Prediktivt underhåll i fordonsindustrin

Prediktivt underhåll: Ökad effektivitet och minskade kostnader med maskininlärning

Prediktivt underhåll är en underhållsstrategi som använder maskininlärningsalgoritmer för att analysera data från sensorer, loggböcker och andra källor för att förutsäga när en maskin sannolikt kommer att gå sönder. Maskininlärningsalgoritmer kan också hjälpa till att identifiera mönster och samband i datan, vilket gör det möjligt för organisationer att fatta mer informerade beslut om underhållsscheman och lagerhantering av reservdelar.

Inom fordonsindustrin kan maskininlärning användas för att förbättra prediktivt underhåll genom att analysera stora mängder data från olika källor, som sensorer, telematiksystem och underhållsloggar. Denna data kan användas för att utveckla prediktiva modeller som identifierar mönster och samband mellan olika faktorer och utrustningsfel. Till exempel kan maskininlärningsalgoritmer analysera data om motorvibrationer och temperatur för att förutsäga när en komponent sannolikt kommer att gå sönder. Dessutom kan prediktiva modeller analysera data om körvanor, vägförhållanden och bränsleförbrukning för att bestämma den optimala tidpunkten för underhållsåtgärder så som oljebyten och däckrotationer.

Denna fallstudie visar hur Sigma Technology Insight Solutions samarbetade med en svensk fordonstillverkare och bidrog till att utveckla en maskininlärningsmodell för att förstå och förutsäga livslängden på bromsbelägg i deras lastbilar.

Om kunden

Kunden är en svensk tillverkare av tunga kommersiella fordon. Företaget är känt för sitt engagemang för säkerhet, hållbarhet och effektivitet och erbjuder ett brett utbud av lastbilar för olika tillämpningar, inklusive långväga transporter, byggnation och distribution. Dessutom tillhandahåller företaget en rad tjänster och lösningar till sina kunder, inklusive underhåll, finansiering och telematiklösningar.

Mål med prediktivt underhåll inom fordonsindustrin

Bromsbelägg är en kritisk komponent i ett fordons bromssystem och måste underhållas regelbundet för att säkerställa korrekt funktion. Att förutsäga när bromsbelägg sannolikt kommer att gå sönder kan hjälpa till att förhindra oväntade fel och minska risken för olyckor. Kunden behövde en lösning för prediktivt underhåll av bromsbelägg för att beräkna livslängden på sina bromsbelägg. Som ett resultat skulle datadrivna beslut säkerställa fordonens säkerhet och tillförlitlighet, samt minska underhållskostnaderna och öka effektiviteten i flottans drift.

Vårt bidrag

Kunden kontaktade teamet med ett behov av en erfaren dataanalytiker för att hjälpa till med utvecklingen av en maskininlärningsmodell. Yixin Zhang, en mycket skickligdataanalytiker på Sigma Technology Insight Solutions, anslöt sig till arbetet och levererade konsulttjänster till kunden. Målet var att skapa en modell som kunde förutsäga bromsbeläggens hållbarhet baserat på historiska data som inkluderade faktorer så som vägkvalitet, fordonshastighet, temperatur och annat.

Teamet stod dock inför en utmaning eftersom en del av datan saknades, vilket behövdes att återställas och fyllas i för att säkerställa noggrannheten i resultaten. För att lösa denna utmaning använde teamet avancerade datarestaureringstekniker för att fylla i den saknade datan och körde datan genom modellen för att identifiera dataförhållanden.

Slutresultatet av deras ansträngningar var en ML-modell skriven i Python som förutsäger effekten av olika faktorer på bromsbeläggens hållbarhet. Detta verktyg kommer att fungera som en värdefull tillgång för kunden, vilket gör det möjligt för dem att fatta datadrivna beslut och kontinuerligt förbättra sina produkterbjudanden.

Framtida steg

Maskininlärningslösningen har potential att anpassas och utvidgas för att förbättra slitstyrkan och hållbarheten hos ett brett spektrum av reservdelar utöver dess nuvarande tillämpning. Dessutom kan innovativ teknik användas i andra branscher, som till exempel tillverkning och konsumentelektronik, för att förbättra prestandan hos deras produkter och förlänga deras livslängd. Skalbarheten hos ML-lösningen gör den till ett mångsidigt verktyg som kan användas i flera olika sammanhang och ge en betydande konkurrensfördel till de företag som använder den. Dessutom kan lösningen anpassas för att uppfylla de specifika kraven i varje bransch, vilket säkerställer att den ger optimalt resultat i varje enskilt fall. Potentialen hos ML-lösningen att förbättra prestandan och livslängden hos produkter i olika branscher gör den till ett ovärderligt verktyg för organisationer som strävar efter att ligga i framkant inom sina respektive områden.