حتماً تا حالا شنیدید که خرابی دستگاه‌ها توی کارخونه‌ها چقدر میتونه دردسر درست کنه، هم ممکنه حسابی خسارت بزنه هم کل کار رو بخوابونه. واسه همین تعمیر و نگهداریِ به‌موقع خیلی مهمه. حالا یه روش خیلی باحال و جدید اومده به اسم «PARAM» که خلاصه‌اش همون “Prescriptive Agents based on Rag for Automated Maintenance” هست.
تو این روش، دیگه فقط دنبال این نیستن که مثلاً یه خرابی رو پیدا کنن (که بهش میگن anomaly detection یا همون تشخیص خرابی عجیب و غریب)، بلکه اصلاً پا رو فراتر گذاشتن و میگن: اوکی حالا که مشکل رو فهمیدی، دقیقاً باید چه کار بکنی؟ یعنی هوش مصنوعی نه تنها مشکل رو پیدا می‌کنه، بلکه نسخه هم می‌پیچه!
اینا از یه مدل زبون خیلی قوی به اسم LLM (Large Language Model یعنی مدلی که میتونه با کلی اطلاعات متنی کار کنه و گفتگومحور باشه) استفاده کردن. جالبه که حتی داده‌های لرزش بلبرینگ (بلبرینگ رو همه می‌شناسیم؛ اون تیکه‌ای تو دستگاه که باعث میشه قطعات راحت بچرخن) رو هم به زبان طبیعی در میارن! یعنی مثلاً اون عددها و فرکانس‌هایی مثل BPFO، BPFI، BSF، FTF (این‌ها هرکدوم یه نوع فرکانس مشخص توی بلبرینگ هست که نشون میده ایراد کجا میتونه باشه) تبدیل می‌شن به جمله و بخش‌های قابل فهم واسه مدل هوش مصنوعی، طوری که مثل یک کارشناس واقعی میتونه ایراد رو بفهمه.
مدل بلافاصله نوع خرابی رو هم مشخص می‌کنه که این خودش واقعاً باحاله:
- اگر ایراد توی حلقه داخلی بلبرینگ باشه (Inner race fault)
- یا تو حلقه خارجی (Outer race fault)
- یا اگر توپک یا رولر مشکل داشته باشه (Ball/Roller fault)
- یا اینکه قفسه بلبرینگ کج و کوله شده باشه (Cage fault)
حتی شدت خرابی رو هم میگه تا بدونی اوضاع چقدر بحرانیه.
حالا نقطه قوت “پارام” فقط این نیست! این سیستم یه بخش هوشمند چند بخشی هم داره (که بهش میگن multi-agentic component). این بخش می‌ره توی دفترچه راهنمای تعمیر (Maintenance manual یعنی همون دفترهای قطور که معمولاً رو قفسه خاک می‌خورن!)، و با فناوری به اسم embedding برداری و جستجوی معنایی، اطلاعات مهم رو پیدا می‌کنه.
Embedding یعنی تبدیل اطلاعات به یه شکل عددی که کامپیوتر بتونه راحت‌تر باهاش کار کنه و بفهمه کدوم قسمت‌ها شبیه به همن. جستجوی معنایی هم یعنی دیگه دنبال کلمات عیناً نمی‌گرده، بلکه مفهوم رو می‌فهمه و هرچی مربوطه، میاره جلوت.
حتی این سیستم میتونه بره توی اینترنت سرچ کنه و اطلاعات به روز و بهترین روش‌های نگهداری دنیا رو هم پیدا کنه. اینجوری دیگه کلیشه‌ای عمل نمی‌کنه و نسخه‌ای که میده همیشه جدیدترین و پربارترینه.
کار آخرش رو هم با مدل Gemini انجام میده (Gemini هم یه مدل هوش مصنوعی خیلی پیشرفته‌است)، که برات نسخه معتبری از همه چی درست می‌کنه. مثلاً:
- کارهایی که فوری باید انجام بشه
- لیست کارهای بازرسی
- اینکه چه قطعه‌ای باید عوض بشه
- چقدر باید برای تعمیر، زمان بذاری
- و حتی میگه کدوم قطعه‌ها لازمه از قبل بخری
برای تست هم اومدن همین بازی رو روی دیتاست‌های بلبرینگ امتحان کردن (دیتاست یعنی مجموعه اطلاعات واقعی)، و دیدن به خوبی میتونه هم خرابی رو پیدا کنه، هم پیشنهادهای مرتبط بهت بده.
در واقع این سیستم تونست یه فاصله بزرگ رو پر کنه؛ یعنی از اینکه فقط بفهمی دستگاه خراب شده، برسی به جایی که دقیقاً برنامه‌ی تعمیر و نگهداریت رو بچینی. این خیلی به کار مهندسای صنعت میاد، چون دیگه کلی وقت و انرژی صرف حدس زدن و آزمون و خطا نمی‌شه.
در نهایت، این روش نشون میده چطوری هوش مصنوعی و مدل‌های بزرگ زبانی مثل LLM دارن شکل آینده‌ی تعمیر و نگهداری رو عوض می‌کنن؛ مخصوصاً توی کارخونه‌ها و ماشین‌آلات بزرگ. هم هوشمنده، هم قابل گسترش، هم مدلش جوریه که تو هر بخش صنعتی میشه ازش استفاده کرد. خلاصه: آینده تعمیر و نگهداری احتمالاً خیلی هوشمندتر و راحت‌تر شده!
منبع: +
