Baixe no formato DOCX, PDF, TXT ou leia online no Scribd
Fazer download em docx, pdf ou txt
Você está na página 1/ 7
Sistema Especialista para Diagnóstico e Manutenção de Veículos
Automotivos
Grupo 6: ADS
Disciplina: Inteligência Artificial e Total Software Process
Curso: Engenharia de Software
Integrantes: Caio Cesar (0017171);
Letícia Vitoria (0017118);
Lucca Emanuel (0017180);
Maria Alicia (0017353);
Matheus Douglas (0016895);
Monteiro Logan (10201264910);
Patrícia Amaral (0016738);
Rodrigo Felipe (0017447);
Vanessa Ribeiro ();
Professor: Gilmar Severino Lucena de Souza
Data: 10 de setembro, 2024.
1. Resumo
Descrição Geral: O objetivo do nosso projeto é desenvolver um sistema para
auxiliar mecânicos e técnicos na identificação de problemas em veículos automotivos, sugerindo diagnósticos e procedimentos de manutenção corretivos. O sistema foi projetado para coletar informações sobre os sintomas de falhas fornecidos pelos usuários e analisar dados de veículos, como códigos de falha do sistema OBD2. O projeto consiste no desenvolvimento de um sistema para auxiliar mecânicos no diagnóstico de problemas automotivos, analisando sintomas e dados do veículo, como códigos de falha OBD2. O sistema utiliza um motor de inferência baseado em regras lógicas e um banco de dados de casos anteriores para sugerir diagnósticos e soluções corretivas. Com isso, ele aumenta a precisão dos diagnósticos, reduz o tempo de reparo e melhora a eficiência nas oficinas.
Palavras-chave: - Sistema especialista
- Diagnóstico automotivo
- Motor de inferência
- Códigos OBD2
- Manutenção corretiva
2. Introdução
Contextualização: A escolha de desenvolver um sistema para diagnóstico
automotivo é altamente relevante no campo da engenharia de software e inteligência artificial devido à crescente complexidade dos veículos modernos, que incorporam uma vasta gama de componentes eletrônicos e mecânicos. A integração de IA em sistemas automotivos oferece uma forma eficiente de gerenciar essa complexidade, ajudando mecânicos a identificarem falhas com precisão e rapidez.
No campo da engenharia de software, o projeto é importante porque envolve o
desenvolvimento de sistemas robustos e escaláveis, que integram bases de conhecimento dinâmicas, processos de inferência e interfaces amigáveis. Já no contexto da inteligência artificial, o uso de motores de inferência e a análise de dados em tempo real, como os códigos OBD2, destacam a aplicação prática de IA em problemas do mundo real, trazendo avanços significativos para a indústria automotiva. Isso resulta em maior eficiência, redução de custos e melhora na confiabilidade dos diagnósticos, beneficiando tanto técnicos quanto consumidores.
Objetivo do Projeto: O principal objetivo do projeto é desenvolver um
sistema especialista capaz de auxiliar mecânicos e técnicos na identificação precisa de problemas em veículos automotivos, fornecendo diagnósticos baseados em sintomas e dados do veículo, e sugerindo procedimentos corretivos eficientes. Isso visa aumentar a eficiência no processo de reparo, reduzir o tempo de diagnóstico e minimizar erros humanos, melhorando a qualidade dos serviços prestados nas oficinas.
Escopo:
1. Desenvolvimento de um sistema: Inclui a criação de um motor de inferência
para análise de sintomas e dados de veículos.
2. Integração com sistemas OBD2: Permite a leitura e interpretação de códigos
de falha diretamente dos veículos.
3. Base de conhecimento: Criação de um banco de dados com informações
sobre sintomas, diagnósticos e procedimentos corretivos.
4. Interface de usuário: Desenvolvimento de uma interface amigável para
interação dos mecânicos com o sistema.
5. Processo de aprendizado: Implementação de métodos para melhorar o
sistema com base no feedback dos usuários e dados adicionais.
O que ficou fora do escopo:
1. Desenvolvimento de hardware: O projeto não inclui a criação de dispositivos
físicos ou sensores. 2. Manutenção de atualizações contínuas da base de dados: O projeto não abrange a manutenção e atualização contínua da base de conhecimento além do período de desenvolvimento inicial.
3. Integração com sistemas automotivos: O projeto não contempla a
personalização para marcas ou modelos específicos de veículos além dos códigos OBD2 padrão.
4. Treinamento extensivo de usuários: O projeto não inclui a formação
detalhada para todos os usuários finais do sistema.
3. Metodologia
O desenvolvimento do Chat SDV (Sistema de Diagnóstico Veicular) foi conduzido com
base em uma metodologia estruturada que envolveu a criação de uma base de conhecimento robusta e a implementação de um sistema especialista utilizando ferramentas e tecnologias modernas. A seguir, detalha-se o processo de desenvolvimento da base de conhecimento e do sistema em si.
Desenvolvimento da Base de Conhecimento: A base de conhecimento do
sistema foi construída a partir de duas fontes principais: o conhecimento adquirido durante a graduação em Análise e Desenvolvimento de Sistemas (ADS) e a vivência prática em oficinas mecânicas. A experiência direta com mecânicos e seus processos de diagnóstico automotivo forneceu uma compreensão aprofundada dos códigos de falhas OBD2, além de familiaridade com os desafios enfrentados no cotidiano desses profissionais. Esse conhecimento prático foi complementado com um estudo detalhado da estrutura e funcionalidade dos códigos de diagnóstico OBD2, garantindo que o sistema pudesse fornecer recomendações precisas e úteis.
A estruturação do conhecimento foi realizada através da criação de uma base de dados
com informações sobre os códigos de falha OBD2, incluindo descrições detalhadas, possíveis causas e ações corretivas recomendadas. Para isso, foram utilizados recursos de análise de dados, utilizando bibliotecas como Pandas e Python para organizar, categorizar e manipular as informações de forma eficiente. Este processo de organização foi essencial para a implementação do motor de inferência do sistema, que baseia suas recomendações na correlação entre os códigos de falha e os diagnósticos sugeridos.
Desenvolvimento do Sistema: O desenvolvimento do Chat SDV foi dividido em
duas partes principais: o back-end e o front-end, cada um desenvolvido com tecnologias específicas para garantir robustez e escalabilidade.
O back-end do sistema foi desenvolvido utilizando a IDE PyCharm, com Python como a linguagem principal. Foram utilizadas bibliotecas oficiais, como Pandas para manipulação de dados, dotenv para gerenciamento de variáveis de ambiente e logging para criação de logs de execução e rastreamento de eventos. Além disso, a biblioteca Flask foi empregada para gerenciar a comunicação entre o front-end e o back-end, atuando como a principal ferramenta para a criação das APIs REST que permitem a interação do sistema com os dados e a lógica de diagnóstico.
Com base no conhecimento prático de Python, obtido através de cursos e experiências
em análise de dados, o back-end foi estruturado para processar as requisições dos usuários de forma eficiente e fornecer os diagnósticos em tempo real. O sistema foi projetado para receber os códigos OBD2 inseridos pelos mecânicos, buscar na base de dados as informações correspondentes e retornar ao usuário um diagnóstico detalhado, junto com recomendações de manutenção.
O front-end do sistema foi desenvolvido utilizando a IDE Visual Studio Code,
empregando o framework React para criar uma interface de usuário dinâmica e responsiva. O design da interface foi feito com a biblioteca Chakra UI, que facilitou a criação de componentes visuais limpos e intuitivos. A comunicação entre o front-end e o back-end foi realizada por meio do Axios, uma biblioteca JavaScript usada para fazer requisições HTTP, garantindo que os dados do sistema fluíssem de forma ágil e eficiente. A navegação dentro do sistema foi implementada utilizando o React Router DOM, permitindo que os usuários naveguem entre diferentes páginas, como a busca de códigos, o envio de diagnósticos e a geração de relatórios. Toda a interface foi projetada para ser simples e direta, de modo a garantir que os mecânicos, mesmo sem conhecimento técnico avançado, possam utilizar a ferramenta com facilidade.
Durante o desenvolvimento, o sistema passou por testes contínuos para garantir a
funcionalidade correta de todos os seus componentes. Foram implementados logs no back-end para monitorar e solucionar possíveis erros, além de garantir a escalabilidade da aplicação.
Por fim, o sistema foi testado com usuários reais em ambiente de oficina, o que permitiu validar a usabilidade e a eficiência do Chat SDV no ambiente prático para o qual foi concebido.
4. Implementação
Etapas de Implementação: Descrever as etapas seguidas durante o
desenvolvimento do projeto, desde a coleta de dados até a codificação.
Problemas Encontrados: Relatar os principais desafios e como eles
foram superados.
Testes e Validação: Explicar como o sistema foi testado e validado, e
quais foram os resultados obtidos.
5. Resultados
Funcionamento do Sistema: Descrever como o sistema funciona na
prática, incluindo exemplos de entradas e saídas.
Análise dos Resultados: Analisar os resultados obtidos, destacando os
pontos fortes e as áreas que podem ser melhoradas.
6. Discussão
Impacto do Projeto: Discutir o impacto potencial do sistema
desenvolvido no mercado ou na prática profissional. Limitações: Identificar as limitações do sistema e as possíveis melhorias para versões futuras.
Aprendizados: Relatar os principais aprendizados obtidos pelo grupo
durante a realização do projeto.
7. Conclusão
Resumo dos Achados: Resumir os principais resultados e conclusões
do projeto.
Perspectivas Futuras: Sugerir direções para trabalhos futuros ou como
o sistema pode ser expandido ou melhorado.
8. Referências
Referências Bibliográficas: Listar todas as fontes bibliográficas,
artigos, livros, sites, etc., que foram consultados para a realização do projeto.
9. Anexos (Opcional)
Códigos Fonte: Incluir trechos relevantes de código ou links para
repositórios online.
Documentação Adicional: Qualquer documentação que suporte o
trabalho realizado, como manuais de usuário, diagramas adicionais, etc.
