إضافية متعلقة بأداء النظام، مثل زمن الاستجابة، واستهلاك الطاقة، وقابلية التوسع، في الاعتبار عند تقييم الأداء الفعلي لنموذج CPS المقترح القائم على الحوسبة الطرفية.

بصرف النظر عن تقنيات قياس الأداء القياسية، هناك العديد من المقاييس الأخرى التي قد تساعد في تقييم الحل المقترح من منظور أكثر شمولية، لا سيما بالنظر إلى قابليته للتطبيق على دراسات حالة واقعية تتضمن بيانات متدفقة وغير متوازنة. فعلى سبيل المثال، يتم قياس قدرة الخوارزمية على التمييز بين المجموعتين بناءً على عتبات مختلفة من خلال المساحة تحت منحنى خصائص التشغيل للمستقبل (ROC-AUC). ونظرًا لمتانته وقدرته على الفصل، يجب أن تكون قيمة ROC-AUC مرتفعة. بالإضافة إلى ذلك، يعد مقياس المساحة تحت منحنى الدقة والاستدعاء (PR-AUC) مهمًا في دراسة حالة اكتشاف الشذوذ نظرًا لندرة الفئات غير الطبيعية.

ثمة مقياس هام ينبغي مراعاته وهو معامل ارتباط ماثيوز (MCC). حيث يأخذ هذا المقياس في الاعتبار جميع العناصر الأربعة لمصفوفة الارتباك، ويوفر تقييماً دقيقاً، حتى في حالة وجود عدم توازن في الفئات. ويُحسب هذا المقياس على النحو التالي:

   (29)

تتراوح قيم MCC بين -1 و +1، حيث تشير القيمة +1 إلى تنبؤ مثالي. والمقياس الآخر الذي يمكن تطبيقه هو النوعية (معدل السلبيات الحقيقية)، والذي سيكون مفيداً في التطبيقات الصناعية لتقييم ما إذا كانت هناك أي تنبؤات إيجابية خاطئة:

    (30)

لضمان عدم وجود تعارض بين مصفوفة الارتباك ومقاييس الأداء، تم حساب جميع معايير التقييم بناءً على مجموعة بيانات الاختبار النهائية. وتُستخدم تدوينات الموجب الحقيقي (TP)، والسالب الحقيقي (TN)، والموجب الكاذب (FP)، والسالب الكاذب (FN) في جميع المعادلات التالية. كما تم حساب الدقة (Accuracy)، والضبط (Precision)، والاستدعاء (Recall)، والنوعية (Specificity)، ومقياس F1-score، ومعامل ارتباط ماتيو (MCC) بناءً على المعادلات (25)–(30). بالإضافة إلى ذلك، تم حساب ROC-AUC و PR-AUC من مخرجات الاحتمالية لنموذج CNN-transformer عبر تقييم العتبة المستقلة.

تشمل المقاييس الرئيسية التي يجب مراعاتها على مستوى النظام زمن الاستجابة، ومعدل الإنتاجية، والتكلفة الحسابية. زمن الاستجابة هو الوقت المطلوب لإجراء التنبؤ. ومعدل الإنتاجية هو كمية عينات البيانات التي يتم معالجتها في الثانية الواحدة. أما التكلفة الحسابية، التي تمثل كفاءة الطاقة، فهي مهمة لضمان الكفاءة الحسابية. بالإضافة إلى ذلك، يمكن أيضاً مراعاة مقاييس القابلية للتفسير، مثل اتساق SHAP واستقرار أهمية الميزات، عند تقييم النموذج.

يتضح من النتائج الواردة في الجدول 3 لمجموعة بيانات MIMII أن نموذج CNN-transformer المقترح يتفوق على جميع طرق التعلم الآلي والتعلم العميق الأخرى. ويُعد أداء نموذجي SVM والغابة العشوائية مقبولاً، وإن كان محدوداً، بدقة بلغت 88.6% و91.2% على التوالي؛ ويمكن تفسير ذلك بعدم قدرة هذه النماذج على استخراج الميزات الزمانية والمكانية المعقدة من الإشارات الصوتية. ومع ذلك، يتفوق LSTM على SVM والغابة العشوائية، حيث حقق دقة بلغت 94.5% من خلال نمذجة بيانات السلاسل الزمنية. بينما أظهر نهج CNN-transformer المقترح أفضل أداء، مع تحسن في الدقة (98.5%)، والدقة التحديدية (98.06%)، والاستدعاء (99.02%)، ومقياس F1-score (98.54%). وبالتالي، يمكن للخوارزمية المقترحة تصنيف حالات الآلات الطبيعية وغير الطبيعية بدقة. كما يظهر التحسن في النوعية (97.96%) فعالية هذا النهج في تقليل الإيجابيات الكاذبة، وهو أمر بالغ الأهمية في المجال الصناعي. وتجدر الإشارة إلى أن أداء CNN-transformer يمكن تفسيره من خلال الدمج بين CNN وTransformer، حيث يقوم الأول باستخراج الميزات التمييزية بينما يقوم الثاني بالتقاط العلاقات الزمانية في المتواليات الطويلة.

يوضح منحنى ROC في الشكل 6 الأداء المقارن لنهج SVM، والغابة العشوائية (random forest)، وLSTM، ونهج CNN-transformer المقترح فيما يتعلق بقدراتها التصنيفية لمجموعة بيانات MIMII. وكما هو موضح في الشكل 6، لوحظت أعلى قيمة للمساحة تحت المنحنى (AUC) لنموذج CNN-transformer المقترح، حيث بلغت 0.994. ومن الواضح أن الطريقة المقترحة توفر أداءً تمييزياً أفضل للتفريق بين الفئات الطبيعية وغير الطبيعية. ومن ناحية أخرى، حقق LSTM نتائج أقل قليلاً من نهج CNN-transformer المقترح؛ حيث بلغت قيمة AUC الخاصة به حوالي 0.97. بينما سجل كل من الغابة العشوائية وSVM قيم AUC منخفضة نسبياً، بنحو 0.958 و0.913 على التوالي. ويعود ذلك إلى عدم قدرة كلا النهجين على تعلم الأنماط الصوتية المعقدة من البيانات المعطاة.

في الكشف عن الشذوذ، حيث تكون العينات غير الطبيعية قليلة، يوفر منحنى الدقة والاستدعاء (PR) تحليلاً أفضل. وفي منحنى PR، يحقق نموذج CNN-transformer أعلى متوسط دقة (AP)، بنسبة تتراوح بين 0.97 و0.98 تقريباً، مما يشير إلى قدرة فائقة على اكتشاف الحالات غير الطبيعية مع عدد أقل من الإنذارات الكاذبة، كما هو موضح في الشكل 7. وعلى العكس من ذلك، يحتل مصنف LSTM المرتبة الثانية، بمتوسط دقة يتراوح من 0.92 إلى 0.94. ومن ناحية أخرى، حل مصنفا الغابة العشوائية (random forest) وSVM في المرتبتين الثالثة والرابعة على التوالي، بمتوسط دقة بلغ 0.88 و0.84. ويحقق المصنف الهجين المقترح دقة أعلى عبر جميع مستويات الاستدعاء، وهو أمر بالغ الأهمية للتطبيقات الصناعية العملية، حيث تتطلب دقة عالية وإنذارات كاذبة منخفضة في آن واحد.

