اتوماسیون تصمیم گیری های نگهداشت و تعمیرات با روش های هوش مصنوعی

   امروزه مرز دانش به سطحی از پیشرفت دست یافته است که ایجاب می کند بیشتر تصمیم گیری ها و اعلام نظرها با تکیه بر روشهایی انجام شود که در کمترین زمان بهینه ترین و دقیق ترین جواب را اعلام می کنند. صنعت رو به سمتی پیش می رود که در آن تجربیات و دانش اندوخته شده افراد متخصص به صورت مجموعه ای از اطلاعات پایه گردآوری شده و با در نظر گرفتن تمام جوانب امر یک تصمیم دقیق و کامل و بهینه اعلام گردد.

   تصمیم گیری های تشخیص و پیش بینی در مقوله نگهداشت و تعمیرات از این قاعده مستثنی نبوده و در سال های اخیر تلاش های فراوانی برای به کارگیری روش های مختلف هوش مصنوعی در این زمینه صورت گرفته است. تکنیک های هوش مصنوعی به صورت گسترده ای برای تشخیص و یا پیش بینی خرابی های ماشین های دوار به کار گرفته شده اند و نتیجه بهتری نسبت به روش های مرسوم قدیمی از طریق آنها بدست آمده است. نکته حائز اهمیت در به کارگیری تکنیک های هوش مصنوعی، داشتن یک اطلاعات پایه ای به عنوان داده های آموزش می باشد که معمولاً در عمل به دلیل عدم وجود این داده ها، به کار گیری تکنیک های هوش مصنوعی به چالش کشیده می شود.

   در ادبیات فن تکنیک های معروف در زمینه هوش مصنوعی شامل شبکه های عصبی مصنوعی، سیستم های منطق فازی،شبکه های عصبی فازی، و الگوریتم های اکتشافی و …. می باشد. برای نمونه روش شبکه های عصبی مصنوعی یک مدل محاسباتی است که بر اساس ساختار و عملکرد مغز انسان طراحی شده است. در این روش لایه ها و نورون هایی که مصداق کار نورون های واقعی مغز را دارند تعیین و طراحی می شود تا این شبکه مصنوعی بتواند به بهترین نحو و بر اساس داده های آموزش مانند مغز انسان یک تصمیم گیری دقیق را انجام دهد.  

   مقوله به کارگیری روش های هوش مصنوعی در این زمینه بسیار گسترده می باشد و نمی توان به یک توضیح متخصر در مورد آن اکتفا کرد. در واقع صنعت به سمت آینده ای پیش می رود که تمام دانش و تجربه افراد متخصص و اطلاعاتی که از ساختار ماشین آلات به دست آمده برای گرفتن بهترین و دقیق ترین و کامل ترین تصمیم در زمینه تشخیص و پیش بینی خرابی، به کار گرفته شوند و در انتها یک تصمیم صحیح برای کار نگهداشت بر پایه پایش وضعیت اعلام گردد.