تعمیر و نگهداری پیشگویانه هوش مصنوعی برای قابلیت اطمینان حمل و نقل

5 مه 2023-© shutterstock/Brigitte Pica2

نونو مندز، رئیس مدیریت محصول در Stratio، نشان می‌دهد که چگونه تعمیر و نگهداری پیش‌بینی‌کننده هوش مصنوعی می‌تواند تأثیر اجتماعی، اقتصادی و زیست‌محیطی حمل‌ونقل عمومی را افزایش دهد.

هزینه های بالای داشتن و نگهداری خودرو در شرایط مالی امروزی، همراه با کاهش سیستم حمل و نقل عمومی، به فقر حمل و نقل در سراسر بریتانیا کمک می کند. مطالعات نشان داده‌اند که اطمینان از دسترسی به سیستم‌های حمل‌ونقل خوب، احتمال دسترسی افراد به خدمات حیاتی مانند آموزش و مراقبت‌های بهداشتی یا فرصت‌های شغلی را سه برابر بیشتر می‌کند. با این حال، علی‌رغم افزایش بار مالی و نگرانی‌های زیست‌محیطی مرتبط با مالکیت خودرو، وسایل نقلیه شخصی بهترین روش حمل‌ونقل برای اکثر مسافران باقی مانده است. این بدان معناست که خودروها همچنان سهم قابل توجهی در انتشار گازهای گلخانه ای در سراسر اروپا دارند و ازدحام یک مشکل پایدار شهری است. بنابراین اصلاح رویکرد ما به تحرک مشترک یک استراتژی حیاتی برای رسیدگی به نگرانی‌های اجتماعی-اقتصادی و محیطی است.

البته، برای یافتن راه حل های موفق برای یک مشکل، ابتدا باید بفهمیم که چه چیزی باعث آن شده است. بنابراین، ریشه عدم تمایل مصرف کنندگان به انتخاب اتوبوس به جای ماشین، علیرغم ایرادات آشکار مورد دوم چیست؟ قابل اعتماد بودن خدمات پاسخ است. خرابی وسایل نقلیه، که منجر به اختلال در سرویس و توقف خدمات می شود، اعتماد مسافران را به مسیرها و شبکه های اتوبوسرانی کاهش می دهد و آنها را از استفاده از وسایل حمل و نقل عمومی منصرف می کند. این منجر به از دست دادن درآمد برای اپراتورها، افزایش کرایه ها و کاهش خدمات می شود. این یک چرخه معیوب از کاهش حمل و نقل است.

بنابراین، کلید افزایش استفاده از اتوبوس در افزایش قابلیت اطمینان شبکه های اتوبوس و ایجاد مجدد اعتماد مصرف کننده نهفته است. اطمینان از باقی ماندن اتوبوس ها در جاده و در حال خدمت، رساندن مسافران به جایی که باید باشند، در مواقعی که باید آنجا باشند. این توجه ما را بر ابزارهای قابل اطمینان متمرکز می‌کند: استراتژی‌های تعمیر و نگهداری مؤثر که در جهت هدف صفر کردن خرابی اتوبوس‌ها کار می‌کنند.

انتخاب استراتژی تعمیر و نگهداری مناسب

تعمیرات اضطراری اغلب گران است و شامل فراخوانی یک وسیله نقلیه و پرداخت هزینه برای تحویل کوتاه مدت قطعات می شود. این امر به ویژه برای اتوبوس های برقی که هزینه های مربوط به قطعات و نیروی کار بسیار بالاتری دارند، صادق است. همراه با درآمد از دست رفته ناشی از کاهش تعداد مسافران، این می تواند تأثیر منفی بر قیمت نهایی داشته باشد. بنابراین، تعجب آور نیست که اپراتورهای ناوگان قبلاً برای جلوگیری از تعمیرات اضطراری و افزایش چرخه عمر اجزای خودرو برای کاهش زمان از کار افتادن، کاهش افزایش هزینه‌های تعمیر و نگهداری، بهبود قابلیت اطمینان و محافظت از جریان‌های درآمد، تلاش کرده‌اند. با این حال، با هر دو استراتژی واکنشی و پیشگیرانه آزمایش شده، هیچکدام به ایده آل عدم توقف، جلوگیری از شکست و کاهش هزینه دست پیدا نکرده اند.

به عنوان مثال، تعمیر و نگهداری واکنشی، اگرچه در کوتاه مدت موجب صرفه جویی در هزینه می شود، اما شامل تعمیر خودرو پس از بروز مشکل می شود. این به معنای تعمیرات اضطراری گران قیمت است که مستلزم تحویل کوتاه مدت قطعات، و به طور بالقوه اجاره اتوبوس جایگزین است که می تواند حتی پرهزینه تر باشد. علاوه بر این، اما به همان اندازه مهم، فراخوانی اتوبوس از جاده و ایجاد اختلال در مسیرهای خدماتی بر تجربه مشتری تأثیر منفی می‌گذارد.

