بررسی نقش هوش مصنوعی در پیش بینی خرابی و نگهداری پیشگویانه سامانه های مکانیکی خودرو

تحول خودرو از یک سامانه مکانیکی نسبتا مستقل به یک سامانه پیچیده، شبکه ای و مجهز به مجموعه گسترده ای از حسگرها، واحدهای کنترل الکترونیکی و سامانه های پردازش داده، مفهوم نگهداری و تعمیرات را نیز دستخوش تغییر کرده است. در الگوی سنتی، بسیاری از اقدامات تعمیراتی بر اساس زمان، میزان کارکرد، تجربه تعمیرکار یا پس از وقوع خرابی انجام می شوند؛ رویکردی که در مورد سامانه های مکانیکی پیچیده می تواند به تعویض زودهنگام قطعات، افزایش هزینه های نگهداری یا، در نقطه مقابل، وقوع خرابی های ناگهانی منجر شود. نگهداری پیشگویانه با تکیه بر پایش وضعیت، تحلیل روندهای عملکردی و پیش بینی احتمال خرابی، تلاش می کند فاصله میان «تشخیص وضعیت موجود» و «تصمیم گیری درباره آینده سامانه» را کاهش دهد. در این میان، هوش مصنوعی و به ویژه یادگیری ماشین و یادگیری عمیق، امکان استخراج الگوهای غیرخطی و چندمتغیره از داده های حاصل از حسگرها، سامانه های عیب یابی، سوابق تعمیرات و شرایط بهره برداری را فراهم کرده اند.مقاله حاضر با رویکرد مروری تحلیلی، ادبیات علمی مرتبط با کاربرد هوش مصنوعی در پیش بینی خرابی و نگهداری پیشگویانه سامانه های مکانیکی خودرو را بررسی و ترکیب می کند. تمرکز اصلی بر موتور، سامانه انتقال قدرت، توربوشارژر، شمع، سامانه های چرخشی، تعلیق، ترمز و سایر اجزایی است که خرابی تدریجی آن ها قابلیت مشاهده در داده های عملکردی را دارد. تحلیل منابع نشان می دهد که الگوریتم های یادگیری ماشین در تشخیص الگوهای غیرعادی، طبقه بندی حالات خرابی، برآورد روند فرسایش و پیش بینی نیاز به تعمیر ظرفیت قابل توجهی دارند. همچنین مدل های عمیق، به خصوص شبکه های عصبی کانولوشنی و شبکه های حافظه دار، در پردازش داده های صوتی، ارتعاشی و سری های زمانی پیچیده مزیت هایی نشان داده اند.با این حال، کارآمدی هوش مصنوعی صرفا به انتخاب یک الگوریتم دقیق تر وابسته نیست. کیفیت داده، توازن کلاس های خرابی، تغییر شرایط رانندگی، تفاوت مدل های خودرو، کمبود داده های خرابی واقعی، قابلیت توضیح پذیری، امنیت داده و امکان انتقال مدل از یک خودرو یا ناوگان به محیطی دیگر، از عوامل تعیین کننده موفقیت سامانه های نگهداری پیشگویانه محسوب می شوند. بنابراین، نتیجه اصلی مقاله آن است که آینده نگهداری هوشمند خودرو نه در جایگزینی کامل دانش مکانیکی با هوش مصنوعی، بلکه در شکل گیری یک معماری ترکیبی قرار دارد که در آن داده های حسگری، دانش مهندسی، مدل های فیزیکی، یادگیری ماشین، تشخیص عیب، پیش بینی عمر باقی مانده و تصمیم گیری تعمیراتی در یک چرخه منسجم به یکدیگر متصل شوند.