هوش مصنوعی می‌تواند دیاگ خودرو را متحول کند؛ از پراید و سمند تا خودروهای جدید

تا چند سال قبل، روشن شدن چراغ چک موتور تقریباً به یک معنی بود: باید خودرو را به تعمیرگاه برد و دستگاه دیاگ به آن وصل کرد. دستگاه، چند کد خطا نمایش می‌داد و تعمیرکار بر اساس تجربه، صدای موتور، علائم خودرو و بررسی قطعات مشخص می‌کرد مشکل دقیقاً از کجاست.

حالا هوش مصنوعی می‌تواند یک لایه جدید به همین فرایند اضافه کند؛ نه برای حذف تعمیرکار، بلکه برای اینکه حجم زیادی از اطلاعات فنی خودرو سریع‌تر تحلیل شود.

پایه این روش چیزی است که سال‌هاست در خودروها وجود دارد: سیستم عیب‌یابی OBD. این سیستم می‌تواند اطلاعاتی مانند دور موتور، سرعت، دمای مایع خنک‌کننده، موقعیت دریچه گاز، فشار هوای ورودی، داده‌های سنسورها و کدهای خطا را در اختیار ابزارهای تشخیصی قرار دهد.

یک مرور پژوهشی منتشرشده در مجله Sensors در سال ۲۰۲۵ نشان می‌دهد که یادگیری ماشین می‌تواند از داده‌های OBD برای تشخیص ناهنجاری، تحلیل عملکرد موتور، بهینه‌سازی مصرف سوخت و پیش‌بینی برخی مشکلات استفاده کند.

فرض کنید خودرویی با افت شتاب، لرزش در حالت درجا و افزایش مصرف سوخت مواجه شده است. دستگاه دیاگ ممکن است یک یا چند کد خطا ثبت کند، اما یک کد خطا لزوماً به معنای خراب بودن همان قطعه نیست. برای مثال، خطای مربوط به یک سنسور می‌تواند نتیجه یک مشکل در سیم‌کشی، تغذیه، نشتی هوا یا حتی عملکرد نامناسب بخش دیگری از موتور باشد.

اینجا هوش مصنوعی می‌تواند داده‌های مختلف را کنار هم قرار دهد. به‌جای اینکه فقط بگوید «کد Pxxxx ثبت شده است»، می‌توان اطلاعات خودرو، کدهای خطا، داده‌های لحظه‌ای سنسورها، علائم اعلام‌شده توسط راننده و سابقه تعمیرات را در اختیار یک مدل تحلیلی قرار داد تا چند علت محتمل را رتبه‌بندی کند.

این ایده حتی در پژوهش‌های جدیدتر به سمت مدل‌های زبانی بزرگ رفته است. یک مقاله ارائه‌شده در کنفرانس فناوری خودرو در سال ۲۰۲۶، استفاده از مدل‌های زبانی برای تحلیل کدهای خطا و ترکیب آنها با دفترچه‌های تعمیرات، داده‌های سنسورها، سوابق خرابی و اطلاعات اختصاصی هر سازنده را بررسی می‌کند. هدف این است که سیستم بتواند از یک «کد خطا» فراتر برود و درباره علت احتمالی مشکل استدلال کند.

اینجا موضوع جالب‌تر می‌شود. خودروهایی مانند پراید، تیبا، سمند، پژو ۴۰۵ و برخی مدل‌های ایران‌خودرو از نظر سن، ECU و نوع سیستم‌های الکترونیکی با خودروهای جدید بازارهای جهانی تفاوت دارند. بنابراین نمی‌توان یک ابزار هوش مصنوعی خارجی را به خودرو وصل کرد و انتظار داشت برای تمام مدل‌های داخلی دقیقاً همان نتیجه‌ای را بدهد که برای یک خودروی جدید اروپایی یا آمریکایی می‌دهد.

با این حال، اصل ایده قابل استفاده است؛ به شرط آنکه ابتدا اطلاعات درست از خودرو دریافت شود. برای نمونه، اطلاعات فنی منتشرشده توسط منابع خارجی نشان می‌دهد که سمند ایران‌خودرو در برخی نسخه‌ها از رابط OBD-II استفاده می‌کند و ابزارهای تشخیصی مختلف نیز برای بعضی ECUهای سمند پشتیبانی ارائه کرده‌اند. در عین حال، نوع ECU و پروتکل ارتباطی می‌تواند روی مقدار اطلاعات قابل دریافت تأثیر بگذارد.

در مورد خودروهای سایپا نیز وضعیت یکسان نیست. اطلاعات فنی منتشرشده درباره برخی نسخه‌های پراید نشان می‌دهد که نوع ECU و رابط تشخیصی اهمیت زیادی دارد و در بعضی نمونه‌ها حتی کانکتورهای متفاوتی دیده می‌شود. به همین دلیل، صرف داشتن یک آداپتور ارزان OBD به معنای دسترسی کامل به اطلاعات خودرو نیست.

