Sigma Software Group: ”Prediktivt underhåll för bromsbelägg – nyckelaspekter och teknisk arkitektur”

[Kunskapssamarbete] På ElectronicaFair 2024 i München, visade Sigma Software Group upp sin expertis inom prediktivt underhåll, molnteknik, generativ AI och CI/CD-metoder. Höjdpunkten var en lastbilssimulator som demonstrerade hur körstil påverkar slitaget på bromsbelägg.

I denna artikel belyser experterna på Sigma Software Group vikten av prediktivt underhåll inom fordonsindustrin, dess transformativa potential och de nyckelteknologier som driver utvecklingen.

Denys Nerushev, Vlad Beck, Natalya Zheltukhina, Serhiy Evdokimov och Alex Reva

Prediktivt underhåll i fordonsindustrin handlar om att identifiera potentiella fordonsproblem i förväg och åtgärda dem innan skadan är skedd. Genom att analysera realtidsdata från sensorer och loggar och lägga till maskinlärande (ML) kan systemet förutse om och när en komponenter kan tänkas fallera.

Detta möjliggör förebyggande underhåll och minskar driftstopp.

Har utvecklat en prototyp

I takt med att fordon blir allt mer komplexa och datadrivna, förändras underhållshanteringen genom förmågan att förutse och förhindra fel.

Med omfattande erfarenhet av AI och fordonsmjukvaruutveckling har Sigma Software utvecklat en prototyp för en prediktiv underhållslösning med fokus på bromsbelägsslitage. Denna AI/ML-lösning analyserar realtidsdata från fordon för att förutse underhållsbehov, med hjälp av Eclipse SDV och Microsofts teknikiplattform.

Varför prediktiv övervakning av bromsbelägg är så viktigt

Det primära målet var att möta de specifika behoven hos slutanvändarna – fordonsflottans chefer, bilhandlare och bilägare. Genom att använda prediktivt underhåll för bromsbelägg är det möjligt att förbättra säkerhet, effektivitet och planeringsmöjligheter.

• Flottchefer kan optimera användningen av bromsbelägg. De behöver förstå slitaget på varje fordon för att kunna planera resor effektivt och säkerställa maximal användning utan att kompromissa med säkerheten.

• Proaktiv underhållsplanering gör det möjligt att förutsäga bromsbeläggets slitage, vilket låter flottchefer förboka ersättningsdelar från bilhandlare och därmed minska driftstopp.

• Bilhandlare kan förbättra sitt lagerhantering genom att placera förbeställningar från OEM-tillverkare baserat på prediktiv information. Detta bidrar till att optimera lagernivåer och förhindra brister.

• Bilägare får en mer bekväm serviceplanering genom att övervaka bromsbeläggets kapacitet i De kan schemalägga servicebesök i förväg, vilket minskar risken för plötsliga problem och håller deras fordon i optimalt skick.

Nyckelaspekter av ett prediktivt underhållssystem

För att bygga ett effektivt prediktivt underhållssystem för bromsbelägg fokuserade Sigma Software på fyra huvudområden:

1. Robust arkitektur – Vi designade ett system som kan bearbeta realtidsdata från sensorer, lagra information i en databas och använda snabba metoder för att generera exakta förutsägelser.

2. Träningsmiljö – Vi utvecklade en träningsmiljö för att utbilda vår maskininlärningsmodell, bekräfta affärsidén och säkerställa att modellen kan lära sig effektivt från data.

3. Maskininlärningsmodell – Vår ML-modell kombinerar referensdata med realtidsdata från sensorer för att exakt förutsäga bromsbeläggets

4. Omfattande prediktionsfaktorer – Modellen tar hänsyn till olika faktorer såsom körbeteende (hastighet, hård inbromsning), väderförhållanden (regn, snö) och geografiska faktorer (bergiga områden, stadstrafik, landsvägar).

Teknologi bakom lösningen

Vid utvecklingen av den prediktiva underhållslösningen användes Eclipse Software Defined Vehicle (SDV), Microsofts teknologiplattform och expertis inom fordonsprogramvara. Dessa teknologier gör det möjligt att skapa ett skalbart och effektivt system som erbjuder realtidsövervakning och handlingsbara insikter för användarna.

• Eclipse SDV är en öppen plattform för att påskynda utvecklingen av fordonsmjukvara genom att möjliggöra modulära, skalbara lösningar som fungerar över olika hårdvaru- och mjukvarumiljöer.

• Microsofts molnplattform driver vår infrastruktur och maskininlärningsmodeller, vilket möjliggör storskalig dataanalys och hög systemprestanda.

• Azure IoT-verktyg gör det möjligt för oss att hantera och analysera fordonssensordata i realtid, vilket säkerställer en pålitlig och säker lösning.

Analysreferensarkitektur, datahantering och fordonsmeddelanden

En central del av lösningen är arkitekturen för meddelandehantering och dataanalys, som samlar in, bearbetar och överför data mellan fordon och molnet. Vi har implementerat en pålitlig och skalbar dataflödeslösning baserad på Microsofts referensarkitektur för fordonsystem.

Nyckelkomponenter i arkitekturen: 

• MQTT som meddelandeprotokoll – MQTT möjliggör effektiv realtidskommunikation med låg latens mellan fordon och molninfrastruktur, vilket säkerställer pålitlig datatransmission även vid varierande nätverksförhållanden.

• Azure Event Grid för händelsestyrd datarouting – Hanterar stora mängder meddelanden och skickar data till relevanta tjänster för vidare analys.

• Databehandling med Databricks – Möjliggör analys av storskaliga datasets och byggande av maskininlärningsmodeller för att i realtid förutsäga bromsbeläggets slitage.

• Lagring i Azure Data Lake – Ger en skalbar och kostnadseffektiv lösning för långsiktig lagring av fordonsdata, vilket möjliggör trender och modellförbättringar över tid.

Arkitektur erbjuder hög tillförlitlighet, låg latens och skalbarhet. Den kan hantera allt från små fordonsflottor till tusentals fordon, vilket gör den idealisk för stora transportföretag.

Vad kommer härnäst?

I en serie artiklar kommer Sigma Software att diskutera lösningens tekniska arkitektur, ML-träningsmiljö, detaljerna i den prediktiva modellen och hur olika körförhållanden påverkar bromsbeläggets slitage.

I denna första artikel lyfter vi fram lösningens nyckelaspekter, dess affärsmål och den tekniska arkitekturen. I kommande artiklar kommer vi att fördjupa oss i vår ML-träningsmiljö, detaljerna i vår prediktiva modell och hur olika körförhållanden påverkar bromsbeläggets slitage. Genom att dela med oss av våra insikter hoppas vi inspirera andra inom fordonsindustrin att utnyttja prediktivt underhåll för ökad säkerhet, minskade kostnader och optimerad fordonsförvaltning.

Artikeln är ett kunskapsamarbete mellan Sigma Software Group och IT Media Group. Sponsrade inlägg och kunskapsamarbeten är en del av IT Media Groups annonserbjudande. Om du har frågor kring sponsrade inlägg, hör av dig till info@itmediagroup.se