|

نگهداری بهتر هواپیما‌ها با کمک هوش مصنوعی

تنها در اروپا، طبق برآورد شورای مشورتی تحقیقات و نوآوری هوانوردی در اروپا (ACARE) صرفه‌جویی بالقوه در تعمیر و نگهداری هواگرد‌ها می‌تواند به ذخیره ۷۰۰ میلیون یورو در سال بیانجامد.

تنها در اروپا، طبق برآورد شورای مشورتی تحقیقات و نوآوری هوانوردی در اروپا (ACARE) صرفه‌جویی بالقوه در تعمیر و نگهداری هواگرد‌ها می‌تواند به ذخیره ۷۰۰ میلیون یورو در سال بیانجامد.

محققان دانشگاه فناوری "دلفت" هلند در جدیدترین یافته‌های خود اظهار کرده‌اند هوش مصنوعی تعمیر و نگهداری "هواگردها" (aircraft) را آسان‌تر می‌کند.
 به نقل از آی او، محققان دانشگاه فناوری دلفت در یک بیانیه مطبوعاتی اظهار کردند که با همکاری چندین دانشگاه و صنایع اروپایی در پروژه‌ای به نام (ReMAP) گامی مهم در جهت ارتقای تعمیر و نگهداری هواگرد‌ها با استفاده از هوش مصنوعی برداشته‌اند.

محققان اظهار کردند در طول یک دوره آزمایشی شش ماهه در شرکت هواپیمایی "کی ال ام" (KLM) و با استفاده از داده‌های عملیاتی کی ال ام، ثابت شد که مدل‌های هوش مصنوعی می‌توانند برای پیش‌بینی سلامت سیستم‌های هواگرد‌ها و برنامه‌ریزی فرآیند تعمیر و نگهداری آن استفاده شوند.

"برونو سانتوس" (Bruno Santos) رهبر این پروژه از دانشگاه فناوری دلفت گفت: ما در مدل سازی فرآیند تعمیر و نگهداری کامل ناوگان هواگرد‌های مختلف موفق شده‌ایم. در آینده امکان تعمیر و نگهداری فعلی هواگرد‌ها بر اساس فواصل زمانی ثابت و تعمیر و نگهداری آن‌ها به دلیل نقص و نظارت مداوم بر سلامت سیستم‌ها فراهم خواهد شد. علاوه بر آن سیستم‌ها دقیقا در مواقع ضروری تعویض خواهند شد.

علاوه بر این، محققان این مطالعه یک فرآیند برنامه‌ریزی، تعمیر و نگهداری مناسب را مدل‌سازی کرده است که این امر روند تعمیر را ارتقا خواهد داد چرا که در حال حاضر این کار عمدتا به صورت دستی انجام می‌شود. این مدل اجازه می‌دهد تا تعمیر و نگهداری از قبل برنامه‌ریزی شود.

تنها در اروپا، طبق برآورد شورای مشورتی تحقیقات و نوآوری هوانوردی در اروپا (ACARE) صرفه‌جویی بالقوه در تعمیر و نگهداری هواگرد‌ها می‌تواند به ذخیره ۷۰۰ میلیون یورو در سال بیانجامد.

"پال چون" (Paul Chün) معاون مرکز فناوری کی ال ام گفت: با این مفهوم برنامه‌ریزی نظارت و نگهداری تطبیقی، می‌توانیم رویکرد زمان‌بندی دستی را با یک فرآیند زمان‌بندی خودکار جایگزین کنیم.

"برونو سانتوس" افزود: ما با رویکرد یکپارچه ReMAP کمک زیادی به این امر کرده‌ایم. علاوه بر این، ما یک پلتفرم باز فناوری اطلاعات ایجاد کردیم که به توسعه‌دهندگان هوش مصنوعی اجازه می‌دهد الگوریتم‌های پیش‌بینی یا زمان‌بندی خود را با استفاده از چند کار کوچک اجرا کنند.

مدیریت سلامت ساختاری

یکی دیگر از حوزه‌های تحقیقاتی ReMAP، قابلیت‌های تشخیصی و پیش آگهی سازه‌های کامپوزیتی هواگرد‌ها بوده است. بررسی دستی کنونی سازه‌های کامپوزیتی هواگرد‌ها زمان زیادی می‌برد، زیرا نواقص رخ داده در هواگرد‌ها اغلب از روی سطح آن‌ها قابل مشاهده نیستند. سیستم‌های تشخیصی و پیش‌آگهی با استفاده از هوش مصنوعی برای تعیین اینکه آیا نقصی وجود دارد یا خیر و اگر وجود دارد نقص در کدام بخش است .

منبع: عصر ایران

ارسال نظر