Development of an adaptive tool condition monitoring system: integration of case-based reasoning with CNN

هذا العمل عبارة عن بحث علمي تطبيقي في التصنيع الذكي (Intelligent Manufacturing) يقدّم نظام مراقبة حالة أداة القطع (Tool Condition Monitoring – TCM) يعتمد على الرؤية الحاسوبية والتعلم العميق، مع دمج شبكة CNN لاستخراج الخصائص وتصنيف حالات التآكل، ومنهجية Case-Based Reasoning (CBR) لإضافة ميزة “التعلّم المستمر” والتكيّف مع الحالات الجديدة غير المرئية سابقًا.

نوع العمل

بحث تطبيقي + تطوير نظام ذكاء اصطناعي موجّه لبيئات التشغيل/الخراطة (Turning).

تصنيف حالات تآكل حافة الأداة (Flank Wear – VB) إلى 4 مستويات: خفيف، متوسط، شديد، شديد جدًا، مع القدرة على اكتشاف حالة جديدة مثل Built-Up Edge (BUE) التي لم تُدرّب عليها الشبكة.

ميزات العمل (Value / Strengths)

دقة عالية في التصنيف (نتائج قوية على التدريب والتحقق).

قابلية التكيّف: عكس نماذج التعلم الخاضع التقليدية، النظام يقترح إنشاء “صنف جديد” عندما تظهر حالة غير موجودة في قاعدة المعرفة (مثل BUE) عبر CBR.

Pipeline كامل وقابل لإعادة الإنتاج: من جمع البيانات، التحسين بالـ augmentation، التدريب والتقييم، إلى دمج واجهة استعمال (HMI) تساعد المشغّل في القرار.

طريقة التنفيذ (كيف تم إنجاز العمل)

جمع البيانات تجريبيًا عبر خراطة جافة لمادة AISI 1045 وتصوير تآكل الأداة بمجهر/كاميرا رقمية وبناء قاعدة صور.

تقوية البيانات (Data Augmentation) بتغييرات مثل السطوع/التباين/القص/التكبير لرفع التعميم وتقليل عدم توازن الفئات.

تدريب CNN لاستخراج الخصائص والتصنيف باستعمال TensorFlow/Colab، ثم استعمال خرج الـSoftmax كميزات.

دمج CBR عبر KNN لاسترجاع أقرب الحالات من قاعدة الحالات، وإتاحة “التعلم من الحالات الجديدة” (Retrieve–Reuse–Revise–Retain).

التقييم عبر Accuracy/Precision/Recall/F1 + مصفوفة الالتباس، ثم اختبار حالة جديدة (BUE) لإثبات التكيّف.

واجهة HMI لعرض النتيجة للمستخدم بشكل عملي في سياق صناعي.