تمت مقارنة نموذج CNN-transformer مع النماذج الحالية باستخدام مجموعة بيانات MIMII، وذلك بالاعتماد على مقاييس الأداء المتقدمة الموضحة في الجدول 6. تشير قيمة ROC-AUC إلى القدرة التمييزية للنموذج بين الفئتين عبر عتبات مختلفة. حيث حققت مصنفات SVM والغابات العشوائية (random forest) قيم ROC-AUC بلغت 0.913 و0.958 على التوالي، بينما حقق نموذج LSTM قيمة ROC-AUC بلغت 0.970، وسجل نموذج CNN قيمة 0.98. وحقق إطار عمل CNN-transformer المقترح أعلى قيمة ROC-AUC بلغت 0.994، مما يثبت قدرة تمييزية فائقة بين حالات الآلة الطبيعية وغير الطبيعية. وبالمثل، تشير قيم PR-AUC إلى أن النموذج المقترح يمكنه التعامل بفعالية مع عدم توازن الفئات، وهو عامل أساسي في الكشف عن الشذوذ. حيث حقق نموذج CNN-transformer المقترح أعلى قيمة PR-AUC (متوسط الدقة) بلغت 0.982، يليه نموذج CNN (0.950)، ثم LSTM (0.912)، والغابات العشوائية (0.891)، وأخيراً SVM (0.765)، مما يشير إلى أداء فائق في الدقة والاستدعاء (precision-recall) للكشف عن الشذوذ الصوتي الصناعي. علاوة على ذلك، يظهر معامل ارتباط ماتيوس (MCC)، الذي يقيس توازن أداء النموذج، قيمة عالية نسبياً بلغت 0.97 للنموذج المقترح. في حين أن الطرق السابقة مثل SVM (0.73) والغابات العشوائية (0.78) سجلت دقة تنبؤية أقل.

لاختبار استقرار النهج المقدم، أُجريت التجربة نفسها 10 مرات باستخدام بذور تهيئة ومخططات تبديل بيانات متنوعة. وكانت النتائج في الجدول 7 لبنية CNN-transformer كما يلي: الدقة (accuracy) = 98.50% ± 0.19%، والضبط (precision) = 98.06% ± 0.23%، والاستدعاء (recall) = 99.02% ± 0.22%، ومقياس F1-score = 98.54% ± 0.24%. ويشير الانحراف المعياري الصغير نسبيًا إلى استقرار النموذج. كما حُسبت فترات الثقة بنسبة 95% لجميع مقاييس التقييم. وقد تبيّن أن فترة الثقة لمقياس الدقة كانت [98.1%, 98.9%]، مما يشير إلى أن أداء النموذج جيد باستمرار. كما تم تحديد فترات ثقة ضيقة لكل من ROC-AUC وPR-AUC وMCC. وأسفر اختبار t المزدوج (paired t-test) الذي قارن بين نموذج CNN-transformer المقترح وأفضل نموذج مرجعي أداءً (LSTM) عن قيمة p value < 0.05، مما يشير إلى أن التحسن الملحوظ في الأداء ذو دلالة إحصائية وليس ناتجًا عن الصدفة.

لاختبار متانة بنية CNN-transformer المقترحة، كُررت التجارب 10 مرات باستخدام بذور تهيئة عشوائية وتكوينات خلط مختلفة، كما هو موضح في الشكل 8. كانت متوسطات الدقة (accuracy)، والضبط (precision)، والاستدعاء (recall)، ومقياس F1-score التي حققها النموذج هي 98.50% ± 0.19%، و98.06% ± 0.23%، و99.02% ± 0.22%، و98.54% ± 0.24% على التوالي. ومن خلال تحليل مخطط الصندوق (box plot)، تبين وجود تباينات طفيفة في مقاييس أداء النموذج، مما يشير إلى استقراره ومتانته. وبذلك، يظهر النهج المقترح استقراراً عالياً عبر تجارب متعددة، دون وجود تباين ملحوظ، مما يدل على قدرات التعميم الجيدة للنموذج.

بالإضافة إلى ذلك، تم إجراء اختبار إحصائي بناءً على مخرجات تشغيلات متعددة للتجربة. وتشير الانحرافات المعيارية الصغيرة عبر جميع مقاييس التقييم إلى ضعف التأثر بالتغيرات في العشوائية أو التدريب. وهذا يؤكد أن نموذج CNN-transformer المقترح يمكنه تقديم أداء مستقر ومتسق في الأنظمة التصنيعية السيبرانية الفيزيائية في الحياة الواقعية.

توضح الخريطة الحرارية لقيم SHAP أهمية مناطق الزمن والتردد في المخطط الطيفي في التنبؤ بما إذا كانت حالة الماكينة طبيعية أو غير طبيعية. وتشير قيم SHAP إلى مدى مساهمة كل متنبئ في التنبؤ النهائي.

في الخريطة الحرارية لقيم SHAP الموضحة في الشكل 9A، تمثل قيم SHAP الموجبة (على سبيل المثال، بين +0.6 و +1.2) المساهمة في الحالة غير الطبيعية، بينما تمثل قيم SHAP السالبة (أي، بين −0.3 و −0.8) المساهمة في الفئة الطبيعية. وقد وُجدت أعلى درجات SHAP كثافة في نطاق التردد المتوسط (من 40 إلى 80 من صناديق التردد) في الأطر الزمنية 50–100. وتعد هذه المناطق هي المجالات الرئيسية التي يتم فيها رصد إشارات الأعطال الحرجة في القياسات الصوتية. علاوة على ذلك، يظهر نطاق التردد المنخفض (أقل من 20 صندوقاً) درجات SHAP تقترب من الصفر (−0.1 إلى +0.1)، مما يشير إلى تأثير ضئيل على عملية اتخاذ القرار في النموذج. وهذا يدل على أن النموذج يتجاهل ضوضاء الخلفية غير ذات الصلة بالتنبؤ بالأعطال. كما يسلط الاتساق الزمني لدرجات SHAP المرتفعة ضمن نطاقات زمنية محددة الضوء على قدرة وحدة Transformer على التقاط الاعتمادات طويلة المدى في الإشارات الصوتية. وباختصار، تظهر الخريطة الحرارية لـ SHAP بوضوح أن نموذج CNN-transformer يركز على نطاقات زمنية-ترددية فريدة ذات قدرة تمييزية عالية، مما يعزز من قابلية تفسير النموذج ويساعد المشغل البشري على رصد الأعطال بصرياً.

يتضح أن طريقة SHAP تُستخدم فقط كتقنية للتفسير وليست جزءاً من عملية تدريب نموذج CNN-transformer. حيث يتم تحديد دقة التصنيف حصرياً بواسطة المعلمات التي تعلمتها مكونات CNN وTransformer. تُستخدم SHAP بعد خطوة استنتاج النموذج لتفسير التنبؤات من خلال تحديد نوافذ الزمن والتردد الأكثر تأثيراً التي توجه التنبؤات نحو الفئات الطبيعية أو غير الطبيعية. وبذلك، تعمل SHAP على تحسين الشفافية والفهم البشري دون التأثير على دقة التصنيف. وتتيح قيم SHAP التي يوفرها الإطار المقترح تصوراً واضحاً يساعد مشغلي الصيانة في التحقق من تنبؤات النموذج عن طريق مقارنة المناطق المكتشفة مع السلوك الفعلي للآلة وسجلات الصيانة. ومن ثم، سيكون من الأسهل على البشر التعاون مع الآلات أثناء أنشطة الصيانة التنبؤية.

لتقييم مستوى القابلية للتفسير، تم إجراء تحليل SHAP شامل لأهمية الميزات، كما هو موضح في الشكل 9B. وتظهر النتائج أن بعض مكونات التردد المتوسط تلعب دوراً هاماً في اكتشاف الشذوذ. علاوة على ذلك، تظهر دراسة حالة موضحة في الشكل 9C أن SHAP يحدد بشكل صحيح المناطق ذات الصلة بالأعطال في المخططات الطيفية غير الطبيعية للآلات. تضمنت الدراسة دراسة حالة نوعية باستخدام عينات بيانات غير طبيعية للمضخات والصمامات من مجموعة بيانات MIMII. وفيما يتعلق بالمضخات المعطلة، حدد SHAP نطاقات تردد من 2–4 kHz مرتبطة بالتكهف والتآكل. وفي حالة الصمامات المعطلة، كان تفعيل SHAP مهيمناً في المناطق التي تحتوي على إشارات توافقية متكررة تشير إلى وجود تسريب. وعبر عينات الاختبار الممثلة، حددت تصورات SHAP بشكل موثوق المناطق الزمنية-الترددية التمييزية المرتبطة بحالات الآلات الشاذة. ومن خلال تسليط الضوء على المناطق الطيفية التي تساهم بشكل أكبر في كل تنبؤ، توضح هذه التفسيرات كيفية اتخاذ النموذج للقرارات. ويُقدم تحليل SHAP كأداة لتفسير فهم سلوك النموذج، وليس كتحقق من الأعطال مصادق عليه من قبل الخبراء، لأن التحقق الرسمي من قبل متخصصي الصيانة كان خارج نطاق هذه الدراسة.

