في عصر تتزايد فيه أهمية النسخ الرقمية (Digital Twins) لمراقبة وتحسين الأنظمة الصناعية، ظهرت الحاجة إلى أطر أكثر كفاءة وقابلية للتفسير. يأتي هنا دور ANSR-DT، الإطار العصبي الرمزي الجديد الذي يجمع بين الكشف عن الشذوذ الزمني (Temporal Anomaly Detection)، والاستدلال الرمزي (Symbolic Reasoning)، ودعم اتخاذ القرار المعتمد على التعلم المعزز (Reinforcement Learning) ضمن خط أنابيب واحد للنسخ الرقمية.

يتميز ANSR-DT باستخدام نموذج CNN-LSTM لتمييز الأنماط المتعددة المتغيرات، مع اعتماد قاعدة بيانات قائمة على Prolog لتحويل الإشارات المكتسبة إلى قواعد واضحة، مما يساعد في الحصول على تشخيصات شفافة ومسارات قرار واضحة. كما يحتوي على طبقة تكيف تعتمد على خوارزمية PPO، مما يتيح تحسين استجابات التشغيل في ظروف متغيرة مع الحفاظ على القابلية للفهم.

تظهر التجارب ضد 8 نماذج أساسية أن ANSR-DT يقدم أداءً تنبؤيًا تنافسياً، بالإضافة إلى استخراج قواعد مستقرة، واستنتاج رمزي قابل للتوسع، وتفسيرات قابلة للتنفيذ. تم التحقق من صحة هذا الإطار على معيار Skoltech Anomaly Benchmark (SKAB)، مما يدل على قدرته على التكيف بين البيئات الصناعية الحقيقية وليس فقط في الإعدادات الاصطناعية.

بتلك النتائج، يتبوأ ANSR-DT مكانة بارزة كقاعدة عملية للنسخ الرقمية الصناعية القابلة للتكيف والتفسير، مما يسهم في تعزيز الثقة في تقنيات الذكاء الاصطناعي المستخدمة في الصناعة الحديثة.