Tenk om du visste når lastebilen din kommer til å havarere før det skjer? Hvor mye vil det forbedre virksomhetens oppetid og produktivitet? Ved hjelp av data forbedres vår forståelse raskt av hvordan kjøretøy fungerer. Ved hjelp av kunstig intelligens (AI) og maskinlæring vil det også bli mulig å forutsi havarier med enda større nøyaktighet.
Tradisjonelt har den vanlige tilnærmingen til optimal oppetid vært regelmessig, planlagt service og reaktive tiltak som støttetjenester ved havari. Med dagens utvalg av sensorer og trådløs teknologi som nye lastebiler som regel er utstyrt med, kan imidlertid de fleste virksomheter bli langt mer proaktive.
Kjernen i tilkoblede tjenester og forebyggende vedlikehold er at det nå er mulig å samle inn enorme mengder data fra et kjøretøy i sanntid ved hjelp av trådløs teknologi og sensorer. Ved å analysere data og identifisere mønstre, er det derfor mulig å forutsi og forutse en feil før den oppstår. Dermed får du tid til å planlegge et verkstedbesøk når det passer deg, og deretter få feilen utbedret før den forårsaker et uventet havari.
– I løpet av den korte tiden jeg har jobbet på dette området, har jeg sett at teknologien og våre ferdigheter utvides eksponentielt, sier Matthias Tytgat, leder for Volvo Trucks’ Monitoring Centre i Gent, Belgia.
– I 2016 kunne vi bare overvåke én komponent eksternt, og det tok oss en hel dag å gjennomføre en fullstendig kontroll av en bilpark på flere hundre lastebiler. I dag overvåker vi flere komponenter i titusenvis av lastebiler, og vi kan gjennomføre en fullstendig kontroll av hele bilparken på bare åtte minutter. Og det spennende er at vi stadig forbedrer oss.
Desto mer data et system kan analysere, desto mer nøyaktig kan det forutsi utfall. Opprinnelig var tilkoblede tjenester og sanntidsovervåkingstjenester utformet for å reagere på bestemte grense- eller sensorverdier for ulike parametere som et middel til å forutsi feil. For eksempel når motortemperaturen overskrider en definert grenseverdi.
– Selv om en slik innsikt er nyttig, kan den være noe begrenset fordi den ikke tar hensyn til kjøretøyets unike omstendigheter og kjøreforhold, forklarer Matthias. Selv om det er viktig å oppdage en potensiell feil så tidlig som mulig, er det også viktig å ikke sette et kjøretøy på verkstedet før det er nødvendig.
Maskinlæring kan brukes til å analysere større mengder data og til å oppdage mønstre som er umulige å definere via et ordinært regelsett. Det fører til enda mer nøyaktige forutsigelser. Det gjør det mulig å kombinere ulike parametere og datapunkter fra et større utvalg komponenter og sensorer. Disse analyseres deretter av AI-systemer for å oppdage mønstre som indikerer mulige problematiske tilstander som sannsynligvis vil føre til havari.
For eksempel kan temperaturen til ulike deler analyseres og sammenholdes med andre faktorer som kjøretøyets kilometerstand og feilkoder. Når en maskinlæringsalgoritme har blitt programmert til å påvise et mønster eller en kombinasjon av faktorer som ofte forårsaker en bestemt feil, blir det mulig å forutsi problemer for hvert enkelt kjøretøy uansett bruksområde.
– Det vil se ut som om tjenesten ble opprettet for et bestemt kjøretøy og dets kjøper, sier Matthias. Og etter hvert som vi fortsetter å forbedre vår kapasitet til å analysere data, desto mer nøyaktige blir disse systemene.
I den senere tid har det vært mye fokus på personvern og datasikkerhet, og mange sjåfører er ukomfortable med mulighetene til å bli så nøye overvåket på jobben. Dette er reelle bekymringer, og det er grunnen til at det er viktig at alle leverandører av tilkoblede tjenester kan tilby følgende:
Last ned veiledningen vår om teknologi og effektiv kjøring for å lære mer om hvordan tilkobling og tilkoblede tjenester kan hjelpe lastebileiere med å forbedre driften av bilparken sin. Her kan du lære: