Dokážete si predstaviť, že by ste vedeli, kedy sa vaše nákladné vozidlo pokazí, a to ešte predtým, ako k tomu dôjde! O koľko by sa zlepšila prevádzkyschopnosť a produktivita vašej firmy? S pomocou údajov sa naše porozumenie fungovaniu vozidiel rýchlo zlepšuje. A vďaka umelej inteligencie (AI) a strojovému učeniu bude možné predpovedať poruchy s ešte väčšou presnosťou.
Hlavným prístupom k maximalizácii doby prevádzkyschopnosti bol tradične pravidelný, plánovaný servis a reaktívne opatrenia, ako sú podporné služby pri poruchách. Ale vďaka množstvu snímačov a bezdrôtovým technológiám, ktoré sú súčasťou dnešných nákladných vozidiel, môžu byť firmy oveľa proaktívnejšie.
Základom prepojených služieb a preventívnej údržby je, že pomocou bezdrôtovej technológie a senzorov je teraz možné zbierať obrovské množstvo údajov z vozidla v reálnom čase. Analýzou týchto dát a identifikáciou vzorcov je následne možné predvídať a predpovedať poruchu skôr, ako k nej dôjde. To vám poskytuje čas naplánovať si návštevu servisnej dielne podľa vlastného uváženia a chybu odstrániť skôr, ako spôsobí neočakávanú poruchu väčšieho rozsahu.
„Za krátky čas, čo v tejto oblasti pracujem, som bol svedkom toho, ako sa technológie a naše schopnosti exponenciálne rozširujú,“ hovorí Matthias Tytgat, manažér monitorovacieho centra Volvo Trucks v belgickom Gente.
„V roku 2016 sme na diaľku monitorovali iba jeden komponent a kompletnú kontrolu flotily niekoľkých stoviek nákladných vozidiel nám trvalo celý deň. Dnes monitorujeme viacero komponentov v desiatkach tisíc nákladných vozidiel a kompletnú kontrolu celého vozového parku dokážeme uskutočniť v priebehu iba osem minút. A vzrušujúce je, že sa neustále zlepšujeme.“
Čím viac dát dokáže systém analyzovať, tým presnejšie dokáže predpovedať výsledky. Spočiatku boli služby monitorovania v reálnom čase navrhnuté tak, aby reagovali na určité hraničné hodnoty alebo hodnoty senzorov pre jednotlivé parametre ako prostriedok na predvídanie porúch. Ak napríklad motor prekročí nastavenú teplotu.
„Hoci sú tieto druhy poznatkov užitočné, môžu byť trochu obmedzené, pretože nezohľadňujú jedinečné okolnosti vozidla a jazdné podmienky,“ vysvetľuje Matthias. „A aj keď je dôležité odhaliť prípadnú chybu čo najskôr, je tiež podstatné nezvolávať vozidlo zbytočne do servisnej dielne.”
Strojové učenie možno využiť na analýzu väčších objemov dát a na zisťovanie vzorcov, ktoré nie je možné definovať bežným súborom pravidiel. Výsledkom sú ešte presnejšie predpovede. Dajú sa kombinovať rôzne parametre a dátové body zo širšej škály komponentov a senzorov, ktoré potom analyzujú systémy AI s cieľom odhaliť vzorce naznačujúce potenciálne problematické správanie, ktoré pravdepodobne povedie k poruche.
Napríklad teploty rôznych súčastí vozidla možno analyzovať v kombinácii s inými faktormi, ako sú najazdené kilometre a chybové kódy. Akonáhle je algoritmus strojového učenia naučený na identifikáciu vzorca alebo kombinácie faktorov, ktoré často spôsobujú konkrétnu chybu, je možné predpovedať problémy pre jednotlivé vozidlá bez ohľadu na to, v akom type aplikácie sa nachádzajú.
„Bude to, ako keby služba bola vytvorená pre konkrétne vozidlo a jeho zákazníka,“ hovorí Matthias. „A keďže neustále zlepšujeme našu schopnosť analyzovať údaje, tieto systémy budú čoraz presnejšie.”
V poslednej dobe je kladený veľký dôraz na ochranu osobných údajov a zabezpečenie dát. Mnohí vodiči majú nepríjemnú predstavu, že budú pri práci pozorne monitorovaní. Sú to oprávnené obavy, a preto je dôležité, aby každý poskytovateľ pripojených služieb dokázal ponúknuť nasledovné:
Ak sa chcete dozvedieť viac o tom, ako môže konektivita a prepojené služby pomôcť majiteľom nákladných vozidiel zlepšiť prevádzku ich vozového parku, stiahnite si našu príručku o technológiách a hospodárnej jazde. Tu sa dozviete: