خودروهای امروزی مملو از فناوریهای پیشرفته هستند، اما برای بسیاری از رانندگان، تجربه نگهداری و تعمیر خودرو همچنان تجربهای واکنشی و آزاردهنده است. معمولاً یک چراغ هشدار روی داشبورد روشن میشود؛ چراغی که اغلب مبهم است و گاهی هم حالت اضطراری دارد. در این شرایط، راننده مجبور میشود خودش دنبال علت بگردد یا وقت بگیرد و خودرو را برای تعمیر به تعمیرگاه ببرد.
با وجود اینکه خودروهای امروزی صدها حسگر داخلی دارند که بهصورت مداوم دادههای عملکردی تولید میکنند، بخش بزرگی از این اطلاعات برای رانندگان عادی عملاً بلااستفاده باقی مانده است.
اما اگر خودروها میتوانستند از همین جریان دادههای داخلی خود برای پیشبینی مشکلات، راهنمایی راننده با زبان ساده و حتی ارتباط با دستیارهای دیجیتال شخصی استفاده کنند چه؟ پیشرفتهای اخیر در حوزه پردازش لبه (Edge Computing)، هوش مصنوعی و ارتباطات اینترنت اشیا (IoT) در حال تبدیل این ایده به واقعیت هستند.
خودروها بهآرامی در حال تبدیل شدن به پلتفرمهای هوشمند حسگری هستند؛ پلتفرمهایی که فقط به خرابیها واکنش نشان نمیدهند، بلکه آنها را پیشبینی میکنند. این تحول به رانندگان کمک میکند از خرابیهای ناگهانی جلوگیری کنند و تجربه نگهداری خودرو را از یک فرآیند واکنشی به یک فرآیند پیشگیرانه و هوشمند تبدیل نمایند.
دادههایی که زیر کاپوت پنهان شدهاند
از دهه ۱۹۹۰، خودروهای فروختهشده در ایالات متحده موظف شدند به رابط OBD-II (عیبیابی درونخودرویی) مجهز باشند. این رابط امکان دسترسی به دادههای لحظهای واحد کنترل موتور (ECU) را فراهم میکند. این رابط استاندارد، اطلاعاتی درباره عملکرد موتور، مصرف سوخت، سیستمهای آلایندگی، ولتاژ باتری و بسیاری پارامترهای دیگر ارائه میدهد که همگی نشانههایی مهم از سلامت خودرو هستند. در خودروهای جدیدتر، این منابع داده حتی غنیتر هم شدهاند.
شبکههای CAN Bus اطلاعات بسیار دقیقی از سیستم ترمز، اجزای فرمان و سامانههای کمکراننده پیشرفته (ADAS) منتقل میکنند. خودروهای برقی نیز یک لایه جدید از دادهها را اضافه کردهاند، از جمله وضعیت سلامت باتری، چرخههای شارژ و دادههای مدیریت حرارتی.
در گذشته، دسترسی به این دادهها تقریباً فقط در اختیار مکانیکها، نمایندگیها و مدیران ناوگانهای حملونقل بود. اما با اتصال IoT و یکپارچهسازی با فضای ابری، این جریانهای غنی داده اکنون میتوانند مدلهای هوشمندی را تغذیه کنند که خرابیها را قبل از وقوع پیشبینی میکنند و نگهداری پیشبینانه را مستقیماً در اختیار مصرفکننده قرار میدهند.
نگهداری پیشبینانه: یاد گرفتن پیشبینی مشکلات
نگهداری پیشبینانه مدتهاست که در صنعت و مدیریت ناوگانهای بزرگ مورد توجه قرار دارد. اما در خودروهای شخصی، این مفهوم تازه در حال شکلگیری است. سرویسهای متصل امروزی معمولاً زمانی به راننده هشدار میدهند که یک کد خطا فعال شده باشد، اما سیستمهای پیشبینانه واقعی چند قدم جلوتر میروند.
با تمرکز روزافزون خودروسازان بر سیستمهای سرگرمی-اطلاعاتی پیشرفته و قابلیتهای رانندگی خودکار، خودروها اکنون توان پردازشی کافی برای اجرای تحلیلهای هوشمند در داخل خود خودرو را دارند.
