Viendeshi vya injini za umeme zinazotumiwa katika mashine za viwandani mara nyingi hurekebishwa kwa mkono na mafundi wataalamu wakati wa kuanzisha. Mchakato huu wa urekebishaji ni muhimu ili injini iweze kujibu haraka, kufanya kazi kwa uthabiti, kueyumba kupita kiasi, na kufuatilia kwa usahihi mkondo unaohitajika.

Utafiti huu ulioandaliwa na David Petrovic, Gian Antonio Susto na Angelo Cenedese unatumia mbinu ya uboreshaji inayotegemea data inayoitwa Bayesian Optimization ili kurekebisha kiotomatiki mzunguko wa udhibiti wa mkondo wa kiendeshi cha injini ya kiwandani. Mfumo unachukulia kiendeshi cha injini kama sanduku jeusi; yaani, hautaji modeli kamili ya hisabati ya injini. Katika kila jaribio, vigezo tofauti vya udhibiti hutumwa kwa vifaa halisi, majibu ya injini hupimwa, na algorithimu hujaribu kupata marekebisho bora zaidi katika jaribio linalofuata.

Upande wa kuvutia wa utafiti ni huu: mbinu haikujaribiwa tu kwenye uigaji, bali pia kwenye kiendeshi halisi cha injini ya kiwandani. Matokeo yanaonyesha kuwa mbinu ya kiotomatiki inaweza, ndani ya dakika chache, kutoa matokeo karibu na marekebisho ya mtaalamu, na katika baadhi ya vigezo hata bora zaidi. Hata hivyo, kwa kuwa utafiti ulifanywa tu katika hali zisizo na mzigo na kwenye mpangilio mmoja wa injini-kiendeshi, uthibitishaji mpana zaidi katika hali halisi za kiwanda unahitajika.

Tatizo ni nini?

Injini za umeme za viwandani hutumika katika viwanda kutoka kwa conveyor hadi mifumo ya robotiki, kutoka kwa mashine za ufungaji hadi zana za CNC. Ili injini hizi zifanye kazi kama inavyotakiwa, mizunguko ya udhibiti ndani ya kiendeshi inahitaji kurekebishwa vizuri.

Katika mizunguko hii ya udhibiti, kwa kawaida hutumika vidhibiti vya PI au PID. Kwa ufupi, vidhibiti hivi hujaribu kukaribia tabia halisi ya injini kwa tabia inayolengwa. Kwa mfano, ikiwa kiendeshi cha injini kinahitaji thamani fulani ya mkondo, kidhibiti hukaribia mkondo halisi kwa thamani hiyo.

Tatizo ni hili: urekebishaji huu si rahisi kila wakati. Ikiwa vigezo vitachaguliwa chini sana, mfumo unaweza kujibu polepole. Ikiwa vitachaguliwa kwa ukali mno, kunaweza kutokea kupita lengo, mtetemo au mzunguko wa kutetemeka. Katika tasnia, marekebisho haya mara nyingi hutegemea uzoefu wa mafundi wenye ujuzi. Hii inachukua muda, inategemea mtu, na inaweza kuwa ngumu kusawazisha katika mashine tofauti.

Lengo la watafiti ni kukaribia hatua moja zaidi kuelekea kuotomatisha mchakato huu wa urekebishaji wa mkono.

Mbinu inapendekeza nini?

Utafiti unazingatia kurekebisha vigezo viwili muhimu vya PI katika mzunguko wa udhibiti wa mkondo wa kiendeshi cha injini:

• Kp: Faida ya uwiano. Huamua jinsi mfumo unavyojibu kwa nguvu wakati kosa linapotokea.
• Ki: Faida ya kiintegrali. Hujaribu kupunguza kosa linalojikusanya kwa muda.

Watafiti hujaribu vigezo hivi viwili moja kwa moja kwenye vifaa halisi. Mbinu inafanya kazi kwa mantiki ifuatayo:

1. Algorithimu huchagua thamani moja ya Kp na Ki.
2. Thamani hizi hutumwa kwa kiendeshi cha injini.
3. Rejeleo la mkondo lililopangwa awali hutumika kwenye kiendeshi.
4. Majibu halisi ya mkondo wa kiendeshi hupimwa.
5. Kulingana na majibu yaliyopimwa, vigezo vya utendaji kama kosa, kupita lengo na mzunguko wa kutetemeka huhesabiwa.
6. Algorithimu hujifunza kutoka kwa majaribio ya awali na kupendekeza jozi mpya ya vigezo.

Mbinu inayotumika hapa ni Bayesian Optimization, yaani uboreshaji wa Bayesian. Mbinu hii hutumika hasa pale kila jaribio linapokuwa ghali au linachukua muda. Kwa sababu badala ya kujaribu kila uwezekano mmoja baada ya mwingine, hujaribu kuchagua marekebisho yenye matumaini zaidi kwa kutumia maarifa kutoka kwa majaribio ya awali.

Moja ya mambo muhimu ya makala ni kwamba mfumo hautaji modeli kamili ya hisabati ya injini. Watafiti wanachukulia kiendeshi kama “sanduku jeusi”. Yaani, wanaendelea tu kwa taarifa ya “tulijaribu marekebisho haya, mfumo ulijibu hivi”.

Katika utafiti, Bayesian Optimization inayotegemea TPE inasisitizwa hasa. TPE ni kifupi cha Tree-structured Parzen Estimator. Badala ya kudhania uso laini na endelevu wa hisabati, mbinu hii hutafuta kwa takwimu maeneo ya vigezo yanayotoa matokeo mazuri. Hii inaweza kutoa faida kwa vipimo vyenye kelele, idadi ndogo ya majaribio, na vigezo vilivyochaguliwa kama namba kamili.

Fomula zinasema nini?

Fomula katika makala zinaweza kuonekana ngumu mwanzoni; lakini wazo kuu ni rahisi kuelewa: algorithimu haitazami kipimo kimoja tu cha mafanikio. Hujaribu kuboresha vigezo vinne tofauti kwa wakati mmoja.

Watafiti hutathmini utendaji kwa vigezo vinne vifuatavyo:

1. IAE – Jumla ya kosa kamili
IAE hupima ukubwa wa jumla wa tofauti kati ya mkondo lengwa na mkondo halisi. Thamani inapokuwa chini zaidi, inaonyesha kuwa mfumo unafuatilia lengo vizuri zaidi.

2. ITAE – Kosa lililopimwa kwa uzito wa muda
ITAE huadhibu zaidi makosa yanayopungua polepole. Yaani, hata kama mfumo ulifanya kosa mwanzoni lakini ukapona haraka, unachukuliwa kuwa bora; ikiwa kosa linaendelea kwa muda mrefu, alama inazidi kuwa mbaya.

3. OS – Kupita lengo
Kupita lengo kunaonyesha jinsi mfumo unavyozidi thamani lengwa. Kwa mfano, ikiwa lengo ni ampea 1, mfumo unaweza kwa muda mfupi kupita juu yake. Kupita huku katika baadhi ya matumizi ni tabia isiyotakiwa.

4. OSC – Kipimo cha mzunguko / mtetemo
Kipimo hiki kinahusu swali la kama mfumo bado unatetemeka baada ya kukaribia lengo. Katika viendeshi vya viwandani, mzunguko usiohitajika unaweza kusababisha joto kupita kiasi, ufanisi mdogo, mkazo wa mitambo au matatizo ya ubora.

Mantiki kuu ya fomula katika makala inaweza kufupishwa hivi:

“Marekebisho bora” si namba moja. Marekebisho moja yanaweza kuwa ya haraka lakini kupita lengo kupita kiasi. Mengine yanaweza kuwa laini zaidi lakini kufikia lengo polepole zaidi. Kwa hiyo watafiti hutumia mbinu inayoitwa Pareto-optimal.

Suluhisho la Pareto-optimal linamaanisha hivi: ikiwa ili kuboresha marekebisho moja unahitaji kutoa kipimo kingine, marekebisho hayo ni sehemu ya usawa inayofaa. Yaani, badala ya kutafuta “mshindi kamili” mmoja, algorithimu hujaribu kupata chaguo nyingi nzuri za marekebisho zinazofaa vipaumbele tofauti vya matumizi.

Ikiwa kuna grafu / jedwali / mchoro, ujumbe kuu ni nini?