توضح مصفوفة الارتباك مدى كفاءة نموذج CNN-transformer المقترح في تصنيف مجموعة بيانات MIMII الموضحة في الشكل 10. وبشكل عام، تم تحديد 960 عينة طبيعية بشكل صحيح على أنها طبيعية (سالبات حقيقية)، بينما تم تحديد 20 عينة طبيعية بشكل خاطئ على أنها غير طبيعية (موجبات كاذبة). علاوة على ذلك، ومن بين جميع العينات، تم اكتشاف 1010 عينة غير طبيعية على أنها كذلك (موجبات حقيقية)، بينما تم تحديد 10 عينات غير طبيعية على أنها طبيعية (سالبات كاذبة).

وبذلك، تم تحقيق أداء كشف عالٍ، خاصة بالنسبة للعينات غير الطبيعية، والتي تُعد حاسمة في الصيانة التنبؤية. وكما هو موضح في الشكل 10، يُلاحظ حدوث خطأ السلبي الكاذب (False Negative) بشكل نادر جداً (10 عينات) – وهو أمر حيوي لأي صناعة لضمان سلامتها وموثوقيتها. ومن ناحية أخرى، يحدث خطأ الإيجابي الكاذب (False Positive) (20 عينة) بمعدل أعلى قليلاً ولكن يظل عند مستوى منخفض نسبياً. تم إنشاء مصفوفة الارتباك الموضحة في الشكل 10 باستخدام مجموعة فرعية متوازنة من 2,000 تسجيل اختباري (أعداد متساوية من العينات الطبيعية والشاذة) لتوفير تصور واضح لأداء المصنف. وقد تم حساب جميع مقاييس التقييم الواردة، بما في ذلك الدقة (accuracy)، والضبط (precision)، والاسترجاع (recall)، والخصوصية (specificity)، ومقياس F1-score، باستخدام مجموعة الاختبار الكاملة (حوالي 2,400 تسجيل).

بالاستناد إلى مصفوفة الارتباك الموضحة في الشكل 10 وفي الجدول 8 (TN = 960, FP = 20, TP = 1010, FN = 10)، يمكن إجراء الحسابات التالية: الدقة (Accuracy) = (TP + TN) / (TP + TN + FP + FN) = 98.50%، والضبط (Precision) = TP/(TP + FP) = 98.06%، والاستدعاء (Recall) = TP/(TP + FN) = 99.02%، والنوعية (Specificity) = TN / (TN + FP) = 97.96%، ومقياس F1-score = 98.54%، ومعامل ارتباط ماتيو (MCC) = 0.97. علاوة على ذلك، كانت قيم ROC-AUC و PR-AUC هي 0.994 و 0.982 على التوالي. وقد تم إنشاء مصفوفة الارتباك الموضحة في الشكل 10 باستخدام مجموعة فرعية ممثلة ومتوازنة مكونة من 2,000 تسجيل من بيانات الاختبار لأغراض التصوير فقط. أما جميع مقاييس الأداء الكمية الواردة في هذه الدراسة، فقد تم حسابها باستخدام مجموعة الاختبار الكاملة (حوالي 2,400 تسجيل). وبشكل عام، تظهر النتائج أن بنية CNN-transformer المقترحة تحقق دقة تصنيف تصل إلى 98.5%، وهو ما يتوافق مع النتائج الواردة في الجدول 8 وتحليل الاستئصال (ablation analysis).

للتحقق من فعالية التنفيذ القائم على الحافة، تم إجراء قياسات إضافية. يبلغ متوسط زمن وصول الاستدلال للنموذج المقترح 18.7 ms/sample، ويمكنه معالجة ما يقرب من 53 عينة في الثانية، كما هو موضح في الجدول 9. كان استهلاك الطاقة أثناء الاستدلال 8.9 W، مما أدى إلى استهلاك طاقة تقديري قدره 0.167 J/prediction. لتقييم تأثير الاستدامة للنهج المقترح في الجدول 10، تم أخذ العبء الاتصالي واستهلاك الطاقة واستخدام الموارد في الاعتبار. وبما أن عملية الاستدلال تتم محلياً على عقد الحافة، يتم إرسال البيانات التشخيصية الملخصة فقط إلى بيئة السحابة. وأشارت النتائج التجريبية إلى انخفاض بنسبة 73% في الاتصالات مقارنة بأنظمة CPS التقليدية القائمة على السحابة. بالإضافة إلى ذلك، أدى الاستدلال المحلي إلى خفض استهلاك الطاقة بنسبة 32%، بينما انخفض وقت الاتصال من 75 ms إلى 20 ms.

دراسة الاستئصال

تخضع مجموعة بيانات MIMII لبحث الاستئصال (ablation research) لتقييم تأثير كل مكون من مكونات بنية نظام CPHS القائم على الذكاء الاصطناعي القابل للتفسير. وتتقصى دراسة الاستئصال هذه آثار استخدام شبكة CNN لتعلم السمات المكانية، ومشفّر Transformer لتعلم السمات الزمنية، وخوارزمية SHAP القابلة للتفسير نفسها. تم النظر في عدة تعديلات على النموذج المقترح، وهي: (1) نسخة تعتمد على CNN فقط، (2) نسخة تعتمد على Transformer فقط، (3) النموذج الذي يجمع بين CNN وTransformer ولكن بدون خوارزمية SHAP، و(4) النموذج المقترح كاملاً الذي يجمع بين CNN وTransformer مع SHAP. ولغرض التقييم، تم استخدام مقاييس شائعة مثل الدقة (accuracy)، والضبط (precision)، والاستدعاء (recall)، ومقياس F1-score.

تُظهر نتائج دراسة الاستئصال هذه أهمية كل عنصر في الإطار الموضح في الجدول 11. يحقق النموذج المعتمد على CNN فقط دقة تصل إلى 93.8%، مما يشير إلى أن استخراج الميزات المكانية من المخططات الطيفية فعال، ومع ذلك لا يمكنه التقاط التبعيات الزمنية في الإشارات الصوتية. وينطبق الأمر ذاته على النموذج المعتمد على Transformer فقط، والذي يحقق دقة أقل قليلاً (92.6%) لأنه يستخرج الميزات الزمنية بينما يتجاهل المعلومات المكانية. وأخيراً، حقق نموذج CNN-transformer المقترح دقة بلغت 98.5%، ودقة تحديد (precision) بنسبة 98.06%، واستدعاء (recall) بنسبة 99.02%، ومقياس F1 بنسبة 98.54%، وهو ما يتوافق مع نتائج التجربة الرئيسية. وبما أن SHAP يُستخدم فقط للتفسير البعدي وليس لتدريب النموذج، فإن دقة التصنيف هي نفس دقة نموذج CNN-transformer المدرب. ثم يُستخدم SHAP لإنشاء تفسيرات إسناد الميزات. ويشير تحسن الاستدعاء (99.02%) إلى أن النموذج فعال في اكتشاف الظروف غير الطبيعية في الآلات، مما يضمن عدم تفويت أي أجزاء تالفة، وهو أمر ضروري لتنفيذ نظام صيانة تنبؤية.