از سوی دیگر، در حالی که تعمیر و نگهداری پیشگیرانه می تواند طول عمر خودرو را با تکمیل بررسی های منظم بر اساس برآورد زمان وقوع خرابی افزایش دهد، این رویکرد هزینه ها را بهینه نمی کند. در واقع، اغلب منجر به صرف زمان بیشتر برای سرویس دهی به وسیله نقلیه ای می شود که ممکن است به آن نیاز نداشته باشد، در نتیجه اتوبوس ها را از جاده دور نگه می دارد و بار دیگر بر خدمات مشتریان تأثیر می گذارد.

استفاده از هوش مصنوعی برای تجزیه و تحلیل حمل و نقل

با استفاده از هوش مصنوعی (AI) و یادگیری ماشینی برای جمع‌آوری و تجزیه و تحلیل خودکار داده‌های خودرو، تعمیر و نگهداری پیش‌بینی‌کننده با هوش مصنوعی پیشرفته‌ترین روش برای دستیابی به قابلیت اطمینان در حمل‌ونقل است. به مدیران ناوگان بینش در زمان واقعی در مورد اجزای اتوبوس جداگانه ارائه می دهد، برنامه ریزی دقیق تر تعمیرات و نگهداری، بهبود استفاده از ناوگان و کاهش هزینه ها را امکان پذیر می کند. علاوه بر این، با پیش‌بینی خرابی تجهیزات، کاهش زمان خرابی، و محافظت از درآمد و رضایت مشتری می‌توان از خرابی خودرو جلوگیری کرد.

در مقایسه با تعمیر و نگهداری پیشگیرانه، که نیاز به بازرسی های بصری دارد و فرض می کند همه وسایل نقلیه دارای الزامات یکسانی هستند، تعمیر و نگهداری پیش بینی تغییرات بین وسایل نقلیه اختصاص داده شده به مسیرهای مختلف را به حساب می آورد. به عنوان مثال، اتوبوس شهری بیشتر از یک وسیله نقلیه در مسافت طولانی ترمز می کند و تعمیر و نگهداری پیش بینی کننده هوش مصنوعی می تواند الگوهایی را در داده ها شناسایی کند تا پیش بینی کند که مثلاً چه زمانی تعویض لنت ترمز ضروری است. این امکان سفارش انبوه قطعات و برنامه‌ریزی تعمیر و نگهداری در دوره‌های کم مصرف را فراهم می‌آورد، هزینه‌های مرتبط با تعویض پیش‌بینی‌نشده یا پیش‌گیرانه قطعه را کاهش می‌دهد و زمان خرابی را به حداقل می‌رساند.

راه‌حل‌های تعمیر و نگهداری پیش‌بینی‌کننده با هوش مصنوعی، به دلیل نیاز به جمع‌آوری کامل داده‌های خودرو، دیجیتالی کردن کارهای تکراری مانند خوانش کیلومتر شمار، بررسی مایع خنک‌کننده و تعویض روغن را نیز امکان‌پذیر می‌سازد، و از دقت بالاتری نسبت به بررسی‌های دستی و آزاد کردن تیم‌ها اطمینان می‌دهد. برای انجام وظایف با ارزش بالاتر علاوه بر این، سیستم به طور فعال مهندسین را از خطرات احتمالی آگاه می کند و برنامه ریزی خدمات را بهبود می بخشد.

تسهیل انتقال به اتوبوس های برقی

بینش‌های فعال‌شده با رویکرد تعمیر و نگهداری پیش‌بینی‌کننده، به‌ویژه برای اپراتورهایی که به سمت وسایل نقلیه الکتریکی (EVs) تغییر می‌کنند، که معمولاً گران‌تر از اتوبوس‌های موتور احتراق داخلی سنتی (ICE) هستند، بسیار مهم است. با استفاده از تعمیر و نگهداری پیش‌بینی‌کننده و تجزیه و تحلیل باتری پیش‌بینی‌کننده، اپراتورها می‌توانند خودروهای برقی خود را برای مدت زمان و مسافت طولانی‌تری در جاده نگه دارند و به خنثی‌سازی هزینه سریع‌تر دست پیدا کنند. عمر طولانی بسته‌های باتری نیز باعث بازگشت سرمایه برای خرید اتوبوس‌های برقی می‌شود، زیرا هزینه می‌تواند در دوره طولانی‌تری تقسیم شود.

همانند خودروهای ICE، رویکرد پیشگیرانه برای نگهداری خودروهای برقی از منظر خدمات و هزینه بی اثر است. هزینه های به مراتب بالاتر قطعات و نیروی کار باعث می شود که تعویض قطعات قبل از پایان عمر آنها به منظور جلوگیری از خرابی و جلوگیری از اختلال در سرویس برای اپراتورهایی که از خودروهای برقی استفاده می کنند بسیار ناکارآمد باشد.