سناریوی ساده این است که ابتدا با یک ابزار دیاگ سازگار با خودرو، اطلاعات ECU خوانده شود. سپس به‌جای اینکه فقط کد خطا را در اینترنت جست‌وجو کنیم، می‌توان اطلاعات کامل‌تری در اختیار یک مدل هوش مصنوعی قرار داد؛ برای مثال:

مدل خودرو + سال ساخت + نوع موتور + کد ECU + کدهای خطا + داده‌های لحظه‌ای سنسورها + علائم خودرو + شرایط بروز مشکل.

هرچه اطلاعات ورودی دقیق‌تر باشد، پاسخ هوش مصنوعی نیز می‌تواند کاربردی‌تر باشد.

برای مثال، به‌جای پرسیدن «P0300 چیست؟»، سؤال دقیق‌تری می‌تواند این باشد: «سمند با این موتور و این ECU، هنگام گرم شدن موتور در دور آرام لرزش دارد، کد P0300 ثبت شده، مقدار دور موتور در حالت درجا نوسان دارد و داده‌های فلان سنسورها این مقادیر را نشان می‌دهند؛ چه علت‌هایی محتمل‌تر هستند و چه تست‌هایی باید به ترتیب انجام شود؟»

در این حالت، هوش مصنوعی می‌تواند به‌جای ارائه یک پاسخ تک‌خطی، یک فهرست اولویت‌بندی‌شده از احتمالات و تست‌های پیشنهادی ارائه کند. این دقیقاً همان جهتی است که تحقیقات جدید در حوزه تشخیص هوشمند خودرو دنبال می‌کنند.

جذاب‌ترین بخش ماجرا شاید همین باشد. هوش مصنوعی فقط برای تفسیر کد خطا کاربرد ندارد. اگر داده‌های خودرو در طول زمان ذخیره شوند، الگوریتم می‌تواند تغییرات تدریجی را هم بررسی کند.

برای نمونه، افزایش تدریجی دمای موتور، تغییر رفتار یک سنسور، افزایش نوسان دور موتور یا تغییر الگوی مصرف سوخت ممکن است قبل از تبدیل شدن به یک خرابی جدی دیده شود. پژوهش‌های جدید در زمینه نگهداری پیش‌بینانه خودرو دقیقاً روی همین موضوع تمرکز دارند: استفاده از داده‌های OBD، سنسورها و اطلاعات محیطی برای شناسایی نشانه‌های خرابی پیش از وقوع مشکل جدی.

برای خودروهای قدیمی‌تر ایرانی، چنین روشی می‌تواند حتی جذاب‌تر باشد؛ چون بسیاری از این خودروها هنوز در جاده‌های کشور استفاده می‌شوند و نگهداری آنها بیشتر به تجربه تعمیرکار و تشخیص پس از بروز مشکل وابسته است. البته برای رسیدن به یک سیستم واقعاً دقیق، مدل هوش مصنوعی باید با داده‌های همان خودروها، ECUهای مورد استفاده و الگوهای خرابی رایج آنها آموزش یا دست‌کم ارزیابی شود.

هوش مصنوعی نباید جایگزین دستگاه دیاگ حرفه‌ای، دفترچه تعمیرات یا تجربه تعمیرکار تصور شود. حتی در سیستم‌های OBD-II نیز کد خطا لزوماً به معنی خراب بودن همان قطعه نیست و برخی اطلاعات مهم ممکن است فقط با ابزار و نرم‌افزار اختصاصی سازنده قابل دسترسی باشند. منابع فنی مربوط به OBD نیز بر محدودیت‌های سیستم‌های عمومی در برابر اطلاعات اختصاصی سازنده تأکید دارند.

در خودروهای قدیمی‌تر، این محدودیت جدی‌تر است. استاندارد OBD-II در بازار آمریکا از مدل‌های ۱۹۹۶ به بعد به‌صورت گسترده اجباری شد و خودروهای قدیمی‌تر ممکن است از سیستم‌های متفاوت یا اختصاصی استفاده کنند. در نتیجه، یک آداپتور عمومی نمی‌تواند الزاماً همه اطلاعات ECU را استخراج کند.

به همین دلیل، بهترین استفاده از هوش مصنوعی در تعمیر خودرو را باید در نقش دستیار تشخیص دید؛ سیستمی که اطلاعات خام دیاگ را می‌خواند، آنها را کنار علائم خودرو قرار می‌دهد، علت‌های محتمل را مرتب می‌کند و به تعمیرکار کمک می‌کند سریع‌تر به سرنخ برسد. تصمیم نهایی درباره تعویض قطعه یا انجام تعمیر همچنان باید با آزمایش فنی و بررسی واقعی خودرو تأیید شود.

اگر این فناوری با اطلاعات دقیق خودروهای رایج ایران، از ECUهای مختلف گرفته تا الگوهای خرابی و شرایط آب‌وهوایی و سوختی کشور، ترکیب شود، می‌تواند از یک چت‌بات عمومی بسیار فراتر برود. در آن صورت راننده می‌تواند قبل از مراجعه به تعمیرگاه حداقل بداند چه مشکلی محتمل‌تر است، چه اطلاعاتی از خودرو باید بررسی شود و آیا کد خطایی که دیده واقعاً به معنای خرابی همان قطعه است یا نه.