توافر البيانات:

مجموعة بيانات التحقيق والفحص للآلات الصناعية التي تعاني من خلل وظيفي (MIMII) المستخدمة في هذه الدراسة متاحة للعموم من مستودع Zenodo الرسمي. وقد أُجريت التجارب باستخدام التسجيلات الصوتية والتعليقات التوضيحية المتاحة للعموم والتي قدمها مؤلفو مجموعة البيانات. يمكن الوصول إلى مجموعة البيانات عبر https://zenodo.org/records/3384388. كما يتوفر كود التنفيذ المصاحب لهذه الدراسة للعموم من خلال مستودع Zenodo على https://zenodo.org/records/21405292. ويتضمن المستودع كود التنفيذ للإطار المقترح، بما في ذلك مسار المعالجة المسبقة للبيانات، وبنية النموذج، وسير عمل التدريب، ونصوص التقييم، وملفات التكوين، والأدوات المساعدة لتسهيل فهم المنهجية المقترحة وإعادة إنتاجها بشكل مستقل. ولا يتم إعادة توزيع مجموعة بيانات MIMII مع كود التنفيذ، بل يجب الحصول عليها بشكل منفصل من مستودعها الرسمي.

شكل 1: بنية العمل المقترح. التصميم الهندسي لنظام بشري سيبراني-فيزيائي مدعوم بالذكاء الاصطناعي القابل للتفسير، يدمج بين المعالجة المسبقة، والتعلم المكاني القائم على CNN، والنمذجة الزمنية القائمة على Transformer، وقابلية التفسير باستخدام SHAP، وحوسبة الحافة من أجل التصنيع المستدام. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 2: سير عمل المعالجة المسبقة. سير عمل المعالجة المسبقة للإشارة الصوتية المكون من إزالة الضجيج، والتقييس، والتقسيم، وتحويل STFT، واستخراج المخطط الطيفي. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 3: استخراج الميزات المكانية باستخدام CNN. بنية استخراج الميزات المكانية بواسطة الشبكات العصبية التلافيفية (CNNs) باستخدام المخططات الطيفية (spectrograms) من خلال عمليات التلافيف، والتنشيط، والتجميع. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 4: النمذجة الزمنية باستخدام مشفر محول (transformer encoder). بنية مشفر المحول لالتقاط التبعيات الزمنية والتبعيات طويلة المدى من خلال تمثيل تسلسل المخطط الطيفي. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 5: طبقة التصنيف. طبقة مصنف تقوم برسم خرائط للميزات الزمنية المرمزة إلى قيم احتمالية للتنبؤ بحالة الآلة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 6: نتيجة منحنى ROC. مقارنة بين منحنيات ROC لخوارزميات SVM، والغابة العشوائية (random forest)، وLSTM، وCNN، وخوارزمية CNN-transformer المقترحة باستخدام مجموعة بيانات MIMII. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 7: نتيجة منحنى الدقة والاسترجاع. مقارنة لمنحنى الدقة والاسترجاع تمثل كفاءة اكتشاف الشذوذ لمختلف طرق التعلم الآلي والتعلم العميق. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 8: تحليل استقرار الأداء عبر جولات تشغيل متعددة. يوضح المخطط الصندوقي استقرار أداء نتائج الدقة (Accuracy)، والضبط (Precision)، والاستدعاء (Recall)، ومقياس F1-score التي تم الحصول عليها من عشر تجارب مستقلة أُجريت باستخدام بنية CNN-transformer المقترحة. وتشير الاختلافات الطفيفة إلى استقرار النموذج ومتانته. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 9: تحليل القابلية للتفسير القائم على SHAP لإطار عمل كشف الشذوذ المقترح. (أ) تحليل القابلية للتفسير القائم على SHAP. خريطة حرارية باستخدام طريقة SHAP لإظهار نطاقات الزمن-التردد الأكثر صلة التي تؤدي إلى تحديد السلوك الشاذ. (ب) تحليل أهمية الميزات باستخدام نهج SHAP العالمي لتحديد الميزات الأكثر تأثيرًا. (ج) تصور القابلية للتفسير باستخدام SHAP لماكينة غير طبيعية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 10: مصفوفة الارتباك لمجموعة بيانات MIMII. تمثل مصفوفة الارتباك أداء التصنيف لخوارزمية CNN-transformer المقترحة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

المعلم	الوصف
اسم مجموعة البيانات	مجموعة بيانات MIMII (التحقيق والفحص في الآلات الصناعية المتعطلة)
أنواع الآلات	الصمامات، والمضخات، والمراوح، والقضبان المنزلقة
إجمالي العينات المستخدمة	حوالي 12,000 تسجيل صوتي
الفئات	طبيعية، غير طبيعية
معدل أخذ العينات	16 kHz
مدة العينة الواحدة	10 ثوانٍ
تنسيق الصوت	WAV
تمثيل الميزات	صور المخطط الطيفي القائمة على STFT
خطوات المعالجة المسبقة	ترشيح الضوضاء، والتطبيع، والتقسيم، وتحويل STFT
تعيين التسميات	تسمية التسجيلات الطبيعية كالفئة 0؛ والتسجيلات غير الطبيعية كالفئة 1 وفقاً لتوصيفات MIMII
تقسيم التدريب والاختبار	80% للتدريب (≈9,600 عينة)، 20% للاختبار (≈2,400 عينة)
استراتيجية تقسيم البيانات	تم إجراء التقسيم على مستوى الملف الصوتي قبل عملية التقسيم لمنع تسرب البيانات
ظروف الضوضاء الصناعية	بيئات صوتية صناعية واقعية متضمنة في تسجيلات MIMII
مجال التطبيق	الصيانة التنبؤية والكشف عن أعطال الآلات
هدف الثورة الصناعية 5.0 المستهدف	كشف الأعطال القابل للتفسير، والمتمحور حول الإنسان، والمستدام

جدول 1: وصف مجموعة البيانات. وصف لمجموعة بيانات MIMII فيما يتعلق بنوع الآلة، وتوزيع العينات، وخصائص الإشارة، وتمثيل الميزات، وجوانب التطبيق.

نوع الآلة	معرفات الآلات	التسجيلات الطبيعية	التسجيلات الشاذة	ظروف نسبة الإشارة إلى الضوضاء (dB)	التقسيم التجريبي
مروحة	ID00–ID06	8,400	1,600	−12 to −9	80% تدريب / 20% اختبار
صندوق تروس	ID00–ID06	7,124	1,147	−17 to −15	80% تدريب / 20% اختبار
مضخة	ID00–ID06	7,200	1,800	−18 to −9	80% تدريب / 20% اختبار
سكة انزلاقية	ID00–ID05	7,000	1,800	−14 to −12	80% تدريب / 20% اختبار
صمام	ID00–ID05	7,000	1,800	−12 to −9	80% تدريب / 20% اختبار

الجدول 2: وصف لمجموعة بيانات MIMII المستخدمة في هذه الدراسة. أنواع الآلات الصناعية، ومعرفات الآلات، وأعداد التسجيلات الطبيعية والشاذة، وظروف نسبة الإشارة إلى الضجيج (SNR)، وتقسيم التدريب/الاختبار المستخدم للتصنيف الثنائي الخاضع للإشراف.

النموذج	الدقة (%)	الإحكام (%)	الاستدعاء (%)	مقياس F1 (%)	النوعية (%)
SVM	88.6	86.9	85.4	86.1	90.2
الغابة العشوائية (RF)	91.2	89.8	88.5	89.1	92.6
LSTM	94.5	93.2	92.8	93	95.1
CNN	96.3	95.4	94.9	95.1	96.8
CNN–Transformer (المقترح)	98.5	98.06	99.02	98.54	97.96

الجدول 3: نتيجة التصنيف لمجموعة بيانات MIMII. مقارنة لأداء مصنفات التعلم الآلي والتعلم العميق باستخدام الدقة (accuracy)، والضبط (precision)، والاستدعاء (recall)، ومقياس F1، والنوعية (specificity).

