تحليل الأسباب الجذرية للحوادث آلياً باستخدام بيانات الإنتاج والحساسات
حين يحدث خلل في مصنع تصنيع، سواء أكان حادث سلامة، أم خروج جودة، أم عطل معدّات، فإن إيجاد السبب الجذري ضروري لمنع التكرار. أساليب تحليل الأسباب الجذرية (RCA) التقليدية كـ "الأسئلة الخمسة لماذا" ومخططات السمكة وتحليل شجرة الأخطاء أُطر قيّمة، لكنها تعتمد على قدرة المحققين على جمع البيانات ذات الصلة، والتعرف على الأنماط، وربط الأحداث عبر الزمن والأنظمة.
في التصنيع الحديث، البيانات ذات الصلة في الغالب متاحة لكنها مبعثرة عبر عشرات الأنظمة: قواعد بيانات السجلات التاريخية، وأنظمة إدارة الجودة، وسجلات الصيانة، وسجلات ERP، وملاحظات المشغّلين. وأدوات RCA المرتكزة على الذكاء الاصطناعي تُجمّع هذه البيانات وتُحدّد الارتباطات التي قد يُغفلها المحققون البشر.
اختناق التحقيق
تحقيقات RCA التقليدية مُستهلكة للوقت. يُجري المحقق مقابلات مع المشغّلين، ويُراجع سجلات العمل، ويسحب البيانات من أنظمة متفرقة، ويُنشئ خطاً زمنياً للأحداث. وللحوادث المعقّدة، قد تستغرق هذه العملية أياماً أو أسابيع. وخلال ذلك الوقت، قد تكون ظروف الإنتاج التي قادت إلى الحادث قد تغيّرت، فيصعب إعادة إنتاج آلية الفشل أو فهمها.
مشكلة أخرى هي التحيز. يُركّز المحققون طبيعياً على الأسباب المحتملة الأكثر بداهةً وقد لا يأخذون بالحسبان عوامل خارج مجال خبرتهم. مهندس جودة يُحقّق في عيب منتج قد لا يُفكّر في فحص سجلات نظام التكييف والتدفئة، حتى لو كان خروج الحرارة في المنشأة عاملاً مساهماً.
كيف يعمل RCA المرتكز على الذكاء الاصطناعي
تستوعب أنظمة تحليل الأسباب الجذرية بالذكاء الاصطناعي البيانات من كل المصادر المتاحة وتبحث عن ارتباطات مع الحادث. وتبدأ العملية بتعريف الحادث: ماذا حدث، ومتى، وما الأثر القابل للقياس (زيادة معدل العيوب، توقف الآلة، حادث سلامة، إلخ).
ثم يبحث الذكاء الاصطناعي رجوعاً في الزمن عبر كل مصادر البيانات عن تغيّرات أو شذوذ أو انحرافات سبقت الحادث. يفحص معاطيات العملية، وقراءات حساسات المعدّات، وتغيّرات دفعات المواد، والظروف البيئية، وتغيّرات الكوادر، وأنشطة الصيانة. وتُحدّد الأساليب الإحصائية وتعلّم الآلة أيٌّ من هذه العوامل أكثر ارتباطاً بنتيجة الحادث.
التعرّف على الأنماط عبر الحوادث
إحدى أقوى قدرات الذكاء الاصطناعي إيجاد الأنماط عبر حوادث متعددة. حادث واحد قد يكون له عدة أسباب جذرية محتملة. لكن إذا كشف الذكاء الاصطناعي أن انحراف معطية العملية ذاته سبق ثلاثة حوادث منفصلة خلال الأشهر الستة الماضية، يصبح الارتباط أقوى بكثير.
يستطيع الذكاء الاصطناعي أيضاً تحديد العوامل المشتركة في حوادث وقعت في أوقات مختلفة، أو على معدّات مختلفة، أو في خطوط منتجات مختلفة. هذه الأنماط المتقاطعة شبه مستحيلة الإيجاد على المحققين البشر لأن لا شخص واحد لديه رؤية عبر هذه المجالات كلها.
مثال عملي
تخيّل سيناريو حيث يبدأ خط تشكيل بإنتاج قطع بخشونة سطح مفرطة. التحقيق التقليدي قد يفحص تآكل الأدوات، ومعطيات القطع، وصلابة المادة. أما التحقيق المرتكز على الذكاء الاصطناعي فيفحص هذا كله إضافةً إلى تركيز سائل التبريد، والحرارة المحيطة، واتجاهات اهتزاز محور الدوران، وخصائص دفعات المواد الواردة، وتاريخ صيانة نظام توصيل سائل التبريد.
قد يكتشف الذكاء الاصطناعي أن أحداث خشونة السطح ترتبط بقوة بنطاق تركيز سائل تبريد بعينه يحدث حين يُعاني نظام مزج سائل التبريد عطلاً طفيفاً. ولم يُمَيَّز هذا العطل لأن تركيز سائل التبريد ظل ضمن نطاق المواصفات الاسمي. لكن الارتباط الإحصائي واضح، والإصلاح مباشر.
بناء قاعدة معرفة للتحقيق
كل RCA مكتمل يُضيف إلى قاعدة معرفة الذكاء الاصطناعي. وبمرور الزمن، يبني النظام مكتبة علاقات سبب وأثر خاصة بمنشأتك ومعدّاتك ومنتجاتك. وحين يحدث حادث جديد، يُقارنه الذكاء الاصطناعي بالأنماط المعروفة ويستطيع في الغالب اقتراح السبب الجذري الأرجح خلال دقائق، قبل أن يبدأ التحقيق الرسمي.
لمزيد عن قدرات الذكاء الاصطناعي التحليلية في التصنيع، طالع صفحة تحليل التصنيع لدى FirmAdapt.