شماره سند:
تاریخ انتشار: 1401/05/15
مهلت ارسال پیشنهاد: 1401/05/29
فرصتها: براساس پیشنهادها قابل مذاکره خواهد بود.
تماس : 02166530680 – 02166533864
ارسال پروپوزالها: https://ghazal.inif.ir
سامانههای کلاسیک نگهداری و تعمیرات در سالهای اخیر و عمدتاً در حوزه تجهیزات و ماشینآلات مورداستفاده قرار گرفتهاند، با این حال بحث هوشمندسازی این سامانهها و استفاده از ابزارهای یادگیری ماشین در این حوزه و بخصوص در زیرمجموعه نگهداری و تعمیرات پیشگویانه میتواند مزایای بسیار زیادی را نسبت به سیستمهای سنتی ایجاد نماید. محدودیتهای مختلف موجود در زمینه بهکارگیری ابزارهای یادگیری ماشین در فرایندهای عملیاتی، منجر به محدودیت استفاده گسترده و عملیاتی در این حوزه گردیده است. از این موارد میتوان به محدودیتهای سختافزاری و کمبود دادههای عملیاتی در این زمینه اشاره نمود. یکی از پیچیدگیهای این پژوهش، حجم بالا و تنوع دادهها از قبیل وجود خودروهای مختلف با مدلها و سازندههای متفاوت است بهطوریکه هرکدام از این خودروها میتوانند قطعات مخصوص به خود یا قطعات با کارایی مشترک اما طول عمرهای متفاوت داشته باشند. |
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.
پروپوزالها صرفاً باید در چارچوب موردنظر صندوق نوآوری و شکوفایی، تدوین و حداکثر تا تاریخ 29 مردادماه 1401 در سامانه غزال به آدرس https://ghazal.inif.ir ارسال شوند. پروپوزالهایی که در چارچوبی غیرازآن، یا به روشهای دیگر به دست صندوق برسند، وارد فرایند ارزیابی نخواهند شد.