بومی‌سازی مدل هوشمند نگهداری و تعمیرات خودرو با استفاده از الگوریتم‌های یادگیری ماشین با رویکردی مبتنی بر ارتقای بهره‌وری در یک سازمان نظامی – انتظامی

زمینه و هدف: فناوری‌های هوشمند مانند هوش مصنوعی، اینترنت اشیا، یادگیری ماشین و تحلیل داده‌های بزرگ، نقش کلیدی در بهینه‌سازی تعمیرات و نگهداری خودروهای سبک دارند. این فناوری‌ها با پیش‌بینی خرابی‌ها، کاهش هزینه‌های تعمیراتی و افزایش بهره‌وری عملیاتی، اهمیت ویژه‌ای در محیط‌های نظامی دارند، زیرا عملکرد بهینه وسایل نقلیه بر موفقیت ماموریت‌ها تاثیر مستقیم دارد.روش: در این پژوهش، یک مدل بومی هوشمند سازی تعمیرات و نگهداری خودروهای سبک برای آماد و پشتیبانی یک سازمان نظامی -انتظامی ارائه‌شده است. این مدل ترکیبی از الگوریتم جنگل تصادفی، داده‌های سری زمانی، رگرسیون لجستیک و زنجیره مارکوف بوده و بر اساس داده‌های واقعی تعمیراتی چهار نوع خودروی پرکاربرد در سازمان طی دو ماه و پارامترهای دیاگ صنعتی توسعه یافته است. همچنین، یک مدل دو هدفه بهره‌وری مبتنی بر تحلیل پوششی داده به‌منظور بهینه‌سازی تصمیمات مدیریتی اضافه‌شده است.یافته‌ها: این مدل موجب کاهش 47 درصدی هزینه‌های تعمیراتی و افزایش 0.46 درصدی دقت پیش‌بینی خرابی‌ها شد. همچنین، مدیریت بهینه زنجیره تامین قطعات یدکی نقش کلیدی در کاهش خرابی‌های غیرمنتظره داشت. پرسشنامه‌ای تخصصی پنج معیار اصلی اجرای مدل را شناسایی کرد: قابلیت اعتماد داده‌ها، هزینه پیاده‌سازی، دقت پیش‌بینی، سرعت واکنش و سهولت استفاده. نتایج نشان داد هزینه‌های تعمیرات بین 8 تا 15 درصد کاهش و خرابی‌های غیر برنامه‌ریزی‌شده تا 42 درصد کمتر شده است.نتیجه‌گیری: هوشمندی در این سازمان نظامی -انتظامی نیاز به استفاده از تمام معیارهای هوشمندی و استفاده از حسگرهای متنوع را ندارد و مدل پیشنهادی یک راهکار جامع برای بهینه‌سازی نگهداری و تعمیرات خودروهای نظامی -انتظامی ارائه می‌دهد؛ که سازمان می‌تواند با تعمیم و تغییر در نوع داده‌های این مدل در تمامی ابعاد خود بهره ببرد.

localization of a vehicle maintenance and repair model using machine learning algorithms with an approach based on improving productivity in a military-enforcement organization

background and aim: smart technologies such as artificial intelligence (ai), the internet of things (iot), machine learning (ml), and big data analytics play a key role in optimizing light vehicle repair and maintenance. these technologies, by predicting failures, reducing repair costs, and increasing operational efficiency, are of special importance in military environments, as optimal vehicle performance directly impacts mission success.methodology: in this research, an intelligent native model of light vehicle repair and maintenance is presented for the logistic and support of a military-enforcement organization. this model is a combination of the random forest algorithm, time series data, logistic regression, and markov chain and is developed based on real repair data of four types of vehicles widely used in the organization over two months and industrial diag parameters. also, a dual-objective productivity model based on data envelopment analysis has been added to optimize management decisions.findings: the model reduced repair costs by 47% and increased the accuracy of failure prediction by 0.46%. also, the optimal management of the spare parts supply chain played a key role in reducing unexpected failures. a specialized questionnaire identified five main criteria for model implementation: data reliability, implementation cost, prediction accuracy, response speed, and ease of use. the results showed that repair costs were reduced by between 8% and 15%, and unplanned failures were reduced by up to 42%.conclusion: intelligence in this military-enforcement organization does not require the use of all intelligence criteria and the use of various sensors, and the proposed model provides a comprehensive solution for optimizing the maintenance and repair of military-enforcement vehicles, which the organization can benefit from in all its dimensions by generalizing and changing the data type of this model.