Wear Prognosis: Performance evaluation of SVM, SVM NN, SVM KNN approaches

هذا العمل عبارة عن بحث علمي تطبيقي في التصنيع الذكي (Intelligent Manufacturing) يهدف إلى بناء نظام مراقبة حالة أداة القطع (Tool Condition Monitoring – TCM) اعتمادًا على الرؤية الحاسوبية وخوارزميات التعلم الآلي لتقييم تآكل حافة الأداة (Flank Wear – VB) ودعم قرار “صالحة للاستعمال / يجب الاستبدال”.

1) نوع العمل

بحث تطبيقي + تطوير Pipeline ذكاء اصطناعي قابل للتنفيذ صناعيًا لمراقبة تآكل أدوات الخراطة (Turning).

المهمة الأساسية: تصنيف حالة الأداة إلى فئتين واضحتين اعتمادًا على معيار VB:

Normal: الاحتفاظ بالأداة عندما

?

?

<

270

?

?

VB<270μm

Abnormal: استبدال الأداة عندما

?

?

>

270

?

?

VB>270μm

2) ميزات العمل (القيمة المضافة)

حل عملي كامل: من بناء قاعدة بيانات صور الأدوات، إلى التدريب والاختبار، ثم التقييم بمؤشرات أداء معيارية (Accuracy/Precision/Recall/F1 + Confusion Matrix + ROC/AUC).

مقارنة منهجية بين عدة نماذج لاختيار الأفضل:

SVM

SVM مدمج مع NN

SVM مدمج مع KNN

نتائج قوية تُظهر أن الدمج مع الشبكات العصبية يرفع الأداء بشكل واضح (أفضلية SVM+NN مقارنةً بالبدائل بعد التدريب الكافي).

3) طريقة التنفيذ (كيف تم إنجاز العمل)

جمع البيانات تجريبيًا: تصوير أدوات القطع بعد التشغيل باستخدام مجهر رقمي/كاميرا مع إعدادات تصوير ثابتة، ضمن بيئة خراطة فعلية على مخرطة تقليدية (SN40).

بناء قاعدة البيانات وتقسيمها: تجهيز صور “Normal/Abnormal”، ثم تقسيم البيانات بنسبة 80% تدريب / 20% اختبار لضمان تقييم عادل على بيانات غير مرئية.

تحسين البيانات (Data Augmentation) لزيادة التعميم وتقليل حساسية النموذج للإضاءة/الزاوية: تدوير، إزاحة أفقية/عمودية، Shear، Zoom، قلب أفقي… والوصول إلى 1000 صورة لكل فئة بعد التعزيز.

تطوير النماذج وتدريبها على Python (Google Colab) ثم اختبارها ومقارنة الأداء بين SVM ونسخها المدمجة.

التقييم والتحليل باستخدام: مصفوفات الالتباس، منحنيات التحقق (Validation Curves)، ومنحنى ROC/AUC لاختيار النموذج الأكثر موثوقية للاستخدام الصناعي.