التوأم الرقمي المتكامل مع التحكم التنبؤي في أنظمة التصنيع الذكية: نهج قائم على المحاكاة والذكاء الاصطناعي
الكلمات المفتاحية:
التجميع الروبوتي، خطأ الكينماتيكا، معايرة الشبكات العصبية، دمج المستشعرات، التكامل متعدد المستشعرات، دقة الروبوتات الصناعيةالملخص
تتطلّب مهام التجميع الروبوتي دقّة ميكرونية وموثوقية عالية. إلا أنّ التفاوتات الهندسية، والتآكل، وضوضاء المستشعرات تؤدي إلى حدوث أخطاء تموضعية كبيرة في الروبوتات الصناعية. يقترح هذا البحث منهجًا شاملاً يجمع بين تعويض أخطاء الكينماتيكا باستخدام تقنيات الذكاء الاصطناعي وبين دمج متعدد للمستشعرات في الزمن الحقيقي بهدف تحسين دقة عمليات التجميع.
في المرحلة الأولى، يستخدم خوارزم تعيير تكيفي قائم على الشبكات العصبية لتعلّم العلاقات غير الخطية المعقدة بين المواضع المأمورة والمواضع الفعلية لأداة النهاية. وقد أدى هذا التعويض غير المتزامن (Offline Compensation) إلى خفض خطأ التموضع في المحاكاة من حوالي 1.95 مم إلى 0.012 مم، وفي التجارب الواقعية من 0.469 مم إلى 0.084 مم.
وفي المرحلة الثانية، يتم دمج بيانات الرؤية والقوة والمستشعرات العطالية في الزمن الحقيقي لتصحيح الأخطاء المتبقية أثناء التشغيل. يمكن لخوارزميات دمج البيانات—مثل مرشحات كالمان الممتدة (EKF) أو الدمج المعتمد على الشبكات العصبية الالتفافية (CNN-based fusion)—تجميع معلومات الكاميرا وردود فعل القوة لاكتشاف حالات سوء المحاذاة وتصحيح حركة الروبوت بشكل لحظي. وتشير النتائج التجريبية الواردة في الدراسات المنشورة إلى أنّ مثل هذا الدمج يمكنه تقليل عدم اليقين في نقطة النهاية إلى نطاق الميكرومتر.
تم تقييم المنهج المدمج (التعويض بالذكاء الاصطناعي + دمج المستشعرات) على روبوت صناعي بستة محاور (مثل KUKA KR6) في سيناريو تجميع إلكتروني. وقد حقّق النظام المدمج تحسينًا بمقدار 4–5 مرات في الدقة النهائية للتموضع مقارنة بالخط الأساس، مع بقاء الخطأ تحت 0.05 مم، مع الحفاظ على القدرة على العمل في الزمن الحقيقي.
تشير هذه النتائج إلى أن الجمع بين المعايرة المعزّزة بالذكاء الاصطناعي والدمج الديناميكي للمستشعرات يمثّل توجّهًا واعدًا نحو تحقيق دقّة دون المليمتر في مهام التجميع الروبوتية.
المراجع
Chen, S., Sun, M., & Tian, Y. (2023). Error modeling and parameter calibration method for industrial robots based on 6-DOF position and orientation. Applied Sciences, 13(19), 10901. https://doi.org/10.3390/app131910901
Ul Haq, I., Carni, D. L., & Lamonaca, F. (2025). Intelligent robotic positioning through AI-enhanced metrology: Integration of standards, sensor fusion, and adaptive calibration. Acta IMEKO, 14(3), 1–14. https://doi.org/10.21014/actaimeko.v14i3.2124
Masalskyi, V., Dzedzickis, A., & Bučinskas, V. (2025). Hybrid mode sensor fusion for accurate robot positioning. Sensors, 25(10), 3008. https://doi.org/10.3390/s25103008
Pa-im, K., & Rodkwan, S. (2020). An analysis of joint assembly geometric errors affecting end-effector for six-axis robots. Robotics, 9(2), 27. https://doi.org/10.3390/robotics9020027
Tao, Y., Liu, H., Chen, S., Lan, J., & Xiao, W. (2023). An off-line error compensation method for absolute positioning accuracy of industrial robots based on differential evolution and deep belief networks. International Journal of Advanced Robotic Systems, 20(3). https://doi.org/10.1177/17298806231164453
Khanesar, M. A., Karaca, A., Yan, M., Piano, S., & Branson, D. (2025). Multi-objective intelligent industrial robot calibration using meta-heuristic optimization approaches. Robotics, 14(9), 129. https://doi.org/10.3390/robotics14090129
Xu, X., Zhang, L., Yang, J., Cao, C., Wang, W., Ran, Y., Tan, Z., & Luo, M. (2022). A review of multi-sensor fusion SLAM systems. arXiv preprint arXiv:2011.14327. https://arxiv.org/abs/2011.14327
Wang, M., Leung, K. Y., Liu, R., Song, S., Yuan, Y., Yin, J., Meng, M. Q.-H., & Liu, J. (2021). Dynamic tracking for microrobot with active magnetic sensor array. In Proceedings of the IEEE International Conference on Robotics and Automation (ICRA) (pp. 7288–7294). IEEE. https://doi.org/10.1109/ICRA48506.2021.9561710
Abdussalam Ali Ahmed, Abuali, T. M., & Belkher, A. A. A. (2025). The role of advanced robotics in enhancing human–machine collaboration. The Open European Journal of Engineering and Scientific Research (OEJESR), 1(1), 32–43. https://easdjournals.com/index.php/oejesr/article/view/22
Eltaeb, M. (2025). Improving precision in robotic assembly through AI-based kinematic error compensation and real-time sensor fusion. Journal of Libyan Academy Bani Walid, 1(4), 601–611.