Picha na jedwali katika makala zinampa msomaji ujumbe kuu ufuatao:

Mchoro / picha ya mpangilio wa majaribio:
Watafiti hawakuaacha mbinu kwenye uigaji wa kompyuta tu. Walitumia kiendeshi halisi cha injini ya kiwandani, brushless AC motor, na kompyuta ya nje. Kompyuta iliwasiliana na kiendeshi kupitia Modbus. Hii ni muhimu kwa kuonyesha kuwa mbinu inaweza kuunganishwa na vifaa halisi vya viwandani.

Grafu ya hypervolume:
Grafu ya utendaji katika makala inaonyesha jinsi mbinu tofauti za uboreshaji zinavyoongeza ubora wa suluhisho la Pareto kadri majaribio yanavyoendelea. Kwa kuwa majaribio 10 ya kwanza yalikuwa ya nasibu, mbinu zinaanza karibu. Baadaye mbinu inayotegemea TPE inaonyesha uboreshaji wa haraka zaidi. Hii inaashiria uwezo wa kupata marekebisho mazuri haraka zaidi ndani ya bajeti ndogo ya majaribio.

Grafu za usambazaji wa Kp na Ki:
Grafu za nafasi ya vigezo katika makala zinaonyesha kuwa mchanganyiko tofauti wa Kp na Ki hutoa matokeo tofauti ya utendaji. Baadhi ya maeneo hutoa kosa dogo, mengine hutoa kupita lengo au mzunguko zaidi. Ujumbe kuu ni huu: vigezo vya udhibiti havitengani; tabia ya mfumo inabadilika pale Kp na Ki zinapochaguliwa pamoja.

Jedwali la ulinganisho:
Jedwali linalinganisha mbinu za Random Search, Bayesian Optimization inayotegemea GP, na Bayesian Optimization inayotegemea TPE katika idadi tofauti za majaribio. Mbinu ya TPE inajitokeza hasa kwa kupata seti pana zaidi ya suluhisho za Pareto na tabia ya kukaribia mapema. Mbinu inayotegemea GP inaweza kutoa matokeo yenye nguvu sana katika baadhi ya vipimo vya mwisho; hata hivyo, TPE inaonekana yenye usawa zaidi kwa mtazamo wa vitendo vya viwandani kulingana na kasi, mzigo mdogo wa hesabu, na utofauti wa suluhisho.

Mikunjo ya majibu:
Grafu za majibu ya mkondo katika makala zinalinganisha tabia ya marekebisho ya mtaalamu na yale yaliyochaguliwa kiotomatiki. Ingawa mbinu ya kiotomatiki inatoa matokeo bora katika baadhi ya vigezo vya kosa na mzunguko kuliko marekebisho ya mtaalamu, marekebisho ya mtaalamu yanaweza kuonyesha kupita lengo kwa kiwango cha chini. Hii ni moja ya pande za uaminifu wa utafiti: mbinu si bora kabisa katika kila kipimo; inaweka usawa kati ya malengo tofauti ya utendaji.

Majaribio yalifanywaje?

Majaribio yalifanywa kwenye mfumo halisi wa kiendeshi cha injini ya kiwandani. Injini iliyotumika ni brushless AC motor yenye thamani ya 230 V, miti 6, mkondo wa kawaida wa 1.8 A, na kasi ya kawaida ya 3000 rpm.

Utafiti unazingatia mzunguko wa ndani kabisa wa udhibiti wa kiendeshi cha injini — mzunguko wa mkondo. Mizunguko ya nje ya udhibiti kama kasi na nafasi haikubadilishwa. Hivyo, jaribio linalenga hasa kuchunguza tabia ya udhibiti wa mkondo wa umeme.

Katika majaribio, injini ilifanya kazi bila mzigo. Pia, rejeleo la mkondo wa mhimili wa q lilihifadhiwa kuwa sifuri. Hii ilizuia uzalishaji wa torque na kutoa mazingira salama zaidi na yanayoweza kurudiwa ya majaribio.

Rejeleo la mkondo lenye umbo la mpigo wa mstatili lilitumika kwenye mfumo. Katika hatua ya tuning, hatua chanya ya mkondo ya takriban 1.53 A kwa muda wa 40 ms ilitumika. Pia, kidhibiti kilichochaguliwa kilijaribiwa kwa ishara tofauti ya uthibitishaji ambayo haikutumika wakati wa tuning: hatua hasi ya mkondo yenye ukubwa wa takriban -2.55 A na muda wa 60 ms.

