Trucks
Trucks
Forestil dig, hvis du vidste, hvornår din lastbil ville bryde ned, før det skete? Hvor meget ville dette forbedre din virksomheds driftstid og produktivitet? Ved hjælp af data forbedres vores forståelse af, hvordan køretøjer fungerer, hurtigt. Og ved hjælp af kunstig intelligens (AI) og maskinlæring bliver det muligt at forudsige nedbrud med endnu større nøjagtighed.
Traditionelt har hovedtilgangen til at maksimere driftstiden været regelmæssig, planlagt service og reaktive foranstaltninger såsom nedbrudssupporttjenester. Men med udvalget af sensorer og trådløse teknologier, som man typisk finder i nutidens lastbiler, kan virksomhederne være langt mere proaktive.
Kernen i forbundne tjenester og forebyggende vedligeholdelse er, at ved at bruge trådløs teknologi og sensorer så er det nu muligt at indsamle enorme mængder data fra et køretøj i realtid. Ved at analysere disse data og identificere mønstre er det derefter muligt at forudsige og forudse en fejl, før den opstår. Dette giver dig tid til at planlægge et værkstedsbesøg, når det passer dig, og derefter rette fejlen, før den forårsager et uventet nedbrud.
"På den korte tid, jeg har arbejdet inden for dette felt, har jeg set teknologierne og vores muligheder udvide sig eksponentielt," fortæller Matthias Tytgat, leder af Volvo Trucks' overvågningscenter i Gent, Belgien.
"I 2016 fjernovervågede vi kun én komponent, og det tog os en hel dag at gennemføre en fuld kontrol af en flåde på flere hundrede lastbiler. I dag overvåger vi flere komponenter i titusindvis af lastbiler, og vi kan gennemføre et komplet tjek af hele flåden på kun otte minutter. Og det spændende er, at vi hele tiden bliver bedre."
Jo flere data et system kan analysere, desto mere præcist kan det forudsige resultater. Til at begynde med var tilsluttede tjenester og realtidsovervågningstjenester designet til at reagere på bestemte tærskler eller sensorværdier for individuelle parametre som en måde at forudsige fejl på. For eksempel hvis motoren overskrider en indstillet temperatur.
"Selvom denne slags indsigt er nyttig, kan den i nogen grad være begrænset, fordi den ikke tager højde for køretøjets unikke omstændigheder og kørselsforhold," forklarer Matthias. "Selvom det er vigtigt at opdage en potentiel fejl så tidligt som muligt, er det også vigtigt ikke at bringe et køretøj unødigt ind på værkstedet."
Maskinlæring kan bruges til at analysere større mængder data og til at opdage mønstre, der er umulige at definere med et normalt sæt regler. Dette resulterer i endnu mere præcise forudsigelser. Forskellige parametre og datapunkter fra en bredere udvalg af komponenter og sensorer kan kombineres, som derefter analyseres af AI-systemer for at registrere mønstre, der indikerer potentiel problematisk adfærd, der sandsynligvis vil føre til et nedbrud.
For eksempel kan temperaturerne på forskellige dele analyseres i kombination med andre faktorer såsom køretøjets kilometertal og fejlkoder. Når først en maskinlæringsalgoritme er blevet trænet til at identificere et mønster eller en kombination af faktorer, der ofte forårsager en bestemt fejl, bliver det muligt at forudsige problemer for individuelle køretøjer, uanset hvad de anvendes til.
"Det vil fungere, som om tjenesten blev skabt til et specifikt køretøj og dets kunde," siger Matthias. "Og efterhånden som vi fortsætter med at forbedre vores kapacitet til at analysere data, desto mere nøjagtige vil disse systemer være."
På det seneste har der været meget fokus på databeskyttelse og datasikkerhed, og mange chauffører er ikke begejstrede for udsigten til at blive overvåget så nøje, når de arbejder. Det er gyldige bekymringer, og derfor er det også vigtigt, at enhver tilsluttet tjenesteudbyder kan tilbyde følgende:
Du kan få flere oplysninger om, hvordan tilslutningsmuligheder og forbundne tjenester kan hjælpe lastbilsejerne med at forbedre deres flådedrift, ved at downloade vores vejledning om teknologi og effektiv kørsel. Her kan du få oplysninger om:
