Trucks
Trucks
Wyobrażasz sobie, że przed wystąpieniem awarii w samochodzie ciężarowym wiesz, kiedy się jej spodziewać? Na ile poprawiłoby to dyspozycyjność i produktywność Twojej firmy? Dzięki danym szybko poszerzamy wiedzę na temat działania pojazdów. A za pomocą sztucznej inteligencji (AI) i uczenia maszynowego będzie możliwe przewidywanie awarii z jeszcze większą dokładnością.
Tradycyjnie zapewnieniu maksymalnej dyspozycyjności służyły regularne, zaplanowane przeglądy i działania reaktywne, takie jak zapewnienie pomocy w razie awarii. Jednak dzięki szerokiej gamie czujników i technologiom bezprzewodowym stanowiącym wyposażenie dzisiejszych samochodów ciężarowych przedsiębiorstwa mogą zwiększyć proaktywność działań.
Najważniejszą cechą usług opartych na łączności i konserwacji zapobiegawczej jest możliwość wykorzystania technologii bezprzewodowej i czujników do gromadzenia ogromnych ilości danych z pojazdu w czasie rzeczywistym. Analizując te dane i identyfikując wzorce, można przewidzieć usterkę, zanim ona wystąpi. Daje to czas na zaplanowanie wizyty w warsztacie w dogodnym terminie, a następnie naprawienie usterki, zanim spowoduje ona nieoczekiwaną awarię.
„W krótkim okresie mojej pracy w tej dziedzinie zauważyłem, że rozwój technologii i naszych możliwości rośnie wykładniczo”, mówi Matthias Tytgat, kierownik Centrum Monitorowania Volvo Trucks w Gandawie w Belgii.
„W 2016 roku zdalnie monitorowaliśmy tylko jeden komponent, a pełna kontrola floty kilkuset samochodów ciężarowych zajmowała nam cały dzień. Obecnie monitorujemy wiele komponentów w dziesiątkach tysięcy samochodów ciężarowych i możemy przeprowadzić pełną kontrolę całej floty w zaledwie osiem minut. A ekscytujące jest to, że stale się doskonalimy”.
Im więcej danych system może przeanalizować, tym dokładniej może przewidywać wyniki. Początkowo usługi oparte na łączności i usługi monitorowania w czasie rzeczywistym zaprojektowano tak, aby w celu przewidywania usterek reagowały na określone wartości progowe lub dane z czujników dotyczące poszczególnych parametrów. Na przykład przekroczenie przez silnik zadanej temperatury.
„Chociaż tego rodzaju spostrzeżenia są przydatne, mogą być nieco ograniczone, ponieważ nie uwzględniają konkretnych sytuacji pojazdów i warunków jazdy” – wyjaśnia Matthias. „Chociaż ważne jest, aby jak najwcześniej wykryć potencjalną usterkę, ważne jest również, aby niepotrzebnie nie odstawiać pojazdu do warsztatu”.
Uczenie maszynowe może być wykorzystywane do analizowania większych ilości danych i wykrywania wzorców niemożliwych do zdefiniowania przez zwykły zestaw reguł. Dzięki temu zwiększa się dokładność prognoz. Można łączyć różne parametry i punkty danych z większej liczby komponentów i czujników, a analizować je za pomocą systemów sztucznej inteligencji w celu wykrycia wzorców wskazujących na potencjalne problematyczne zachowanie, które może prowadzić do awarii.
Na przykład temperatury różnych części można analizować w połączeniu z innymi czynnikami, takimi jak przebieg pojazdu i kody usterek. Po przeszkoleniu algorytmu uczenia maszynowego w celu zidentyfikowania wzorca lub kombinacji czynników, które często powodują konkretną usterkę, możliwe staje się przewidywanie problemów w odniesieniu do poszczególnych pojazdów bez względu na rodzaj wykonywanej przez nie pracy.
„To będzie tak, jakby usługa została stworzona dla konkretnego pojazdu i jego klienta” – mówi Matthias. „A im bardziej będziemy zwiększać naszą zdolność do analizowania danych, tym dokładniejsze będą te systemy”.
Ostatnio dużo uwagi poświęca się prywatności i bezpieczeństwu danych, a perspektywa ścisłego monitorowania w czasie pracy jest dla wielu kierowców niekomfortowa. Są to uzasadnione obawy, dlatego ważne jest, aby każdy dostawca usług opartych na łączności zapewniał:
Aby dowiedzieć się więcej o tym, jak łączność i usługi oparte na łączności mogą pomóc właścicielom samochodów ciężarowych w usprawnieniu operacji flotowych, pobierz nasz przewodnik dotyczący technologii i efektywnej jazdy. Dzięki nim dowiesz się:
