ML
الگوی رفتار و پیش‌بینی
- ورودی
- تاریخچهٔ مصرف، سنسورها و تجهیز
مدل روی دادهٔ تجهیز آموزش می‌بیند؛ سپس روند آینده یا رفتار غیرعادی را تحلیل می‌کند.
- خروجی
- پیش‌بینی مصرف، تشخیص ناهنجاری و شاخص سلامت
بخش ۸ از ۱۲
هوش مصنوعی و نقشهٔ آفلاین
دستیار هوشمند فارسی‌زبان که داده‌های پروژه را می‌شناسد و به‌جای کاربر کار انجام می‌دهد، بک‌اند هوش مصنوعی ARG AI برای مدل‌ها و پیش‌بینی، و سرور نقشهٔ آفلاین برای سایت‌های بدون اینترنت.
ML · RAG · LLM · AGENT
راهنمای استقرار صنعتی AIهوش مصنوعی، در کنار داده و ابزارهای همزاد دیجیتال
دستیار متصل به پروژه و بک‌اند مستقل ARG_AI دو بخش مکمل سامانه‌اند: اولی به فهم وضعیت و انجام کار در محیط نرم‌افزار کمک می‌کند؛ دومی آموزش مدل، تحلیل داده، پیش‌بینی و پایش نتیجه را پوشش می‌دهد.
ML
یادگیری از داده و سنجش نتیجه
آماده‌سازی تاریخچه → آموزش مدل → پیش‌بینی و تشخیص → ارزیابی و پایش
LLM + RAG + Tools
فهم پروژه، بازیابی دانش و انجام کار
درخواست کاربر → دانش مرتبط و ابزارهای پروژه → تحلیل یا پیشنهاد تغییر → تأیید کاربر
RAG
دانش مرتبط با پروژه
- ورودی
- اسناد پروژه، کاتالوگ و قالب‌های تجهیزات
جست‌وجوی دانش، متن مرتبط با سؤال و تجهیز را از منابع موجود پیدا می‌کند و در اختیار دستیار می‌گذارد.
- خروجی
- پاسخ متکی به مستندات و زمینهٔ همان پروژه
LLM
توضیح قابل فهم برای کاربر
- ورودی
- سؤال کاربر، دادهٔ پروژه و نتیجهٔ ابزارها
دستیار فارسی‌زبان یافته‌ها را توضیح می‌دهد، اطلاعات را خلاصه می‌کند و برای بررسی مسئله از ابزارهای سامانه کمک می‌گیرد.
- خروجی
- گفت‌وگوی مهندسی، گزارش و پیشنهاد قابل بررسی
Agent
انجام کار در محیط سامانه
- ورودی
- درخواست کاربر و زمینهٔ صفحه یا پروژه
ابزارها وضعیت تجهیزات، آلارم و تاریخچه را می‌خوانند؛ پیشنهاد ساخت یا تغییر، در گردش تأیید کاربر ارائه می‌شود.
- خروجی
- تحلیل چندمرحله‌ای و پیشنهاد ساخت داشبورد یا منطق
دستیار LLM و RAG؛ از شناخت پروژه تا طراحی سیستم
RAG دانش مرتبط را فراهم می‌کند؛ LLM درخواست و نتایج را تفسیر می‌کند و ابزارهای Agent کار را در محیط سامانه پیش می‌برند.
شناخت تجهیزات و دانش پروژه
دستیار از کاتالوگ تجهیزات، قالب‌های SNMP و Modbus، OIDها و اسناد بارگذاری‌شدهٔ پروژه کمک می‌گیرد. RAG متن مرتبط را با جست‌وجوی کلیدواژه و معنایی پیدا می‌کند تا سؤال در زمینهٔ همان تجهیز پاسخ داده شود.
ساخت ساختار، داشبورد و صحنهٔ سه‌بعدی
درخواست کاربر می‌تواند به پیشنهاد ساخت ساختمان، طبقه، فضا، تجهیز و نقطه تبدیل شود؛ یا ساخت و تکثیر داشبورد، افزودن المان دوبعدی و طراحی صحنه و اشیای سه‌بعدی. این کارها با ابزارهای سامانه و تأیید کاربر پیش می‌روند.
کمک به طراحی منطق و سناریو
دستیار قوانین موجود را می‌خواند و بررسی می‌کند و برای Rule، Limit، Scenario، Script و State Machine پیشنهاد ساخت یا ویرایش می‌دهد. منطق فرمان‌ده ابتدا غیرفعال ساخته می‌شود و فعال‌سازی آن مرحلهٔ تأیید جداگانه دارد.
حفظ زمینه در ادامهٔ کار
تاریخچهٔ گفت‌وگو، خلاصهٔ مکالمه و حافظهٔ کاربر یا پروژه به پیگیری کار کمک می‌کنند؛ نام‌های مستعار تجهیزات، ترجیحات و روال‌ها با امکان سنجاق‌کردن یا فراموش‌کردن نگهداری می‌شوند.
در محیط پروژه
از سؤال دربارهٔ یک آلارم تا بررسی تجهیز
از دستیار بخواهید آلارم‌های فعال، تجهیزات آفلاین یا تاریخچهٔ یک نقطه را بررسی کند. درخواست در زمینهٔ پروژه پیگیری می‌شود و ابزارها اطلاعات لازم را از سامانه می‌خوانند. پیشنهادهای تغییردهنده برای تأیید کاربر ارائه می‌شوند.
در بک‌اند مستقل ARG_AI
از تاریخچهٔ تجهیز تا مدلی که می‌توان ارزیابی کرد
برای پیش‌بینی مصرف انرژی، دادهٔ تاریخی به مدل داده می‌شود؛ نتیجه با دادهٔ آزمون سنجیده و همراه معیار خطا ثبت می‌شود. برای تشخیص ناهنجاری نیز مدل رفتار عادی را یاد می‌گیرد تا نقاط نیازمند بررسی مشخص شوند.
چرخهٔ مدل؛ از آموزش تا سنجش نتیجه
- ۱
آماده‌سازی داده
دادهٔ تجهیز به ویژگی‌های قابل آموزش تبدیل می‌شود؛ برای پیش‌بینی انرژی، پنجره‌های زمانی و الگوی ساعت و روز به کار می‌روند.
- ۲
آموزش و ثبت مدل
نوع مدل و تجهیز انتخاب می‌شود؛ کار آموزش، وضعیت اجرا و نسخهٔ مدل در بخش مدیریت ML قابل پیگیری است.
- ۳
ارزیابی و پیش‌بینی
در پیش‌بینی انرژی، دادهٔ آموزش و آزمون جدا می‌شود و خطا با RMSE و MAE سنجیده می‌شود؛ سپس مدل برای Inference استفاده می‌شود.
- ۴
پایش و بازبینی
سلامت مدل، زمان پاسخ، خطاها و Drift بررسی می‌شوند؛ تیم بهره‌برداری نتیجه را در کنار شرایط واقعی تجهیز ارزیابی می‌کند.
استقرار روی دادهٔ واقعی هر سایت
برای اتصال این قابلیت‌ها به پالایشگاه، پتروشیمی یا هر زیرساخت دیگر، منابع داده، نگاشت تجهیز، کیفیت تاریخچه، اسناد مجاز و معیار پذیرش در طراحی پروژه مشخص می‌شوند. راهنمای استقرار، مسیر اتصال OT/DMZ و اجرای Local LLM یا Provider API را تشریح می‌کند؛ در این معماری صنعتی، تحلیل AI به تصمیم مهندس و بهره‌بردار کمک می‌کند و کنترل فرایند در سیستم کنترل موجود باقی می‌ماند.
۱۳
دستیار هوشمند
یک دستیار فارسی‌زبان مبتنی بر مدل زبانی که به داده‌های پروژه دسترسی دارد، از خود سامانه یاد می‌گیرد و می‌تواند به‌جای کاربر کار انجام دهد — اما هرگز بدون تأیید. روی همهٔ صفحات در دسترس است و وقتی طراح داشبورد باز باشد، بوم را می‌بیند. با ارائه‌دهندهٔ اصلی و پشتیبان مدل زبانی کار می‌کند و نتیجهٔ ابزارها را هرگز از خود مدل نمی‌پذیرد.
شکل ۵ · حلقهٔ دستیار. منابع دانش نمایه‌شده: کاتالوگ تجهیزات، قالب‌های SNMP و Modbus، OIDهای رایج، پوشهٔ دانش، و اسناد ارسالی هر پروژه. فضای برداری هر ردیف ذخیره می‌شود تا تعویض مدل، بازنمایه‌سازی را ممکن کند.
پرس‌وجو و تشخیص (۴۱ ابزار)
- خلاصهٔ پروژه، تجهیزات، نقاط و مقادیر لحظه‌ای، هشدارهای فعال و آمار هشدار
- تشخیص تجهیزات آفلاین، نقاط کهنه و ناهنجاری‌ها؛ سلامت تجهیز؛ نگهداشت سررسیدشده
- تاریخچهٔ یک نقطه، مصرف انرژی، کنتورها، تیکت‌ها، رویدادها، اعلان‌ها
- جست‌وجو در ساختار، داشبوردها، افراد و نقش‌ها، دارایی‌ها؛ خواندن و آزمایش قوانین، حدود، سناریوها، اسکریپت‌ها و ماشین‌های حالت؛ جست‌وجو در پایگاه دانش
انجام کار (۴۴ ابزار، با کارت تأیید)
- ساخت ساختار کامل، سازمان، ساختمان، طبقه، فضا، تکثیر طبقه، تجهیز (تکی یا گروهی)، نقطه
- ساخت/کلون/حذف داشبورد، افزودن یا طراحی المان‌های دوبعدی برای یک فضا، ساخت صحنه و اشیای سه‌بعدی
- ساخت و ویرایش قانون، حد، سناریو، اسکریپت و ماشین حالت؛ فعال/غیرفعال، اجرا، ارسال رویداد، بازنشانی؛ ساخت و انتساب نقش
- هر پیشنهاد کارت می‌شود؛ تا ۳۰ دقیقه قابل تأیید است؛ منطق فرمان‌ده «غیرفعال» ساخته می‌شود و برای فعال‌شدن تأیید دوم می‌خواهد؛ نوشتن روی نقطه‌ای که خودش شرط است رد می‌شود
حافظه
گفت‌وگوها روی سرور نگهداری و به‌صورت خلاصهٔ غلتان فشرده می‌شوند؛ دستیار حقایق، نام‌های مستعار، ترجیحات و روال‌های کاربر یا پروژه را به خاطر می‌سپارد (سنجاق‌کردن، فراموش‌کردن).
پایگاه دانش (RAG)
کاتالوگ تجهیزات، قالب‌های SNMP/Modbus، OIDهای رایج، پوشهٔ دانش و اسناد بارگذاری‌شدهٔ هر پروژه به قطعات ۱۲۰۰ نویسه‌ای نمایه می‌شوند؛ جست‌وجوی ترکیبی کلیدواژه + بردار معنایی، و پاسخ‌گویی حتی وقتی سرویس بردار در دسترس نیست.
۱۴
بک‌اند هوش مصنوعی ARG AI
سرویس مستقل یادگیری ماشین و تحلیل برای ساختمان و مرکز داده که داده‌های توئین را می‌گیرد و پیش‌بینی، تشخیص، بهینه‌سازی و گزارش هوشمند تولید می‌کند. با چند ارائه‌دهندهٔ مدل زبانی کار می‌کند و می‌تواند کاملاً محلی (بدون اینترنت، با مدل زبانی محلی) اجرا شود. رابط برنامه‌نویسی کامل با ۱۴۵ عملیات مستند.
33مدل یادگیری ماشین آماده
145عملیات API مستند
3چارچوب انطباق: ISO 27001 · SOC 2 · ASHRAE
LSTM · DQNمدل‌های عمیق از طریق سرویس پایتون
مدل‌های تحلیلی
| حوزه | مدل‌ها و خروجی |
|---|---|
| انرژی | پیش‌بینی مصرف (Random Forest، LSTM)، پیش‌بینی پیک تقاضا و جابه‌جایی بار، پاسخ به تقاضا (تحلیل تعرفه، زمان‌بندی بار، بهینه‌سازی هزینه)، خوشه‌بندی الگوی مصرف (K‑Means) و دسته‌بندی الگوی جدید، مدل هوا‑انرژی و پیش‌سرمایش/گرمایش وابسته به پیش‌بینی هوا، ردپای کربن |
| تشخیص و عیب‌یابی | تشخیص ناهنجاری تک‌سنسور (Isolation Forest + Z‑Score) و چندمتغیره (همبستگی بین سنسورها)، تشخیص و عیب‌یابی خطا (چندکلاسه)، نگهداشت پیش‌بینانه (پیش‌بینی خرابی)، منحنی سلامت تجهیز و عمر مفید باقی‌مانده، پایش رانش داده |
| آسایش و بهره‌برداری | پیش‌بینی حضور برای HVAC/روشنایی، آسایش حرارتی (PMV/PPD)، بهینه‌سازی زمان‌بندی تجهیزات (یادگیری تقویتی Q‑Learning + ژنتیک، DQN)، بهینه‌سازی یکپارچهٔ هزینه/آسایش بین سیستم‌ها |
| سیستم‌های ساختمان | مدیریت روشنایی (نور روز، حضور، ریتم شبانه‌روزی)، آسانسور (پیش‌بینی ترافیک، زمان انتظار)، آب (نشت، پیش‌بینی مصرف، ناهنجاری فشار)، ایمنی حریق (ریسک، الگوی دود/CO₂)، کنترل تردد (الگوی ورود/خروج، تشخیص نفوذ) |
آموزش و اجرا
- آموزش هر مدل روی دادهٔ یک تجهیز؛ کارهای آموزش همزمان و ناهمگام با پیگیری وضعیت و لغو
- تحلیل دسته‌ای موازی، کش پیش‌بینی با آمار برخورد، محدودیت نرخ به تفکیک دسته
- سلامت مدل‌ها و بازآموزی خودکار؛ معیارهای پیش‌بینی هر مدل و داشبورد پایش
- ورود داده از CSV/JSON/رکورد انبوه با تاریخچهٔ ورود؛ شبیه‌سازی دادهٔ سنسور برای آزمون
سرویس‌های هوشمند
- دستیار چت با چند ارائه‌دهنده (انتخاب خودکار، آزمون اتصال، مدیریت نرخ و بافر)، پاسخ جریانی، نشست‌ها
- گزارش‌های هوشمند تولیدشده با هوش مصنوعی و صادرات PDF/Excel؛ قالب‌های پرامپت با متغیر
- موتور هشدار با قواعد، تأیید و تاریخچه؛ اصلاح خودکار (auto‑remediation) با قواعد و لاگ اجرا؛ Webhook
- چندسایتی با داشبورد هر سایت و نمای کلی سلامت؛ نقشهٔ سلامت زیرسیستم‌ها؛ داشبورد BMS و مرکز داده
- شبیه‌سازی همزاد دیجیتال و تحلیل «چه می‌شود اگر»؛ بررسی انطباق ISO 27001 / SOC 2 / ASHRAE با تاریخچه
- API موبایل (وضعیت سریع، خلاصهٔ سلامت، خوراک هشدار، تحلیل سریع)؛ احراز با توکن JWT
۱۵
سرور نقشهٔ آفلاین ARG Offline Map
بسیاری از سایت‌های صنعتی، نظامی و زیرساختی به اینترنت دسترسی ندارند یا نباید داشته باشند. سرور نقشهٔ آفلاین ARG کاشی‌های نقشه را داخل شبکهٔ مشتری نگه می‌دارد و به داشبوردهای نقشهٔ سامانه، نمای سایت‌ها، ردیابی دارایی و ناوگان سرویس می‌دهد — بدون هیچ وابستگی بیرونی.
قابلیت‌ها
- مدیریت مناطق نقشه: تعریف منطقه با انتخاب محدوده روی نقشه یا از پیش‌تنظیم‌ها (کشور، استان، شهر)
- دانلود کاشی‌ها برای یک منطقه و بازهٔ زوم با برآورد تعداد کاشی؛ کارهای دانلود قابل پیگیری و لغو
- بارگذاری بسته‌های MBTiles آماده؛ نمایش محدودهٔ جغرافیایی و اطلاعات هر منطقه
- سرویس‌دهی استاندارد کاشی (z/x/y) سازگار با Leaflet و MapLibre؛ لایه‌های پایهٔ OSM، تیره، ماهواره
- نمای کرهٔ سه‌بعدی با برجستگی زمین، جو و مرز مناطق؛ نمای جدولی و نقشه‌ای مناطق
- کش با آمار نرخ برخورد، آمار ذخیره‌سازی و فضای آزاد، پاک‌سازی کش، بررسی سلامت
- API مستند (۱۸ عملیات: مناطق، دانلود، سرویس کاشی) با نمونهٔ کد اتصال از Leaflet
یکپارچگی با سامانه
- در تنظیمات سامانه، آدرس سرور نقشهٔ آفلاین وارد می‌شود و نقشه‌ها به‌طور خودکار از آن تغذیه می‌شوند
- ۸ منبع کاشی برای حالت آنلاین (OSM، Carto روشن/تیره، ماهواره، توپوگرافی…) و منبع «آفلاین» برای شبکهٔ بسته
- داشبورد نوع «نقشه»، MiniMap، ابزار ترسیم و نشانه‌گذاری تجهیزات و سایت‌ها روی نقشه
- مناسب مراکز داده، پست‌های برق، سایت‌های پراکندهٔ جغرافیایی و ناوگان
همزاد دیجیتال را زنده ببینید
دموی زندهٔ ArgBMS با همزادهای سه‌بعدی، داشبوردها و منطق واقعی.