مَعلَمَة	القيمة
مجموعة البيانات	مجموعة بيانات MIMII
إجمالي العينات	~12,000
تقسيم بيانات التدريب والاختبار	80% / 20%
نوع المدخلات	صور المخطط الطيفي
طبقات الشبكة العصبية التلافيفية (CNN)	3-5 طبقات تلافيفية
طبقات المحول (Transformer Layers)	2-4 طبقات ترميز
حجم الدفعة	32
معدل التعلم	0.001
المُحسِّن	آدم
العصور الزمنية	100
الأجهزة والمعدات	جهاز طرفي + وحدة معالجة رسوميات (للتدريب)
طول نافذة تحويل فوريه قصير المدى (STFT)	1024
حجم القفزة	512
حجم تحويل فوريه السريع (FFT)	1024
دقة المخطط الطيفي	224 × 224
المعايرة (Normalization)	الدرجة المعيارية (Z-score)
تعزيز البيانات	القناع الزمني، القناع الترددي، ضوضاء غاوس
طبقات الشبكة العصبونية التلافيفية (CNN)	4
مرشحات الشبكات العصبية التلافيفية (CNN Filters)	32, 64, 128, 256
طبقات المحول (Transformer Layers)	4
رؤوس الانتباه	8
بعد التضمين	256
بُعد التغذية الأمامية	1024
التسرب (Dropout)	0.3
البذرة العشوائية	42
صبر التوقف المبكر	10

جدول 4: إعداد البيئة وتكوين المعلمات الفائقة. معايير التدريب والتجارب المستخدمة لتنفيذ بنية CNN-transformer المقترحة.

المكون	المواصفات
لغة البرمجة	Python
إطار العمل	TensorFlow / PyTorch
المعالج	Intel i7 / Ryzen 7
وحدة معالجة الرسومات (GPU)	NVIDIA GTX 1660 / RTX Series
جهاز الحافة (Edge Device)	Raspberry Pi / NVIDIA Jetson
التصور البياني	Matplotlib, SHAP
جهاز الحافة (Edge Device)	NVIDIA Jetson Xavier NX
وحدة المعالجة المركزية (CPU)	6-core ARM v8.2
ذاكرة الوصول العشوائي (RAM)	16 GB
نظام التشغيل	Ubuntu 20.04
إطار عمل التعلم العميق	TensorFlow/PyTorch
حجم مجموعة البيانات	12,000 MIMII samples
الاتصال	Ethernet/Wi-Fi
بارامترات النموذج	8.4 Million
حجم النموذج	32.7 MB
إطار العمل	PyTorch + TensorRT
حجم الدفعة (Batch Size)	1
التكميم (Quantization)	FP16
التقليم (Pruning)	لا
متوسط زمن الاستجابة	17.8 ms
وسيط زمن الاستجابة	17.2 ms
زمن الاستجابة عند المئوية 95	19.6 ms
معدل الإنتاجية	56 samples/s
استهلاك الذاكرة	1.4 GB
استهلاك الطاقة	11.3 W

الجدول 5: بيئة المحاكاة. تم استخدام الأجهزة والبرمجيات لتدريب النموذج المقترح ونشره وتقييمه.

النموذج	ROC-AUC	PR-AUC	MCC
SVM	0.913	0.765	0.73
الغابة العشوائية (RF)	0.958	0.891	0.78
LSTM	0.97	0.912	0.86
CNN	0.98	0.95	0.9
CNN–Transformer (المقترح)	0.994	0.982	0.97

الجدول 6: مقارنة النتائج التجريبية لكل من ROC-AUC و PR-AUC و MCC. مقارنة بين نماذج مختلفة بناءً على مقاييس ROC-AUC و PR-AUC ومعامل ارتباط ماتيوس (MCC).

المقياس	المتوسط (%) + الانحراف المعياري (%)	فاصل ثقة 95%
الدقة	98.50 ± 0.19	[98.1, 98.9]
الدقة	98.06 ± 0.23	[98.0, 98.2]
الاستدعاء	99.22 ± 0.22	[98.8, 99.4]
مقياس F1 (F1-score)	98.54 ± 0.24	[98.1, 98.9]
المساحة تحت منحنى خصائص تشغيل المستقبل (ROC-AUC)	0.984	0.004
المساحة تحت منحنى الدقة والاسترجاع (PR-AUC)	0.982	0.005
MCC	0.97	0.007

الجدول 7: نتيجة التحليل الإحصائي لعمليات تشغيل متعددة. إحصائيات المتانة لبنية CNN-transformer المقترحة عبر 10 تجارب، بما في ذلك المتوسط، والانحراف المعياري، وفاصل الثقة 95%، والدلالة لمقاييس أداء متنوعة.

المقياس	القيمة
الدقة (Accuracy)	98.50%
الإحكام (Precision)	98.06%
الاستدعاء (Recall)	99.02%
الخصوصية (Specificity)	97.96%
مقياس F1 (F1-score)	98.54%
معامل الارتباط لـ Matthews (MCC)	0.97
المساحة تحت منحنى خصائص التشغيل (ROC-AUC)	0.994
المساحة تحت منحنى الدقة والاستدعاء (PR-AUC)	0.982

الجدول 8: مجموعة الاختبار النهائية لمصفوفة الارتباك. مصفوفة الارتباك لمجموعة الاختبار الخاصة بالبنية المقترحة، والتي توضح تصنيف الحالات الطبيعية وغير الطبيعية للآلات والتي اشتقت منها مقاييس التقييم.

مقياس	النشر السحابي	النشر الطرفي
زمن انتقال الاستدلال (ملي ثانية)	85.6	18.7
معدل الإنتاجية (عينة/ثانية)	22	53
استخدام الشبكة (ميجابايت/دقيقة)	120	18
الطاقة لكل تنبؤ (جول)	0.52	0.17
القدرة على الرصد في الوقت الفعلي	متوسط	مرتفع

جدول 9: نتيجة زمن وصول الاستنتاج. أداء زمن الوصول لنشر الحافة لإطار عمل CPHS المعتمد على الذكاء الاصطناعي القابل للتفسير، بما في ذلك وقت المعالجة، والإنتاجية، واستهلاك الذاكرة، وغيرها من الخصائص في الوقت الفعلي.

مقياس	الأنظمة الفيزيائية السيبرانية القائمة على السحابة	نظام الرعاية الصحية الشخصية المقترح والمزود بتقنيات الحافة (Edge-enabled CPHS)	تحسين
معدل نقل البيانات في الساعة	100%	35%	خفض بنسبة 65%
كمون الاتصال	٧٥ ملي ثانية	٢٠ مللي ثانية	انخفاض بنسبة 73.3%
استهلاك الطاقة	100%	68%	انخفاض بنسبة 32%
انبعاثات الكربون التقديرية	100%	70%	تخفيض بنسبة 30%

جدول 10: تقييم استدامة نظام CPHS المدعوم بالحوسبة الطرفية. تُستخدم قياسات عبء الاتصال، واستهلاك الطاقة، واستغلال الموارد، وزمن الاستجابة لتقييم استدامة نظام CPHS المدعوم بالحوسبة الطرفية.

نسخة النموذج	الدقة (%)	الدقة (%)	الاستدعاء (%)	درجة F1 (%)
الشبكة العصبونية الالتفافية فقط	93.8	92.5	94.2	93.3
المحول فقط	92.6	91.2	93.5	92.3
الشبكة العصبية التلافيفية (CNN) + المحول (Transformer)	98.5	98.06	99.02	98.54

الجدول 11: نتيجة دراسة الاستئصال. نتيجة دراسة الاستئصال التي توضح تأثير وحدات CNN وTransformer وSHAP على أداء النموذج المقترح.

