TRUCKS
TRUCKS
Zamislite da ste znali kada će vam se kamion pokvariti prije nego što se to dogodi? Koliko bi to poboljšalo mobilnost i produktivnost vašeg poslovanja? Uz pomoć podataka naše razumijevanje rada vozila brzo se poboljšava. A s pomoću umjetne inteligencije i strojnog učenja postat će moguće predvidjeti kvarove s još većom točnošću.
Klasični je osnovni pristup maksimiziranju mobilnosti bio redovito, planirano servisiranje i reaktivne mjere poput usluga podrške u slučaju kvara. Ali s nizom senzora i bežičnim tehnologijama kakve obično možemo naći na današnjim kamionima, tvrtke mogu biti daleko proaktivnije.
Srž je povezanih usluga i preventivnog održavanja u tome da je upotrebom bežične tehnologije i senzora sada moguće prikupiti ogromne količine podataka iz vozila u stvarnom vremenu. Analizom ovih podataka i identificiranjem uzoraka moguće je predvidjeti kvar prije nego što se dogodi. To vam daje vremena da zakažete posjet servisnoj radionici prema vlastitom rasporedu, a zatim ispravite pogrešku prije nego što izazove neočekivani kvar.
„U kratkom vremenu koliko radim u ovom polju vidio sam kako se tehnologije i naše mogućnosti eksponencijalno šire”, kaže Matthias Tytgat, voditelj Centra za praćenje kompanije Volvo Trucks u Ghentu u Belgiji.
„2016. daljinski smo pratili samo jednu komponentu i trebao nam je cijeli dan da izvršimo potpunu provjeru u voznom parku od nekoliko stotina kamiona. Danas pratimo više komponenti u desecima tisuća kamiona i možemo izvršiti potpunu provjeru cijele flote u samo osam minuta. A ono što je uzbudljivo su stalna poboljšanja”
Što više podataka sustav može analizirati, točnije može predvidjeti ishode. U početku su povezane usluge i usluge praćenja u stvarnom vremenu bile osmišljene da reagiraju na određene granične vrijednosti ili vrijednosti senzora za pojedinačne parametre radi predviđanje mogućih kvarova. Na primjer, temperatura motora premašuje zadanu temperaturu.
„Iako su ove vrste uvida korisne, mogu biti i donekle ograničene jer ne uzimaju u obzir jedinstvene okolnosti vozila i uvjete vožnje”, objašnjava Matthias. „Iako je važno otkriti potencijalni kvar što je ranije moguće, također je važno ne dovoditi vozilo u servisnu radionicu bez potrebe.”
Za analizu veće količine podataka i otkrivanje obrazaca koje je nemoguće definirati normalnim skupom pravila može se rabiti strojno učenje. To rezultira još preciznijim predviđanjima. Mogu se kombinirati različiti parametri i podatkovne točke iz širokog spektra komponenti i senzora, koje zatim analiziraju sustavi umjetne inteligencije kako bi otkrili obrasce koji ukazuju na potencijalno problematično ponašanje koje će vjerojatno dovesti do kvara.
Na primjer, temperature različitih dijelova mogu se analizirati u kombinaciji s drugim čimbenicima kao što su kilometraža vozila i kodovi grešaka. Nakon što se algoritam strojnog učenja osposobi za prepoznavanje uzorka ili kombinacije čimbenika koji često uzrokuju određenu grešku postaje moguće predvidjeti probleme za pojedinačna vozila bez obzira na vrstu posla u kojoj se upotrebljavaju.
„To je kao da je usluga stvorena za određeno vozilo i njegovog kupca“, kaže Matthias. „A kako nastavljamo poboljšavati svoje kapacitete za analizu podataka, ovi će sustavi biti još precizniji.”
U posljednje vrijeme puno se pažnje posvećuje privatnosti i sigurnosti podataka, a mnogim je vozačima neugodna mogućnost da budu tako pomno nadzirani tijekom rada. Ovo su opravdane zabrinutosti i zato je važno da svi pružatelji povezanih usluga mogu ponuditi sljedeće:
Da biste saznali više o tome kako povezivost i povezane usluge mogu pomoći vlasnicima kamiona u poboljšanju rada voznog parka, preuzmite naš vodič o tehnologiji i učinkovitoj vožnji. Ovdje ćete naučiti:
