Trucks
Trucks
Dokážete si představit, že byste věděli, kdy se vaše auto porouchá, než k tomu dojde? Jak moc by to zlepšilo provozuschopnost a produktivitu vaší firmy? S pomocí dat se naše chápání toho, jak vozidla fungují, rychle rozšiřuje. A s pomocí umělé inteligence (AI) a strojového učení bude možné předvídat poruchy s ještě větší přesností.
Tradičně byl hlavním přístupem k maximalizaci doby provozuschopnosti pravidelný, plánovaný servis a reaktivní opatření, jako jsou služby podpory při poruchách. Ale s ohledem na rozsah senzorů a bezdrátových technologií, které lze na dnešních nákladních vozidlech obvykle najít, mohou být firmy mnohem proaktivnější.
Jádrem konektivity a preventivní údržby je, že pomocí bezdrátových technologií a senzorů je nyní možné sbírat obrovské množství dat z vozidla v reálném čase. Analýzou těchto dat a identifikací vzorců je pak možné předvídat poruchu dříve, než k ní dojde. Získáte tak čas naplánovat si návštěvu servisu, když se vám to hodí, a poté závadu opravit dříve, než způsobí neočekávanou poruchu.
„Během krátké doby, co v této oblasti pracuji, jsem viděl, jak se technologie a naše schopnosti exponenciálně rozšířily,“ říká Matthias Tytgat, manažer monitorovacího centra Volvo Trucks v belgickém Gentu.
„V roce 2016 jsme na dálku monitorovali pouze jeden komponent a trvalo nám celý den, než jsme provedli úplnou kontrolu flotily několika stovek kamionů. Dnes monitorujeme více komponent v desítkách tisíc nákladních vozidel a dokážeme provést úplnou kontrolu celého vozového parku za pouhých osm minut. A vzrušující je, že se neustále zlepšujeme.“
Čím více dat dokáže systém analyzovat, tím přesněji dokáže předpovídat výsledky. Zpočátku byly konektivita a služby monitorování v reálném čase navrženy tak, aby za účelem predikce poruch reagovaly na určité prahové hodnoty nebo hodnoty senzorů pro jednotlivé parametry. Například překročení nastavené teploty motorem.
„I když jsou tyto druhy poznatků užitečné, mohou být poněkud omezené, protože neberou v úvahu jedinečné okolnosti vozidla a jízdní podmínky,“ vysvětluje Matthias. „Ačkoli je důležité odhalit potenciální závadu co nejdříve, je také důležité zbytečně nepřivážet vozidlo do servisu.“
Strojové učení lze použít k analýze většího objemu dat a k odhalování vzorců, které nelze definovat běžnou sadou pravidel. Výsledkem jsou ještě přesnější předpovědi. Lze kombinovat různé parametry a datové body z širší škály komponentů a senzorů, které jsou pak analyzovány AI systémy, aby detekovaly vzorce naznačující potenciální problematické chování, které pravděpodobně povede k poruše.
Například lze teploty různých dílů analyzovat v kombinaci s dalšími faktory, jako jsou počet najetých kilometrů a chybové kódy. Jakmile je algoritmus strojového učení vytrénován k identifikaci vzorce nebo kombinace faktorů, které často způsobují konkrétní poruchu, je možné předvídat problémy pro jednotlivá vozidla bez ohledu na typ jejich aplikace.
„Bude to, jako by daná služba byla vytvořena pro konkrétní vozidlo a jeho zákazníka,“ říká Matthias. „A s tím, jak budeme pokračovat ve zlepšování naší schopnosti analyzovat data, tím přesnější tyto systémy budou.“
V poslední době je kladen velký důraz na ochranu osobních údajů a zabezpečení dat a mnoha řidičům je nepříjemná vyhlídka, že budou při práci tak pečlivě sledováni. Toto jsou oprávněné obavy, a proto je důležité, aby každý poskytovatel konektivity mohl nabízet následující:
Chcete-li se dozvědět více o tom, jak mohou konektivita a propojené služby pomoci majitelům nákladních vozidel zlepšit provoz jejich vozového parku, stáhněte si našeho průvodce technologiemi a efektivním řízením. Zde se dozvíte:
