في عالم السيارات الحديثة، تعتبر وحدات التحكم الإلكترونية (Electronic Control Units - ECUs) من العوامل الحاسمة التي تسجل آلاف الأحداث غير المتزامنة المعروفة بأكواد الأعطال التشخيصية (Diagnostic Trouble Codes - DTCs). تتشكل هذه الأحداث في تسلسلات زمنية معقدة تعكس صحة الأنظمة الفرعية في المركبة.

يستخدم الخبراء في صناعة السيارات طرق يدوية لتجميع هذه الأكواد في أنماط أعطال أعلى بطريقة تعتمد على قواعد بوليانية، الأمر الذي يساهم في تحديد مشكلات النظام وضمان السلامة. ولكن مع تزايد تعقيد المركبات، تتحول هذه العملية اليدوية إلى جهد شاق وغالبًا ما تكون عرضة للأخطاء، مما يزيد من تكاليف الصيانة.

ما يجعل هذا الموضوع أكثر إثارة هو تشابه عدد أكواد الأعطال الفريدة في السيارات الحديثة مع مفردات لغة طبيعية، مما يُقدّر بعشرات الآلاف. هذه الملاحظة تدفعنا نحو تغيير جذري: النظر إلى تسلسل أكواد الأعطال كلغة قابلة للنمذجة والتوقع والتنبيه.

فشل الأساليب الإحصائية التقليدية في التقاط الاعتماديات الغنية وتوسيع نطاقها لأدوات بيانات عالية الأبعاد التي تتسم بعدد ضخم من العقد وأطوال تسلسل طويلة. التحديات المرتبطة بكثرة الفضاءات الحدثية في سجلات الصناعة تجعل من الضروري تطوير هندسات جديدة في التعلم الآلي تناسب هذه الأنظمة المدفوعة بالأحداث.

تتناول هذه الأطروحة التشخيص الآلي للأعطال من خلال توحيد نمذجة تسلسل الأحداث واكتشاف سببية الأحداث ونماذج اللغات الكبيرة (Large Language Models - LLMs) في إطار متكامل لتدفقات الأحداث عالية الأبعاد. تم هيكلة البحث إلى ثلاثة أجزاء، تعكس الانتقال التدريجي من التوقع إلى الفهم السببي وأخيرًا إلى التفكير في تشخيص المركبات.

نقدم في هذه الدراسة عدة هندسات قائمة على نماذج Transformer للصيانة التنبؤية، وأطر اكتشاف السببية على مستوى العينة والسكان، ونظام متعدد الوكلاء يقوم بأتمتة توليف قواعد EP البوليانية. هذا التقدم يمكن أن يحدث تحولًا كبيرًا في كيفية إدارة الأعطال وتحسين كفاءة الصيانة في عالم السيارات.