ناقشت كلية الهندسة الخوارزمي / قسم هندسة التصنيع المؤتمت رسالة الماجستير الموسومة “بنية التعلم المُقسّم الموزع القائمة على إنترنت الأشياء الصناعي لأغراض الصيانة التنبؤية” للطالبة حنين حسين عادل، وذلك يوم الأربعاء الموافق 3/6/2026 على قاعة مناقشات الكلية، حيث نالت الرسالة تقدير امتياز.
هدفت الرسالة إلى تطوير إطار عمل متقدم للصيانة التنبؤية المعتمدة على البيانات في بيئات إنترنت الأشياء الصناعي، لما تمثله من أهمية كبيرة في تعزيز موثوقية المعدات ورفع كفاءة التشغيل في المنشآت الصناعية الحديثة. وتأتي هذه الدراسة لمعالجة التحديات المرتبطة بالأنظمة المركزية للذكاء الاصطناعي، والتي تتطلب نقل البيانات الأولية إلى الخوادم المركزية، الأمر الذي يثير قضايا تتعلق بالخصوصية وقابلية التوسع وكفاءة الاتصال، فضلاً عن الحاجة إلى قدرات حسابية عالية لتشغيل نماذج التعلم العميق.
وتضمنت الأطروحة تصميم إطار عمل موزع يعتمد على تقنيتي التعلم المُقسّم (Split Learning – SL) والتعلم الموحد المُقسّم (Split Federated Learning – SFL)، مع إجراء مقارنة شاملة لأدائهما مع نماذج مركزية تعتمد على الشبكات العصبية العميقة (DNN) ونموذج SCINet.
واعتمد الجانب العملي للدراسة على منظومة تجريبية تتكون من ثلاثة محركات تيار متردد مجهزة بمستشعرات للاهتزاز والتيار ودرجة الحرارة، مرتبطة بأجهزة Raspberry Pi عبر بروتوكول I2C، بهدف جمع البيانات بصورة متزامنة وفعّالة. كما شملت قاعدة البيانات حالات تشغيل طبيعية وعدداً من الأعطال الصناعية المحاكاة، من بينها الاهتزاز العالي، والتيار الزائد، وارتفاع درجات الحرارة، والحمل المفرط، وتوقف المحرك عن الدوران، بما يحقق تمثيلاً واقعياً للبيئات الصناعية.
وأظهرت النتائج التجريبية كفاءة النماذج المقترحة، إذ حقق نموذج SCINet المركزي دقة اختبار بلغت (99.35%) مع أقل قيمة خسارة، فيما سجل نموذج التعلم المُقسّم (SL) أعلى أداء بدقة اختبار بلغت (99.46%)، مؤكداً قدرته العالية على التعميم والتنبؤ. كما حقق نموذج التعلم الموحد المُقسّم (SFL) دقة بلغت (97.89%) مع توفير مستوى أعلى من حماية الخصوصية وقابلية التوسع في البيئات الموزعة.
وخلصت الدراسة إلى أن تقنية التعلم المُقسّم تمثل خياراً فعالاً لتحقيق أداء تنبؤي عالي الدقة، في حين يوفر التعلم الموحد المُقسّم حلاً عملياً ومتوازناً للصيانة التنبؤية في البيئات الصناعية مع المحافظة على خصوصية البيانات وتعزيز كفاءة الأنظمة الموزعة.