Masafa ya vigezo kwa Kp na Ki yaliwekwa kati ya 500 na 10000. Vigezo vilichukuliwa kama namba kamili. Hii ni muhimu; kwa sababu vifaa halisi vya viwandani havikubali kila wakati vigezo kwa usahihi usio na kikomo.

Majaribio yalifanywa kwa bajeti za majaribio 15, 20, 30, 50 na 100. Kwa kila bajeti, marudio 5 huru yalitumiwa. Hivyo, iliweza kuchunguzwa ikiwa matokeo yalitegemea bahati moja tu au la.

Mbinu zilizolinganishwa ni hizi:

• Marekebisho ya fundi mtaalamu
• Random Search, yaani utafutaji wa nasibu
• Bayesian Optimization inayotegemea GP
• Bayesian Optimization inayotegemea TPE

Matokeo yanaonyesha nini?

Matokeo yanaonyesha kuwa uboreshaji wa kiotomatiki unaweza kukaribia marekebisho ya mtaalamu kwenye vifaa halisi na katika baadhi ya vigezo hata kuyazidi.

Kwa mfano, katika matokeo ya Bayesian Optimization inayotegemea TPE yenye majaribio 30, ripoti inaonyesha uboreshaji wa takriban 30% katika kipimo cha IAE na takriban 27% katika kipimo cha ITAE ikilinganishwa na marekebisho ya mtaalamu. Hii inamaanisha kuwa mfumo unaweza kufuatilia mkondo lengwa vizuri zaidi na kwa haraka zaidi.

Mbinu inayotegemea TPE pia inaonekana yenye nguvu katika kupunguza mzunguko. Hata hivyo, marekebisho ya mtaalamu yanatoa kupita lengo kwa kiwango cha chini. Hii ni tofauti muhimu: mbinu ya kiotomatiki haifanyi kila kitu kuwa bora kwa wakati mmoja; inaweka usawa kati ya malengo tofauti.

Wakati majaribio yanapofikia 100, mbinu ya TPE inapata seti pana zaidi ya suluhisho za Pareto. Hii inamaanisha chaguo nyingi zaidi nzuri zinazoweza kuchaguliwa kulingana na vipaumbele tofauti badala ya marekebisho moja. Kwa mfano, katika baadhi ya matumizi majibu ya haraka yanaweza kuwa kipaumbele, wakati katika mengine tabia laini na yenye mzunguko mdogo inaweza kuwa muhimu zaidi.

Kuna pia matokeo ya vitendo upande wa muda. Majaribio 15 yalichukua takriban dakika 1.5, na majaribio 100 yalichukua takriban dakika 12. Mbinu inayotegemea GP ilifikia takriban dakika 18 katika majaribio 100. Kwa sababu katika mbinu inayotegemea GP mzigo wa hesabu wa modeli ni mkubwa zaidi. TPE inajitokeza kama chaguo nyepesi na la haraka zaidi chini ya hali za vifaa halisi katika utafiti huu.

Kwa nini hii ni muhimu?

Katika otomatiki ya viwandani, mchakato wa kuanzisha unachukua muda. Kila mashine, kila injini na kila hali ya mzigo haionyeshi tabia sawa. Kwa hiyo, urekebishaji wa kidhibiti mara nyingi huhitaji uzoefu.

Utafiti huu unaonyesha kuwa siku zijazo baadhi ya michakato ya urekebishaji inaweza kuwa ya kiotomatiki zaidi, inayoweza kupimwa zaidi, na ya kawaida zaidi. Ni muhimu hasa katika vipengele vifuatavyo:

• Inaweza kupunguza utegemezi kwa fundi mtaalamu.
• Inaweza kufupisha muda wa kuanzisha.
• Inaweza kutoa chaguo nyingi nzuri za marekebisho kwa vipaumbele tofauti vya utendaji.
• Inaweza kufanya kazi bila kubadilisha firmware ya kiendeshi iliyopo.
• Kwa kuwa inaendelea kwa vipimo kutoka kwa vifaa halisi, haitoki kabisa kwa uigaji.

Mbinu hii inaweza kufungua milango kwa mawazo sawa ya urekebishaji wa kiotomatiki si tu kwa viendeshi vya injini, bali pia katika mifumo mingine ya udhibiti wa viwandani.

Mambo yanayostahili kuzingatiwa

Ingawa utafiti huu ni wa kutia moyo, kuna baadhi ya vikwazo.

Kwanza, majaribio yalifanywa tu katika hali zisizo na mzigo. Katika mifumo halisi ya viwandani, injini mara nyingi hufanya kazi chini ya mzigo. Mabadiliko ya mzigo, msuguano wa mitambo, hali za uzalishaji na mipaka ya usalama yanaweza kuathiri matokeo.

Pili, utafiti ulifanywa kwenye mpangilio mmoja wa injini-kiendeshi. Vipimo tofauti vinahitajika kwa viendeshi vya watengenezaji tofauti, aina tofauti za injini, na madarasa tofauti ya nguvu.

Tatu, kwa kuwa mbinu hujaribu kwenye vifaa halisi, mipaka ya usalama ni muhimu sana. Vigezo visivyo sahihi vinaweza kusababisha mkondo kupita kiasi, mtetemo au hatari ya mitambo katika baadhi ya mifumo. Kwa hiyo katika matumizi ya viwandani, mipaka ya ulinzi, taratibu salama za majaribio na usimamizi wa uhandisi unahitajika.

Nne, makala inaonekana kuwasilishwa kama preprint ya arXiv. Kwa hiyo, ingawa matokeo yana thamani, mchakato wa uchapishaji wa peer-review na uthibitishaji mpana zaidi wa majaribio bado ni muhimu kwa pekee.

Hitimisho

Utafiti huu unaonyesha kuwa uboreshaji wa Bayesian unaweza kuwa chaguo la vitendo kwa kurekebisha kiotomatiki mzunguko wa udhibiti wa mkondo wa viendeshi vya injini za viwandani. Watafiti, bila kutumia modeli kamili ya hisabati ya injini, hujaribu kupata vigezo vizuri vya udhibiti kupitia majaribio ya mzunguko fungwa kwenye vifaa halisi.

Matokeo yanaonyesha kuwa mbinu ya Bayesian Optimization inayotegemea TPE inafaa vizuri na hali halisi za viwandani kama idadi ndogo ya majaribio, vipimo vyenye kelele, na vigezo vya namba kamili. Mbinu haizidi marekebisho ya mtaalamu katika kila kipimo; hata hivyo, inatoa matokeo bora katika baadhi ya vigezo vya kosa na mzunguko, na pia inatoa seti pana zaidi ya chaguo nzuri za marekebisho.

Kutoka kwa mtazamo wa Verianla, ujumbe kuu wa makala hii ni huu: hata kama desturi ya “urekebishaji wa mkono” katika otomatiki ya viwandani haitatoweka kabisa, mbinu za uboreshaji zinazotegemea data zinaweza kufanya michakato ya kuanzisha kuwa ya haraka zaidi, inayoweza kupimwa zaidi, na inayoweza kurudiwa. Hata hivyo, majaribio mapana zaidi na uthibitishaji wa usalama ni lazima kwa hali halisi za kiwanda.

Kidokezo cha chanzo na mbinu

Maudhui haya yameandaliwa kwa uhuru katika muundo wa uhariri wa Verianla kwa kutumia kazi ya kitaaluma yenye jina “Towards Autonomous Commissioning of Industrial Drives via Multi-Objective Bayesian Optimization” iliyoandaliwa na David Petrovic, Gian Antonio Susto na Angelo Cenedese. Utafiti unaonekana kwenye arXiv kama preprint ya tarehe 27 Mei 2026.

Andiko hili si tafsiri neno kwa neno; mbinu, mpangilio wa majaribio, fomula, grafu, jedwali na matokeo katika makala yamerahisishwa na kuelezwa upya kwa msomaji wa Kiswahili. Maudhui yana lengo la kutoa taarifa na elimu. Hayachukui nafasi ya uthibitishaji wa kitaalamu wa uhandisi, taratibu za usalama, au nyaraka za mtengenezaji kwa urekebishaji wa injini, kiendeshi, mfumo wa udhibiti au mstari wa uzalishaji wa viwandani.