با این حال، با یکپارچه‌سازی راه‌حل‌های پیش‌بینی‌کننده که داده‌های خودرو را در طول عملیات منظم جمع‌آوری و تجزیه و تحلیل می‌کند، مدیران ناوگان می‌توانند عمر مفید باقی‌مانده واقعی (RUL) اجزا را تعیین کنند و از اطلاعات برای برنامه‌ریزی هوشمندانه سرویس خودرو به منظور افزایش عمر عملیاتی استفاده کنند. علاوه بر این، با به دست آوردن بینش واقعی و عملی در مورد عیوب داخلی اتوبوس های برقی، مدیران تعمیر و نگهداری می توانند نقص ها را از راه دور تشخیص دهند. وسایل نقلیه برای مدت طولانی‌تری در جاده می‌مانند، تعمیر و نگهداری قابل پیش‌بینی‌تر می‌شود و هزینه کمتری دارد و خرابی‌ها کمتر اتفاق می‌افتد و از توقف پرهزینه و اختلال در خدمات جلوگیری می‌کند.

باتری های EV واضح ترین مثال از مزایای افزایش طول عمر قطعات هستند. با احتساب حدود 40 درصد از کل هزینه خودرو، مدیران حمل و نقل عمومی باید برای افزایش چرخه عمر باتری در صورتی که امیدوارند به سمت ناوگان الکتریکی سودآور برسند، اقدام کنند. محاسبات باید برای محاسبه تخریب باتری در طول زمان و تأثیر آن بر برد، و همچنین طیف وسیعی از عوامل خارج از کنترل آنها مانند آب و هوا، ترافیک، مسیر و بار انجام شود که می تواند فاصله با یک شارژ سفر کنید اتوبوس را تغییر دهد.

بدون این درک و دید، برنامه ریزی برای یک سرویس روان، کارآمد و مقرون به صرفه غیرممکن خواهد بود. اما تجزیه و تحلیل باتری پیش‌بینی‌کننده می‌تواند نمای دقیق و جامعی از تکامل سلامت باتری اتوبوس برقی ارائه کند، که به برنامه‌ریزی مسیر مؤثر و الزامات شارژ، و همچنین معیارهای بهینه‌سازی استفاده برای افزایش طول عمر وسایل نقلیه اجازه می‌دهد. مدیران ناوگان با استفاده از نحوه استفاده بسته‌های باتری از طریق داده‌های وضعیت شارژ (SoC) و عمق تخلیه (DoD) می‌توانند متوجه شوند که آیا می‌توان مشخصات عملیات را برای به حداکثر رساندن عمر باتری تغییر داد و هزینه کل مالکیت اتوبوس‌های برقی را کاهش داد. . این نوع تحلیل برای استقرار ناوگان EV از نظر عملیاتی موفق و سودآور اساسی است.

دستیابی به کمترین هزینه در هر مایل از نظر مالی و زیست محیطی

با نزدیک شدن به ضرب‌الاجل‌های حذف وسایل نقلیه ICE در جاده‌های بریتانیا، انتقال به وسایل نقلیه برقی بیشتر به زمان ارائه‌دهندگان حمل‌ونقل عمومی مربوط می‌شود – و بدیهی است که تأثیر قابل‌توجهی بر ردپای زیست‌محیطی حمل‌ونقل عمومی خواهد داشت. با این حال، برای ایجاد تفاوت در شرایط اجتماعی و اقتصادی برای کسانی که فقر حمل و نقل را تجربه می کنند، و برای تشویق بیشتر کاربران خودروهای شخصی به بازگشت به حمل و نقل عمومی، اپراتورها همچنین باید پایداری خودروهای الکتریکی را با قابلیت اطمینان، دسترسی و سودآوری ترکیب کنند. دستیابی به کمترین هزینه در هر مایل این را می توان با افزایش عمر قطعات، کارکردن وسایل نقلیه با شدت بیشتر و ساعات بسیار طولانی تر، و در عین حال دور نگه داشتن آنها از کارگاه و در جاده ها با حذف زمان خرابی به دست آورد.

اگر بتوان این کار را انجام داد، خدمات اتوبوسرانی می تواند کاهش سال های اخیر را معکوس کند. اطمینان از قابلیت اطمینان خدمات و بازگرداندن مردم به حمل و نقل عمومی باعث افزایش درآمد اپراتورها و کاهش فقر حمل و نقل، ارتباط مردم با فرصت ها و خدمات، کاهش وابستگی به خودرو و کاهش فشارهای محیطی می شود. بنابراین، شبکه‌های اتوبوس عمومی قابل اعتماد که توسط تعمیر و نگهداری پیش‌بینی‌کننده مبتنی بر هوش مصنوعی پشتیبانی می‌شوند، نیازهای زیست‌محیطی، اجتماعی و اقتصادی نسل‌های آینده را برآورده خواهند کرد.