المناقشة

تُظهر النتائج التجريبية أن بنية CNN-transformer المقترحة تتفوق على الخوارزميات الفردية من خلال الدمج الفعال لتعلم الميزات المكانية والزمانية. ووفقًا لدراسة الاستئصال (ablation study)، فبينما تقوم شبكة CNN باستخراج ميزات تمييزية قائمة على التردد من المخططات الطيفية (spectrograms)، يعمل مشفر الـ transformer على تحسين أداء النموذج من خلال التقاط التبعيات الزمانية بعيدة المدى في الإشارات الصوتية. علاوة على ذلك، توضح مصفوفة الارتباك (confusion matrix) وجود عدد قليل جدًا من السلبيات الكاذبة، مما يعني أن النموذج المقترح يمكنه تحديد أعطال الماكينات بفعالية. وقد أدت هذه البنية إلى تحسين نتائج التصنيف، بدقة بلغت 98.5% ومعدل استدعاء (recall rate) وصل إلى 99.02%. وتعتبر هذه النتيجة حاسمة في أنظمة كشف الأعطال الصناعية، حيث يجب ألا يغفل النموذج عن أي ماكينة معطلة. وقد أظهرت النتائج التجريبية أن إطار عمل CNN–Transformer المدعوم بـ XAI المقترح يجمع بنجاح بين الدقة العالية في كشف الأعطال، والقابلية للتفسير، والتنفيذ في الوقت الفعلي على الحافة (edge implementation). يتيح الجمع بين الوحدةين استخراج الميزات المكانية والزمانية بشكل متزامن من البيانات الصوتية، بينما تعزز تفسيرات SHAP من القابلية للشرح والموثوقية. وتتماشى هذه النتائج مع مبادئ الثورة الصناعية الخامسة (Industry 5.0)، التي تؤكد على اتخاذ القرارات التي تركز على الإنسان، والاستدامة، والتآزر بين المجالات السيبرانية والمادية. ومع ذلك، يلزم إجراء تقييم أكثر شمولاً باستخدام مجموعات بيانات صناعية أخرى ونشر عملي لتقدير مدى قابلية تعميم النهج المقترح.

إن تطبيق SHAP لتحقيق القابلية للتفسير لا يحسن كفاءة النظام فحسب، بل يعزز بشكل كبير فهم المنطق الأساسي للنموذج. وهو يركز بشكل خاص على نطاقات الزمن والتردد المهمة لهذه الخيارات. وهذا أمر بالغ الأهمية في سيناريوهات الصناعة 5.0 حيث يحتاج البشر وأنظمة الذكاء الاصطناعي إلى الثقة المتبادلة. ومن الواضح من خلال الخرائط الحرارية لـ SHAP أن النموذج قد تعرف على نطاقات تردد معينة مرتبطة بالأعطال، مما يضمن التوافق مع الواقع. ولا تعتمد جدة هذه الدراسة مجرد استخدام CNN-transformer أو SHAP وحدهما، حيث سبق ذكرهما في الأدبيات العلمية الحالية، بل تكمن في تطبيقهما المتكامل ضمن هيكل التعاون السيبراني المادي في الصناعة 5.0، والذي يحل في آن واحد مشكلات القابلية للتفسير، والاستدامة، وذكاء الحافة، ودعم اتخاذ القرار المتمحور حول الإنسان. وعلى الرغم من أن الإطار المقترح يستمد أفكاره من الصناعة 5.0، مثل التعاون المتمحور حول الإنسان، والقابلية للتفسير، والمرونة، وحوسبة الحافة المستدامة، إلا أن البحث الحالي يقيم أداءه التقني حصرياً باستخدام دقة كشف الشواذ، وزمن الاستجابة، واستهلاك الطاقة، والقابلية للتفسير. وكان التقييم المباشر للجوانب المتمحورة حول الإنسان مثل ثقة المشغل، والحمل المعرفي، وجودة القرار، والقبول خارج نطاق تصميم البحث الحالي. وستتضمن الأبحاث المستقبلية تجارب "الإنسان في الحلقة" (human-in-the-loop) لقياس فعالية اتخاذ القرار التعاوني في الإطار المقترح. ومن وجهة نظر نظرية، يقدم هذا البحث مساهمة قيمة في توسيع نماذج التعلم العميق الهجينة من خلال إظهار فعالية الجمع بين الشبكات العصبية التلافيفية وهياكل Transformer لمعالجة البيانات الصناعية المكانية والزمانية. وبالفعل، تعزز الورقة مناهج CPS و CPHS من خلال تطبيق مفهوم الذكاء الاصطناعي القابل للتفسير طوال عملية اتخاذ القرار. علاوة على ذلك، فإن تنفيذ تقنية SHAP كأداة لقياس مساهمات ميزات الزمن والتردد المختلفة يقدم دليلاً على الأساس النظري للأنظمة القائمة على الذكاء الاصطناعي القابل للتفسير. وبشكل عام، يمهد هذا النهج الطريق لنموذج جديد لا تصبح فيه نماذج التعلم العميق أكثر دقة فحسب، بل يمكن للبشر تفسيرها أيضاً، بما يتفق مع رؤية الصناعة 5.0.

من الناحية العملية، يمثل النظام المقترح حلاً ممتازاً للكشف عن الشذوذ الصناعي في الوقت الفعلي والصيانة التنبؤية. ومن خلال استخدام بنيات CPHS عند الحافة، يتيح النظام معالجة الإشارات الصوتية في الوقت المناسب، وهو ملائم تماماً للتنفيذ في مرافق التصنيع الذكية. كما أن معدل الاستدعاء المرتفع (99.02%) يقلل من احتمالية تفويت الأعطال، مما يزيد من السلامة التشغيلية ويمنع توقف الماكينات المفاجئ. علاوة على ذلك، فإن استخدام التفسيرات القائمة على SHAP يتيح للبشر فهم نتائج النموذج، وهو أمر بالغ الأهمية خاصة في المواقف الحرجة التي تتطلب تدخل العنصر البشري في الحلقة. وتوضح النتائج المستخلصة من النشر التجريبي بوضوح مزايا حوسبة الحافة مقارنة بحوسبة السحاب التقليدية؛ وذلك لأن الاستنتاج الذي يتم عند حافة الشبكة يقلل من أوقات التأخير ويحسن الكفاءة من خلال زيادة الإنتاجية. بالإضافة إلى ذلك، فإن تقليل استهلاك الطاقة لكل تنبؤ سيساعد في تحقيق أهداف التصنيع المستدام بما يتماشى مع معايير Industry 5.0. ورغم هذه النتائج المشجعة، إلا أن النهج المتبع يواجه عدة قيود؛ أولاً، تم التحقق من صحة الإطار بشكل أساسي باستخدام مجموعة بيانات MIMII، وبالرغم من أنها واسعة النطاق إلى حد ما، إلا أنها قد لا تغطي جميع السيناريوهات المحتملة التي قد تظهر في بيئة صناعية فعلية وعبر أنواع مختلفة من الماكينات. ويتمثل القيد الثاني في أن استخدام SHAP لغرض القابلية للتفسير يزيد من التعقيد الحسابي، وهو ما قد يشكل مشكلة عند نشر الإطار في بيئات حافة محدودة الموارد للغاية. وأخيراً، يقتصر النموذج الحالي على الإشارات الصوتية وحدها، بينما تتطلب الأنظمة الصناعية معالجة متعددة الوسائط، تشمل على سبيل المثال الاهتزاز ودرجة الحرارة.

