Wie wäre es, wenn Sie schon wüssten, wann ein Lkw ausfällt, bevor dies tatsächlich geschieht? Wie sehr würde dies die Verfügbarkeit im Betrieb verbessern und die Produktivität Ihres Unternehmens erhöhen? Unser Verständnis der Geschehnisse in Fahrzeugen wächst dank der verfügbaren Daten schnell. Und mithilfe von künstlicher Intelligenz (KI) und maschinellem Lernen können Pannen noch präziser prognostiziert werden.
Das herkömmliche Verfahren zur Maximierung der Verfügbarkeit sah regelmäßige geplante Wartungen sowie reaktive Maßnahmen wie Pannenhilfe vor. Dank der Vielzahl an Sensoren und der Funktechnologien in modernen Lkw können Unternehmen deutlich proaktiver vorgehen.
Connected Services und vorbeugende Wartung ermöglichen in Verbindung mit Funktechnologie und Sensoren die Echtzeiterfassung riesiger Datenmengen von Fahrzeugen. Durch die Analyse dieser Daten und die Identifizierung von Mustern können dann Probleme prognostiziert und geeignete Maßnahmen ergriffen werden. So haben Sie Zeit, einen Werkstattbesuch zu einem für Sie geeigneten Zeitpunkt zu planen und die Problemursache beseitigen zu lassen, noch bevor es zu einem Ausfall im Betrieb kommt.
„In der relativ kurzen Zeit, in der ich auf diesem Gebiet arbeite, konnte ich eine exponentielle Entwicklung der Technik und unserer daraus resultierenden Möglichkeiten beobachten“, sagt Matthias Tytgat, Manager des Volvo Trucks Monitoring Centre in Gent, Belgien.
„Im Jahr 2016 haben wir nur eine Komponente aus der Ferne überwacht. Die vollständige Überprüfung in einem Fuhrpark mit mehreren Hundert Lkw nahm einen ganzen Tag in Anspruch. Heute überwachen wir mehrere Komponenten in Zehntausenden Lkw. Die vollständige Überprüfung des gesamten Fuhrparks dauert nur noch acht Minuten. Und das Spannende ist, dass wir kontinuierlich besser werden.“
Je mehr Daten ein System analysieren kann, desto genauer werden die Prognosen. Connected Services und Echtzeitüberwachung waren ursprünglich darauf ausgelegt, auf bestimmte Grenzwerte oder Sensorwerte einzelner Messgrößen zu reagieren, um Fehler zu prognostizieren. Beispiel: Der Motor überschritt eine festgelegte Temperatur.
„Obwohl Einblicke dieser Art nützlich sind, liefern sie doch nur eingeschränkte Erkenntnisse, weil die spezifischen Umstände und die Fahrbedingungen des Fahrzeugs nicht berücksichtigt werden“, erklärt Matthias. „Potenzielle Fehler müssen möglichst früh erkannt werden. Zugleich sind aber unnötige Werkstattbesuche zu vermeiden.“
Mithilfe von maschinellem Lernen können noch größere Datenmengen analysiert werden, um Muster zu erkennen, die von einem Standardregelwerk nicht erfasst werden. Im Ergebnis werden die Prognosen also noch präziser. Unterschiedliche Messgrößen und Datenpunkte von vielfältigeren Komponenten und Sensoren können kombiniert und dann von KI-Systemen analysiert werden, um Muster aufzudecken, die auf potenziell problematische und zu Ausfällen führende Merkmale hinweisen.
So können beispielsweise die Temperaturen verschiedener Komponenten in Verbindung mit anderen Faktoren wie Laufleistung und Fehlercodes analysiert werden. Nachdem ein Algorithmus für maschinelles Lernen darauf trainiert wurde, ein Muster – eine Kombination von Faktoren – zu identifizieren, das häufig einen bestimmten Fehler verursacht, können Probleme für einzelne Fahrzeuge ungeachtet ihres Einsatzbereichs prognostiziert werden.
„Das Ergebnis ist eine vollständig auf das betreffende Fahrzeug und dessen Eigentümer abgestimmte Wartung“, sagt Matthias. „Und jede Erweiterung unserer Datenanalysekapazitäten lässt diese Systeme genauer arbeiten.“
Heutzutage stehen Datenschutz und Datensicherheit im Blickpunkt. Vielen Fahrern ist es zudem unangenehm, bei der Arbeit so eng überwacht zu werden. Dies sind berechtigte Bedenken. Und deshalb muss jeder Anbieter von Connected Services Folgendes sicherstellen:
Wenn Sie mehr darüber erfahren möchten, wie Lkw-Besitzer mit Connected Services den Betrieb ihres Fuhrparks optimieren können, laden Sie unseren Leitfaden zu Technologie und effizientem Fahren herunter. Dieser Leitfaden beschäftigt sich mit Themen wie: