پایگاه تحلیلی‌خبری ایراسین؛ عبدالله مشیری، مدیرپروژه ومعمارراهکارهای فناوری صنعت چهارم بخش تحول دیجیتال ایریسا، در جریان برگزاری همایش بزرگ ارتباط دانشگاه، صنعت و بخش خصوصی در حوزه هوش مصنوعی (AI Bridge 2026) در دانشگاه اصفهان، با اشاره به روند تحول تعمیرات هوشمند، اظهار کرد: موضوعی که امروز در صنعت مطرح است، حرکت از تعمیرات پیش‌بینانه مبتنی بر هوش مصنوعی به سمت Agentic Digital Twin یا دوقلوی دیجیتال عامل‌محور است؛ با این حال، برداشت‌های موجود در صنعت، دانشگاه و حوزه فناوری از مفهوم Digital Twin هنوز یکسان نیست.

وی افزود: در صنعت بومی، مفهوم Digital Twin بیشتر به سمت نمایش وضعیت تجهیزات وکمتر استفاده از قواعد، الگوریتم‌ها و مدل‌های هوش مصنوعی برای تحلیل و تصمیم‌گیری رفته است، در حالی که می‌توان از این فناوری به‌عنوان یک لایه مفقوده برای ایجاد ارتباط میان داده‌ها، وضعیت تجهیز و تصمیمات تعمیراتی استفاده کرد.

مدیر راهکارهای فناوری بخش تحول دیجیتال ایریسا با اشاره به تجربه درحال انجام در یکی از صنایع کشور در حوزه عیوب غلطک‌های ریخته‌گری گفت: هدف این است که در پایان توسعه مدلهای تشخیص عیب با ایجاد ارتباط میان ویژگیهای استخراج شده از تجهیز و بررسی ایجاد context یا محتوای حاصل از داده ها و مدل مبتنی بر فیزیک امکان توسعه دوقلوی دیجیتال، نمودهای پنهان از وضعیت تجهیز را آشکار کنیم و از این طریق، نگهداری و تعمیرات را از یک فرآیند صرفاً مبتنی بر داده به یک فرآیند هوشمند در مدل virtualتبدیل کنیم.

مشیری ادامه داد: در این مسیر می‌توان سیستم PDM را نیز به Digital Twin متصل کرد و تجهیز را مانند یک موجود زنده در نظر گرفت که وضعیت آن به‌صورت مستمر پایش می‌شود. در این مرحله، مباحثی مانند Multi-Agent و Multi-Modal نیز مطرح می‌شوند که امکان تحلیل داده‌ها از منابع و قالب‌های مختلف و ایجاد همکاری میان عامل‌های هوشمند را فراهم می‌کنند.

از پیش‌بینی خرابی تا تجویز نسخه با دوقلوی دیجیتال

وی با تشریح سیر تحول نگهداری و تعمیرات گفت: در تعمیرات سنتی و حتی نگهداری پیش‌بینانه، همواره یک سؤال اساسی وجود دارد و آن این است که «چه چیزی قرار است خراب شود؟» پس از آن باید مشخص شود چه اتفاقی رخ خواهد داد، چه اقدامی باید انجام شود و تعمیرات در چه زمانی باید صورت گیرد.

مدیر راهکارهای فناوری بخش تحول دیجیتال ایریسا با تشبیه این فرآیند به نظام سلامت انسان اظهار کرد: در تعمیرات واکنشی، زمانی اقدام می‌کنیم که تجهیز دچار خرابی شده است؛ درست مانند زمانی که بیمار می‌شود و پس از بروز بیماری به پزشک مراجعه می‌کند. در مرحله بعد، با استفاده از سنسورها و داده‌های جمع‌آوری‌شده از سایت، وضعیت تجهیز را بررسی می‌کنیم تا مشخص شود تجهیز در چه شرایطی قرار دارد و شاخصی از سلامت آن ارائه شود.

مشیری افزود: در مرحله Predictive Maintenance، با استفاده از هوش مصنوعی تلاش می‌کنیم پیش‌بینی کنیم که در آینده چه اتفاقی ممکن است برای تجهیز رخ دهد. در مرحله Prescriptive Maintenance یک گام فراتر می‌رویم و علاوه بر پیش‌بینی، مشخص می‌کنیم چه اقداماتی باید در قبال وضعیت پیش آمده انجام شود، که این فقط با اتصال مدل پیش بینی تعمیرات به دو دوقلوی دیجیتال عامل محور امکانپذیر میشود در واقع، هدف این است که تجهیز را معاینه کنیم، نسخه‌ای برای وضعیت سلامت آن ارائه دهیم و پیشنهاد لازم را در اختیار نگهدارنده قرار دهیم.

وی تصریح کرد: مرحله نهایی، Agentic AI است؛ جایی که عامل هوشمند علاوه بر تشخیص و پیشنهاد، بتواند تصمیم بگیرد، اقدام کند و در یک چرخه یادگیری، از نتایج اقدامات خود بیاموزد. به این ترتیب، مجموعه‌ای از عامل‌ها می‌توانند در یک لایه رهبری و استدلال، مدل صنعتی مناسب را ایجاد و در محیط واقعی پیاده‌سازی کنند.

مشیری در ادامه با اشاره به زیرساخت مورد نیاز برای تحقق این رویکرد گفت: در یک پلتفرم صنعتی، ابتدا داده‌ها از تجهیزات و منابع مختلف جمع‌آوری می‌شوند و سپس با استفاده از الگوریتم‌های مختلف، از جمله الگوریتم‌های طبقه‌بندی و مدل‌های تحلیلی، مورد پردازش قرار می‌گیرند. یکی از چالش‌های جدی در این مرحله، یکپارچه‌سازی داده‌ها است؛ زیرا داده‌ها از تجهیزات و دستگاه‌های مختلف، با نمونه‌برداری‌های متفاوت و فرمت‌های گوناگون تولید می‌شوند و باید به‌صورت خودکار در کنار یکدیگر قرار گیرند و تاثیرپذیری آنها از یکدیگر مشخص شود.محصول AI Platform ایریسا با قابلیت واکشی دیتاهای مختلف از سایت، امکان مدلسازی با استفاده از کتابخانه های مختلف، پایش مدل، برطرف کردن Drift ها و Serving ها نمونه اولیه خوبی برای یکپارچه سازی داده ها و اماده سازی آنها برای استفاده در مدل هوش مصنوعی و همچنین کنترل چرخه توسعه و یکپارچه سازی به مانند MLOps است.

وی خاطر نشان کرد: تصور اینکه «داده بیشتر» به‌تنهایی به معنای حل مسئله است، اشتباه است. مسئله اصلی، پیدا کردن داده مناسب و مستقل است، با مشخص شدن ارتباط میان تمام ویژگی‌ها باید از تکرار داده های به نظر مستقل ولی تکراری از پیجیده شدن مدلها جلوگیری کرد. حتی در شرایطی که داده‌ها پیچیده باشند، می‌توان با استفاده از روش‌های پیشرفته یادگیری ماشین و تکنیکهای سخت، مدل مناسب را ایجاد کرد، ولی باید درنظر داشت ویژگی‌های باید بتوانند تا جای ممکن داده های کمتر وابسته به یک‌دیگر را برای ایجاد مدل مناسب ارائه نمایند.

مدیر راهکارهای فناوری بخش تحول دیجیتال ایریسا با تأکید بر اهمیت اعتبارسنجی مدل‌ها گفت: پس از ایجاد مدل، اعتبارسنجی آن اهمیت زیادی دارد و نمی‌توان صرفاً به یک مدل یا یک شاخص اکتفا کرد. در پروژه‌های صنعتی، برحسب ضرورت و و روشهای جمع آوری داده ها و حکمرلنیهای متعدد،گاهی انتظار میرود که چندین مدل برای بررسی وضعیت تجهیز ایجاد شود تا بتوان بر اساس خروجی آنها، وضعیت سلامت تجهیز و شاخص‌های مرتبط را با اطمینان بیشتری محاسبه کرد، که بایستی این روشها با ایجاد مدل حکمرانی صحیح اصلاح شوند.

وی افزود: در این فرآیند، روش‌ها و الگوریتم‌های متنوعی در حوزه‌های مختلف قابل استفاده هستند و انتخاب آنها باید متناسب با مسئله صنعتی، نوع داده و هدف موردنظر انجام شود. برای نمونه، در بخش‌هایی از فرآیند می‌توان از روش‌های تشخیص ناهنجاری، تشخیص عیوب و درمدل پیشرفته تخمین عمر باقیمانده یا (RUL)، با الگوریتم‌های یادگیری ماشین و شبکه‌های عصبی متناسب موجود استفاده کرد.

فراتر از پایش ساده؛ چرخه هوشمند نگهداری

مشیری تأکید کرد: مسیر آینده تعمیرات صنعتی، صرفاً جمع‌آوری داده یا پیش‌بینی خرابی نیست؛ بلکه ایجاد یک ساختار هوشمند است که بتواند وضعیت تجهیز را درک کند، آینده آن را پیش‌بینی کند، اقدام مناسب را پیشنهاد دهد و در نهایت با استفاده از Agentic AI، تصمیم‌گیری و اقدام مناسب برای تجهیز را در یک چرخه یادگیری مستمر به یکدیگر متصل کند، و را هکارهای مناسب برای اقدام را به صورت پیشنهاد در قالب HITLیا "وجودانسان در چرخه تصمیم گیری" به نگهدارنده تجهیز یا سیستم ارائه دهد.

وی اظهار کرد: هدف نهایی این است که به یک سیستم هوشمند، Dynamic و قابل استفاده مجدد برسیم که بتواند برای تجهیزات مختلف صنعتی مورد استفاده قرار گیرد؛ سیستمی که نه‌تنها بگوید چه چیزی خراب شده است، بلکه بتواند توضیح دهد چرا خراب شده، چه زمانی احتمال خرابی وجود دارد، چه اتفاقی ممکن است رخ دهد و برای جلوگیری یا مدیریت آن چه اقدامی باید انجام شود.

وی افزود: در چنین معماری‌ای، دوقلوی دیجیتال همان لایه‌ای است که داده را به Context و مدل را به یک موجودیت قابل درک تبدیل می‌کند و Agentic AI نیز نقش مغز یا رهبر این مجموعه را بر عهده می‌گیرد. هدف ما ایجاد یک تصمیم‌یار هوشمند و کنترل‌شده با نمایش زنده توسط انسان است که بتواند کیفیت تصمیمات تعمیراتی را افزایش دهد، ریسک خرابی را کاهش دهد و مسیر حرکت صنعت را از تعمیرات واکنشی و پیشگیرانه، به سمت تعمیرات پیش‌بینانه، تجویزی و در نهایت تعمیرات هوشمند و عامل‌محور هدایت کند.