طراحی و پیاده سازی سامانه دستیار هوشمند نگهداشت فولاد مبتنی بر مدل های زبانی محلی (LLM) و بازیابی تقویت شده دانش (RAG)

استفاده از هوش مصنوعی (AI) و روش بازیابی تقویت شده دانش (RAG) در نگهداشت هوشمند تجهیزات صنعتی، گامی موثر در جهت افزایش قابلیت اطمینان، کاهش توقف های ناگهانی و بهینه سازی هزینه های تعمیر و نگهداری می تواند داشته باشد. در این روش، مدل های زبانی LLM با اتصال به پایگاه های دانش محلی و داده های عملیاتی، قادرند تحلیل های دقیق تری از وضعیت تجهیزات ارائه دهند و پیشنهادهای پیشگیرانه برای جلوگیری از خرابی های احتمالی ایجاد کنند. ترکیب AI و RAG به سیستم اجازه می دهد علاوه بر یادگیری از داده های گذشته، به صورت آنلاین به اطلاعات جدید مثل گزارشات و لاگ ها دسترسی یافته و تصمیم های نگهداشت را با دقت بیشتری پیشنهاد دهد. در این روش نه تنها موجب بهبود بهره وری فرایندهای نگهداشت می شود، بلکه نقش مهمی در تحول دیجیتال صنایع و حرکت به سوی کارخانه های هوشمند خواهد داشت. در این پژوهش، دستیاری هوشمند برای پشتیبانی از تصمیمات فنی مهندسان تعمیرات در صنعت فولاد طراحی و پیاده سازی شده است. این سامانه با استفاده از مدل زبانی محلی (Local LLM) و معماری بازیابی تقویت شده دانش (RAG)، قابلیت پاسخ گویی هوشمند به پرسش های تخصصی در حوزه تعمیرات و نگهداشت را فراهم می سازد. داده های مورد استفاده می تواند شامل مجموعه ای از گزارش های CMMS و مستندات فنی تجهیزات و دستورالعمل های سازمانی باشند. نتایج ارزیابی نشان داد که استفاده از LLM محلی در کنار RAG منجر به کاهش زمان جستجوی اطلاعات و افزایش دقت پاسخ ها نسبت به جستجوی دستی، و کاهش زمان پاسخ دهی شده است. همچنین کلیه PM های تعمیرات تجهیزات و موارد ایمنی آن با توجه به نوع سوال از دستیار هوشمند، برای اپراتور انجام دهنده نمایش داده خواهد شد. این مقاله ضمن ارائه معماری سامانه و تحلیل عملکرد، نشان می دهد که اجرای هوش مصنوعی محلی در محیط صنعتی فولاد می تواند گامی مهم در مسیر تحول دیجیتال نگهداشت باشد.

کلیدواژه ها:

نگهداشت هوشمند ، مدل زبانی بزرگ ، RAG ، فولاد ، CMMS ، دستیار هوشمند ، هوش مصنوعی