على الرغم من أن استخدام مجموعة بيانات MIMII يضمن سيناريوهات أعطال واقعية في الصوتيات الصناعية، إلا أن التحقق من الصحة باستخدام مجموعات بيانات مرجعية أخرى، مثل ToyADMOS، وبيانات DCASE للكشف عن الشذوذ الصناعي، وبيانات محامل IMS، وبيانات أعطال محامل CWRU، يمكن أن يحسن بشكل أكبر من قدرة الإطار المقترح على التعميم. في العمل المستقبلي، نخطط لإجراء عمليات تحقق عبر نطاقات مختلفة من أنواع الآلات، وطرق الاستشعار، وبيئات التصنيع لضمان تعميم إطار التعاون السيبراني الفيزيائي القائم على الذكاء الاصطناعي القابل للتفسير. وتتمثل إحدى القيود الأخرى للبحث الحالي في نقص التجارب المقارنة مع أنظمة الكشف عن الشذوذ الصوتي المطورة حديثاً، مثل Vision Transformers وAudio Spectrogram Transformers وConformers وتقنيات التعلم الذاتي الخاضع للإشراف المبتكرة. ورغم أن نموذج CNN-transformer قد أظهر نتائج قوية وقابلية للتفسير، سيتم إجراء المزيد من الأبحاث لمقارنته مع هذه التقنيات المتقدمة. ومن العيوب الأخرى للبحث الحالي أن تقييم ميزات الثورة الصناعية الخامسة (Industry 5.0)، مثل المرونة والاستدامة، قد تم بشكل غير مباشر عبر مقاييس على مستوى النظام، بما في ذلك زمن انتقال الاستدلال واستهلاك الطاقة. ولم يتم في البحث الحالي إجراء تقييم أكثر شمولاً للمرونة تجاه أعطال الاتصالات وأعطال المستشعرات، ولا للاستدامة من حيث البصمة الكربونية واستخدام الموارد. وينبغي تقييم هذه العوامل في الدراسات المستقبلية.

ومع ذلك، تجدر الإشارة إلى أن نموذج تعاون "الإنسان في الحلقة" (human-in-the-loop) الموصوف في هذا البحث هو نموذج نظري، والهدف منه هو توضيح استخدام مخرجات الذكاء الاصطناعي القابل للتفسير في اتخاذ القرار ضمن الأنظمة السيبرانية الفيزيائية في الثورة الصناعية الخامسة (Industry 5.0) بمساعدة المشغل. أما التحقق التجريبي مع المشغلين البشريين وتحليل سهولة الاستخدام ووقت الاستجابة والتقييم من قبل الخبراء، فتخرج عن نطاق هذا البحث. يقدم هذا العمل نموذج تعاون سيبراني فيزيائي جديد مدفوعاً بالذكاء الاصطناعي القابل للتفسير للتصنيع المستدام في بيئات Industry 5.0. وفي النظام المطور، تم استخدام بنية هجينة من الشبكات العصبية التلافيفية والمحولات (CNN-transformer) لتعلم الخصائص المكانية والزمانية للمخططات الطيفية الصوتية بكفاءة، مما يتيح الكشف عن الشذوذ في الآلات الصناعية. يعمل النموذج المقترح في أربع خطوات: المعالجة المسبقة للبيانات الصوتية وتحويلها إلى مخططات طيفية، تعلم الخصائص المكانية باستخدام CNN، تعلم التبعيات الزمانية باستخدام مشفر محول (transformer encoder)، ثم التصنيف. وتظهر النتائج التي تم الحصول عليها باستخدام الطريقة المقترحة على مجموعة بيانات MIMII أن النموذج المقترح قد تفوق على النماذج المرجعية، حيث حقق دقة بلغت 98.5% ومعدلات استدعاء بلغت 99.02%. علاوة على ذلك، فإن دمج القابلية للتفسير يعزز من وضوح النظام. ورغم أن الإطار المقترح للتعاون السيبراني الفيزيائي المدعوم بالذكاء الاصطناعي القابل للتفسير قد حقق أداءً جيداً على مجموعة بيانات MIMII المرجعية، إلا أن البحث يقتصر حالياً على التحقق التجريبي. ولا يزال الإطار بحاجة إلى التقييم من خلال الإنتاج واسع النطاق في بيئة صناعية حيث تكون الآلات غير متجانسة والظروف متغيرة وعملية النشر طويلة الأمد. بالإضافة إلى ذلك، يجب أن تتضمن الأعمال المستقبلية مقارنات مع بنيات مثل ViT و AST و Conformer ونماذج التعلم الذاتي الإشراف. وبعبارة أخرى، بينما يثبت الإطار أن دمج الذكاء الاصطناعي القابل للتفسير والتعاون السيبراني الفيزيائي وتعاون "الإنسان في الحلقة" هو أمر ممكن، إلا أن هناك حاجة إلى مزيد من التحقق قبل نشره على نطاق واسع في الصناعة. ستستقصي الأعمال المستقبلية الإطار المقترح عبر مختلف مجموعات بيانات تشخيص الأعطال المرجعية للصناعة والتصنيع عابر المجالات، لإثبات متانته وقابليته للنقل والتطبيق ضمن أنظمة التصنيع المستدامة. وسيشمل التحقق المستقبلي تجارب متمحورة حول المشغل، وقياس المرونة في ظل الظروف الصناعية المربكة، وتقييم دورة الحياة المتعلقة بالاستدامة.

لضمان إمكانية إعادة إنتاج النتائج، يقدم هذا العمل تفاصيل حول المعالجة المسبقة للبيانات، واستراتيجية التقسيم، وإعدادات توليد المخططات الطيفية (spectrograms)، وبنية نموذج CNN-transformer، والمحسن (optimizer)، والمعلمات الفائقة (hyperparameters)، والمقاييس المستخدمة لقياس أداء النموذج. وقد تم تعيين البذور العشوائية (random seeds) قبل بدء التجارب. ولضمان القابلية للتكرار، أجريت التجارب على مجموعة بيانات MIMII (Malfunctioning Industrial Machine Investigation and Inspection) المتاحة للعموم. ورابط مجموعة البيانات هو كما يلي: DOI: 10.5281/zenodo.3384388. كما تم إتاحة كود التنفيذ المصاحب لهذه الدراسة للعموم من خلال مستودع Zenodo: https://zenodo.org/records/21405292. تم أخذ عينات من الإشارات الصوتية بتردد 16 kHz وتحويلها إلى مخططات log-Mel طيفية باستخدام تحويل فورير السريع قصير المدى (STFT) بحجم نافذة 1024، وطول قفزة 512، وحجم FFT يبلغ 1024. وتكونت بنية CNN-transformer المقترحة من أربع طبقات تلافيفية (بـ 32 و64 و128 و256 مرشحاً)، يتبعها مشفر محول (transformer encoder) مكون من أربع طبقات، وثمانية رؤوس انتباه (attention heads)، وبُعد تضمين (embedding dimension) قدره 256، وبُعد تغذية أمامية (feed-forward dimension) قدره 1024. تضمنت عملية التدريب استخدام محسن Adam بمعدل تعلم 0.0001، وحجم دفعة 32، و100 حقبة تدريبية (epochs). وتصف الخوارزميتان 1 و2 مرحلة المعالجة المسبقة للبيانات وإجراءات القابلية للتفسير. كما تم عرض الخوارزمية الكاملة، بما في ذلك تفاصيل التنفيذ.

