Trucks
Trucks
Stelt u zich eens voor: hoe zou het zijn als u van tevoren wist wanneer uw truck defect zou raken? Hoe zou dat de uptime en de productiviteit van uw bedrijf beïnvloeden? Aan de hand van data krijgen we snel meer inzicht in de werking van voertuigen. En met behulp van kunstmatige intelligentie (AI) en machine learning wordt het mogelijk om storingen nog nauwkeuriger te voorspellen.
Traditioneel werd de beschikbaarheid van trucks voornamelijk gemaximaliseerd door regelmatig, gepland onderhoud en met reactieve maatregelen zoals hulp bij pech onderweg. Maar met het bereik van de sensoren en draadloze technologie waarover moderne trucks gewoonlijk beschikken, kunnen bedrijven veel proactiever zijn.
De kern van connected services en preventief onderhoud wordt gevormd door draadloze technologie en sensoren die het nu mogelijk maken om in realtime enorme hoeveelheden data van een voertuig te verzamelen. Door deze gegevens te analyseren en patronen te herkennen kunnen vervolgens storingen worden voorspeld. U kunt daarop anticiperen voordat de truck uitvalt. Dit geeft u de tijd om een werkplaatsbezoek in te plannen wanneer het u uitkomt en vervolgens het defect te verhelpen voordat een onverwachte storing wordt veroorzaakt.
In de korte tijd dat ik op dit gebied werk, heb ik de technologieën en onze mogelijkheden exponentieel zien groeien.
"In 2016 bewaakten we slechts één onderdeel op afstand en kostte het ons een hele dag om een volledige controle uit te voeren in een wagenpark met enkele honderden trucks. Tegenwoordig monitoren we meerdere componenten in tienduizenden trucks en kost de volledige controle van het hele wagenpark ons slechts acht minuten. En het fantastische nieuws is dat we nog voortdurend verbeteren."
Hoe meer data een systeem kan analyseren, hoe nauwkeuriger de voorspelde resultaten. Aanvankelijk werden connected services en realtime monitoring services ontworpen om aan de hand van bepaalde drempels of sensorwaarden voor individuele parameters fouten te voorspellen. Bijvoorbeeld een motor die de ingestelde temperatuur overschrijdt.
"Hoewel dit soort inzichten nuttig zijn, is de opbrengst enigszins beperkt omdat er geen rekening wordt gehouden met de unieke voertuig- en rijomstandigheden", legt Matthias uit. "Het is belangrijk om een mogelijke storing zo vroeg mogelijk te detecteren, maar het is ook belangrijk om een voertuig niet onnodig naar de werkplaats te brengen."
Met machine learning worden grotere hoeveelheden data geanalyseerd en patronen gedetecteerd die niet kunnen worden gedefinieerd met een normale set regels. Dit resulteert in nog nauwkeurigere voorspellingen. Verschillende parameters en gegevenspunten van uiteenlopende onderdelen en sensoren worden gecombineerd en vervolgens door AI-systemen geanalyseerd om patronen te detecteren die wijzen op potentieel problematisch gedrag en mogelijke uitval.
Zo kunnen de temperaturen van verschillende onderdelen worden geanalyseerd in combinatie met andere factoren zoals kilometerstand en foutcodes. Zodra een machine learning-algoritme is getraind om een patroon of combinatie van factoren te herkennen die vaak een bepaalde fout veroorzaken, wordt het mogelijk om problemen voor individuele voertuigen te voorspellen, ongeacht de manier waarop ze worden toegepast.
Het zal lijken of de service is gemaakt voor een specifiek voertuig en een specifieke klant. Als we onze capaciteit om gegevens te analyseren blijven verbeteren, worden deze systemen nauwkeuriger.
De laatste tijd is er veel aandacht voor privacy en beveiliging van gegevens, en sommige chauffeurs voelen zich ongemakkelijk bij het vooruitzicht dat ze nauwlettend in de gaten worden gehouden tijdens het werken. Dit zijn terechte zorgen en daarom is het belangrijk dat elke aangesloten serviceprovider het volgende kan bieden:
