در این پژوهش سه هدف دنبال خواهد شد، اولین هدف، خواندن داده­‌های ECU است. ازآنجاکه ECU، اطلاعات مفید و مهمی را از بخش­‌های مختلف خودرو جمع‌­آوری می­کند، این داده‌­ها در سیستم نگهداری پیشگویانه اهمیت بسیاری پیدا می‌کنند.

 هدف دوم، توسعه مدلی مبتنی بر هوش مصنوعی است که بتواند طول عمر قطعات خودروها را باتوجه به سابقه قطعات مشابه، کارکرد ماشین و نوع رفتار راننده تخمین بزند. به این منظور، ابتدا باید داده­های متناسب با آن جمع­‌آوری شوند که یکی از مهم‌ترین بخش‌­های پژوهش است. این داده‌­ها می‌­توانند از منابع متفاوتی جمع­آوری شوند. یکی از این منابع، داده­‌های GPS است که با استفاده از آن‌ها می­توان رفتار راننده را از قبیل حرکت‌­های شتاب­دار، ترمز­های ممتد و زیاد تشخیص داد. منبع دیگر، داده­‌های مربوط به خرابی، تعمیر و تعویض قطعات خودرو است. این نوع داده‌­ها می­توانند باتوجه به کیلومتر کارکرد و مدت‌زمان کارکرد قطعه در کنار داده‌­های GPS منجر به استخراج ویژگی­‌های مهم و ارزشمندی برای تعداد محدودی از قطعات و سرویس‌­های دوره­ای خودرو همچون تعویض روغن‌موتور، تعویض روغن ترمز، عمر مفید لاستیک، لنت ترمز و غیره شوند. برای پیش­‌بینی عمر قطعات، داده­‌هایی با اطلاعات بیشتر همچون داده­‌های ارسالی از ECU ماشین مورد نیاز است که علاوه بر افزایش دقت مدل (در تخمین طول عمر سرویس­‌های دوره­ای و قطعاتی که پیش­تر گفته شد)، عمر قطعات مهم‌­تری همچون تسمه تایم، یاتاقان، اجزای گیربکس و غیره را نیز می­توان تخمین زد.

جنبه تحقیقاتی این گام، تعیین طول عمر قطعاتی است که با استفاده از داده‌­های موجود از قبیل داده‌های GPS، داده‌های خرابی قطعات مشابه و داده‌های عملکرد گذشته قطعات می­توان طول عمر آن­ها را تخمین زد و سپس توسعه یک مدل مبتنی بر یادگیری ماشین و یادگیری عمیق که بتواند باتوجه به رفتار راننده از داده‌­های GPS و داده‌­های تعمیر و نگهداری قطعات، طول عمر این قطعات را آموزش ببیند و سپس پیش­بینی کند. باتوجه به ماهیت داده‌­های GPS، این داده‌­ها برچسب‌گذاری نشده‌­اند و به این منظور می­توان از سامانه تعمیرات و نگهداری شرکت متقاضی استفاده نمود.

این سامانه، علاوه بر ثبت و ذخیره داده­‌های GPS خودروها، زمان تعویض و خرابی قطعات و همچنین زمان انجام سرویس­‌های دوره­ای برای خودروها را ثبت می‌نماید. با استفاده از این داده­های ثبت شده، علاوه بر اهمیت این داده‌­ها در فاز آموزش مدل، می­توان داده‌­های بدون برچسب را برچسب‌گذاری نمود. ساختار کلی ذخیره‌­سازی داده‌ها به‌صورت NoSQL است و از پایگاه‌دادة Mongo DB استفاده می­‌شود.

هدف سوم، برخورداری از یک سیستم امتیازدهی به تعمیرکاران، قطعات و برندهای موجود است که در نهایت بتوان با الگوریتم‌­های یادگیری ماشین، آن‌ها را اولویت‌بندی نمود و بر اساس این اولویت‌­ها، قطعه، برند آن و تعمیرکار را به کاربران پیشنهاد داد. نتیجه نهایی این هدف، دو مدل است که مدل اول، وظیفة پیشنهاد قطعات مشابه را بر اساس سابقه عملکرد قطعات مشابه و قیمت آن دارد. (به‌عنوان‌مثال در موعد تعویض روغن‌موتور که سیستم پیش‌­بینی کرده است، برندهای دیگری از روغن‌موتور را بر اساس سوابق قبلی و قیمت آن به کاربر پیشنهاد می­دهد) و مدل دوم، بر اساس نوع خرابی، سرویس موردنظر و امتیازات داده شده، وظیفة پیشنهاد تعمیرکار را دارد.

مدل­های هوش مصنوعی مذکور در این پروژه، در سامانه نگهداری و تعمیرات شرکت متقاضی مورداستفاده قرار خواهند گرفت. این سامانه برای حداقل 300 کامیون و زمان نامحدود می­تواند داده جمع‌­آوری و پردازش کند.