المواد

قائمة المواد المستخدمة في هذه المقالة

الاسم	الشركة	رقم فهرسي	التعليقات
مقياس الدعم الاجتماعي	مقياس أكاديمي منشور؛ وضعه Park في الأصل وقام Kim بمراجعته واستكماله	إصدار مكون من 25 بنداً؛ تنسيق استجابة وفق مقياس ليكرت الخماسي؛ لا يوجد رقم كتالوج تجاري	يقيس الدعم الاجتماعي المُدرك لدى معلمي مرحلة الطفولة المبكرة قبل الخدمة عبر الدعم العاطفي، والدعم المعلوماتي، والدعم المادي، والدعم التقييمي. معامل ألفا كرونباخ الإجمالي’قيمة ألفا = 0.96.
مقياس الكفاءة الذاتية للمعلم	مقياس أكاديمي منشور؛ تم تطويره في الأصل من قبل Enochs وRiggs؛ نسخة دراسة مكيّفة للغة الصينية	نسخة مكونة من 25 بنداً؛ تنسيق استجابة وفق مقياس ليكرت الخماسي؛ لا يوجد رقم كتالوج تجاري	يقيّم هذا البحث كفاءة المعلمين في سياق إعداد معلمي الطفولة المبكرة في الصين، وذلك عبر قياس الكفاءة الذاتية العامة للمعلم والكفاءة الذاتية الشخصية للمعلم. معامل كرونباخ الإجمالي’s alpha = 0.96.
مقياس التفاعل بين المعلم والطفل	مقياس أكاديمي منشور؛ طوّره Lee وراجعته لجنة الخبراء في الدراسة للاستخدام في الصين	نسخة مكونة من 30 بنداً؛ تنسيق استجابة وفق مقياس ليكرت الخماسي؛ لا يوجد رقم كتالوج تجاري	يُقيم الكفاءة الذاتية المُبلغ عنها للتفاعل بين المعلم والطفل بدلاً من جودة التفاعل الملحوظة في الفصل الدراسي. ويتضمن التفاعل العاطفي، والتفاعل اللفظي، والتفاعل السلوكي؛ ومعامل كرونباخ الإجمالي’s alpha = 0.94.
نموذج المعلومات الديموغرافية	فريق البحث، تعاون بين جامعة سيتشوان للفنون والعلوم وجامعة دايكو	قسم استبيان الدراسة المخصصة؛ لا يوجد رقم كتالوج تجاري	جُمعت خصائص المشاركين بما في ذلك الجنس، والخلفية التعليمية، والفئة المهنية، وموقع التدريب الميداني، ومدة التدريب الميداني، ونوع التدريب الميداني، ونوع الروضة.
نص معلومات المشارك ونموذج الموافقة المستنيرة	الفريق البحثي؛ معتمد من قبل لجنة أخلاقيات البحث بجامعة Daegu	رقم الموافقة الأخلاقية: XXX؛ سجل الموافقة المحلي للتحقق	يُستخدم قبل توزيع الاستبيان لشرح الغرض من الدراسة ومحتوى المسح والحصول على الموافقة المستنيرة من المشاركين من المعلمين المتدربين في مرحلة التعليم في مرحلة الطفولة المبكرة.
حزمة استبيان الدراسة الاستطلاعية	فريق البحث ولجنة الخبراء	النسخة التجريبية المستخدمة في 1 يونيو–5، 2024؛ لا يوجد رقم كتالوج تجاري	تم اختبار مدى وضوح وملاءمة مقياس التصورات المهنية، ومقياس الدعم الاجتماعي، ومقياس الكفاءة الذاتية للمعلم، ومقياس التفاعل بين المعلم والطفل، وبنود البيانات الديموغرافية، من خلال دراسة استطلاعية شملت 50 معلماً ومعلمة من طلبة إعداد المعلمين في مرحلة الطفولة المبكرة.
إجراء مراجعة لجنة الخبراء	فريق البحث؛ لجنة خبراء مؤلفة من اثنين من أساتذة تعليم الطفولة المبكرة، ومدير مدرسة تمهيدية واحد، وثلاثة من مشرفي التدريب الميداني، وفريق البحث	مراجعة المحتوى القائمة على التوافق؛ لا يوجد رقم طراز تجاري	تُستخدم لمراجعة بنود المقياس للتأكد من خلوها من الغموض، ومدى ملاءمتها، ووضوحها الدلالي، ومناسبتها للمستوى النمائي، وصلتها الثقافية قبل إجراء المسح الرسمي.
نماذج استبيانات مطبوعة في الموقع	الفريق البحثي؛ مستلزمات المسح المؤسسي المحلي	نماذج استطلاع ورقية؛ لا يوجد رقم كتالوج تجاري	استُخدمت لغرض إدارة الاستبيانات في الموقع. وفي العينة النهائية، تم الحصول على 336 استبياناً صالحاً من الموقع قبل دمجها مع الاستبيانات الإلكترونية.
ويتشات (WeChat)	تنسنت (Tencent)	تطبيق WeChat للهواتف المحمولة؛ يجب التحقق من الإصدار من سجل الجهاز/التطبيق المستخدم خلال شهر يونيو–يوليو 2024	استُخدمت كقناة توزيع عبر الإنترنت لتوزيع الاستبيانات؛ حيث جُمعت 27 استبانة مكتملة عبر الإنترنت/من خلال تطبيق WeChat.
إجراءات الاستقطاب عبر الهاتف والشخصي	الفريق البحثي	إجراء توظيف موحد؛ لا يوجد رقم كتالوج تجاري	تُستخدم للتواصل مع المؤسسات/المشاركين، وشرح الغرض من الدراسة ومحتوى الاستطلاع، ودعم الموافقة المستنيرة قبل إجراء الاستبيان.
برنامج SPSS Statistics	IBM	الإصدار 27.0	تُستخدم للإحصاء الوصفي، ومعاملات ارتباط بيرسون، ومعامل كرونباخ’تحليل موثوقية ألفا كرونباخ، وفحوصات الاعتدالية باستخدام الالتواء والتفرطح، واختبار هارمان’اختبار العامل الواحد لتحيز الطريقة المشتركة.
SPSS Amos	IBM	الإصدار 26.0	تُستخدم لتحليل العامل التوكيدي، ونمذجة المعادلة الهيكلية، واختبار ثبات القياس متعدد المجموعات، واختبار التمهيد (bootstrap) للتأثيرات غير المباشرة، ومقارنات النماذج البديلة.
مايكروسوفت إكسل (Microsoft Excel)	مايكروسوفت	Microsoft 365 Excel أو إصدار Excel مثبت محلياً؛ يرجى التحقق من رقم الإصدار المحلي بدقة قبل التسليم	يُوصى باستخدامه/يُستخدم كبيئة لدفتر العمل لتنظيم بيانات الاستبيان المرمزة، وقاموس البيانات، والجداول التكميلية، وجدول المواد الخاص بـ JoVE. ويجب على المؤلفين التحقق من الإصدار المحلي الدقيق.
معايير مؤشرات المطابقة في نمذجة المعادلة الهيكلية	إرشادات منهجية منشورة؛ تمت الإشارة إلى مراجع Schreiber et al. و Kline في المخطوطة	لا يوجد رقم كتالوج تجاري؛ المعايير المطبقة في خطة التحليل الإحصائي	يحدد ويُبلغ عن مؤشرات مطابقة النموذج، بما في ذلك إحصائية مربع كاي، ومربع كاي مقسومًا على درجات الحرية، ومؤشر توكر-لويس، ومؤشر المطابقة المقارن، ومؤشر جودة المطابقة المعدل، ومؤشر المطابقة التزايدي، وجذر متوسط مربع خطأ التقريب، وجذر متوسط مربع البواقي المعياري.
إجراء اختبار الوساطة بطريقة التمهيد (Bootstrap)	خطة التحليل الإحصائي لفريق البحث / برنامج SPSS Amos	5,000 عينة بوتستراب (bootstrap samples)؛ فترات ثقة بنسبة 95% مصححة للانحياز	استُخدم لاختبار الارتباطات غير المباشرة من خلال كفاءة المعلم. واعتُبرت التأثيرات غير المباشرة دالة إحصائيًا عندما لا يتضمن فاصل الثقة بنسبة 95% المصحح للانحياز القيمة صفر.
إجراء اختبار ثبات القياس	خطة التحليل الإحصائي لفريق البحث / برنامج SPSS Amos	تحليل عاملي توكيدي متعدد المجموعات؛ Δمؤشر المطابقة (CFI) &أقل من 0.010 و Δجذر متوسط مربع خطأ التقريب (RMSEA) &معايير < 0.015	استُخدم لتقييم الثبات التكويني والمتري والسكالار عبر النوع الاجتماعي، ونوع البرنامج، ومدة التدريب الميداني، والمؤسسة، وذلك قبل تفسير تقديرات نمذجة المعادلة الهيكلية (SEM) المجمعة.