هوش مصنوعی به نگهداری بهتر هواپیماها کمک می‌کند

به گزارش ایسنا و به نقل از آی او، محققان دانشگاه فناوری دلفت در یک بیانیه مطبوعاتی اظهار کردند که با همکاري چندین دانشگاه و صنایع اروپایی در پروژه ای به نام (ReMAP) گامی مهم در جهت ارتقای تعمیر و نگهداری هواگردها با استفاده از هوش مصنوعی برداشته اند.

محققان اظهار کردند در طول یک دوره آزمایشی شش ماهه در شرکت هواپیمایی "کی ال ام" (KLM) و با استفاده از داده های عملیاتی کی ال ام، ثابت شد که مدل های هوش مصنوعی (Artificial Intelligence) می توانند برای پیش بینی سلامت سیستم های هواگردها و برنامه ریزی 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 شده ایم. در آینده امکان تعمیر و نگهداری فعلی هواگردها بر اساس فواصل زمانی ثابت و تعمیر و نگهداری آن ها به دلیل نقص و نظارت مداوم بر سلامت سیستم ها فراهم خواهد شد. علاوه بر آن سیستم ها دقیقا در مواقع ضروری تعویض خواهند شد.

علاوه بر این، محققان این مطالعه یک فرآیند برنامه ریزی، تعمیر و نگهداری مناسب را مدل سازی کرده است که این امر روند تعمیر را ارتقاء خواهد داد چرا که در حال حاضر این کار عمدتاً به صورت دستی انجام می شود. این مدل اجازه می دهد تا تعمیر و نگهداری از قبل برنامه ریزی شود.

تنها در اروپا، طبق برآورد شورای مشورتی تحقیقات و نوآوری هوانوردی در اروپا (ACARE) صرفه جویی 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 برنامه ریزی نظارت و نگهداری تطبیقی، می توانیم رویکرد زمان بندی دستی را با یک فرآیند زمان بندی خودکار جایگزین کنیم.

"برونو سانتوس" افزود: ما با رویکرد یکپارچه ReMAP کمک زیادی به این امر کرده ایم. علاوه بر این، ما یک پلتفرم باز فناوری اطلاعات ایجاد کردیم که به توسعه دهندگان هوش مصنوعی اجازه می دهد الگوریتم های پیش بینی یا زمان بندی خود را با استفاده از چند کار کوچک اجرا کنند.

مدیریت سلامت ساختاری

یکی دیگر از حوزه های تحقیقاتی ReMAP، قابلیت های تشخیصی و پیش آگهی سازه های کامپوزیتی هواگردها بوده است. بررسی دستی کنونی سازه های کامپوزیتی هواگردها زمان زیادی می برد زیرا نواقص رخ داده در هواگردها اغلب از روی سطح آنها قابل مشاهده نیستند. سیستم های تشخیصی و پیش آگهی با استفاده از هوش مصنوعی برای تعیین این که آیا نقصی وجود دارد یا خیر و اگر وجود دارد نقص در کدام بخش است و میزان آسیب چقدر است توسعه یافته اند.