با تحلیل روندهای تاریخی دادهها، مدلهای یادگیری ماشین نصبشده روی خودرو میتوانند تغییرات جزئی در عملکرد را که مقدمه خرابی قطعات هستند شناسایی کنند. شبکههای عصبی مبتنی بر سری زمانی قادرند ناهنجاریهای دادههای حسگرها را مدتها قبل از فعال شدن کدهای عیبیابی تشخیص دهند.
برای مثال:
- کاهش تدریجی بهرهوری سوخت میتواند نشانه گرفتگی انژکتورها یا فرسودگی سنسور اکسیژن باشد.
- تغییرات غیرعادی دما در سیستم خنککننده ممکن است به مشکلات ترموستات یا رادیاتور مربوط شود.
این مدلهای پیشبینانه همچنین عوامل بیرونی مؤثر بر سلامت خودرو را نیز در نظر میگیرند، از جمله:
- رفتار رانندگی: شتابگیریهای شدید، ترمزهای ناگهانی مکرر یا زمانهای طولانی در حالت درجا، استهلاک قطعات را افزایش میدهد.
- شرایط محیطی: گرمای شدید، سرمای زیاد یا رطوبت بالا میتواند فرسودگی قطعات را تسریع کند.
- الگوهای استفاده: رانندگی در بزرگراه با ترافیک شهری پرتوقفوحرکت تأثیر کاملاً متفاوتی بر ترمزها، لاستیکها و سیستم سوخت دارد.
با شخصیسازی پیشبینیها بر اساس دادههای خودرو و رفتار راننده، سیستمهای مبتنی بر هوش مصنوعی توصیههایی بسیار دقیقتر از برنامههای سرویس دورهای کلی که در دفترچه راهنما آمدهاند ارائه میدهند.
هوش مصنوعی؛ مسافر جدید داخل کابین
اگرچه بسیاری از خودروهای امروزی به دستیار صوتی ساده مجهز هستند، اما معمولاً قابلیت آنها به پخش موسیقی یا پیدا کردن نزدیکترین پمپ بنزین محدود میشود. فرصت واقعی زمانی ایجاد میشود که این دستیارهای هوشمند به دادههای تلهمتری غنی خودرو متصل شوند.
تصور کنید یک دستیار دیجیتال هوشمند که هم خودرو و هم برنامه روزانه شما را زیر نظر دارد:
«این هفته بیشتر از حالت عادی ترمز میگیرید. احتمالاً عمر لنت ترمز طی دو ماه آینده به زیر ۲۰ درصد میرسد. دوست دارید آخر هفته آینده یک بازدید در تقویمتان ثبت کنم؟»
«دیشب در دمای زیر صفر، ولتاژ باتری افت کرده است. مایل هستید تست باتری را به سرویس بعدی اضافه کنم؟»
«میانگین فشار باد لاستیکها کمی رو به کاهش است. دو کیلومتر جلوتر یک جایگاه باد رایگان وجود دارد. آیا آن را به مسیرتان اضافه کنم؟»
این رابط مکالمهای، دادههای پیچیده فنی را به توصیههای عملی و قابل فهم برای راننده تبدیل میکند و فاصله بین داده خام حسگرها و تصمیمگیری روزمره را از بین میبرد. این کمکرانندههای هوشمند جای مکانیک را نمیگیرند، بلکه نقش سیستم هشدار زودهنگام را ایفا میکنند که غافلگیریها را کاهش داده و عمر خودرو را افزایش میدهد.
جمعبندی
با ورود هوش مصنوعی به خودروها، ما در حال مشاهده اولین گامها در گذار از نگهداری واکنشی به نگهداری پیشگیرانه هستیم. اتصال IoT امکان جمعآوری پیوسته داده را فراهم میکند، هوش مصنوعی لبهای پیشبینیهای سریع و امن ارائه میدهد و هوش مصنوعی مکالمهای، تشخیصهای پیچیده را به توصیههای ساده تبدیل میکند.
اگرچه چالشهایی مانند استانداردسازی دادهها، حفظ حریم خصوصی و مدیریت تنوع خودروها وجود دارد، اما مزایای بلندمدت آن بسیار چشمگیر است. با کمک هوش مصنوعی، خودروهای ما در حال یاد گرفتن صحبت کردن هستند؛ و حرفهای زیادی برای گفتن دارند.
بدون دیدگاه