El cost dels temps d'inactivitat no planificats
Per a una empresa amb una flota de centenars de vehicles, una avaria no planificada no és només el cost de la reparació. És el cost del retard de la càrrega i les possibles penalitzacions contractuals, el cost del vehicle de reemplaçament, la pèrdua de confiança del client i — en casos extrems — costos legals per incompliment de SLA. Les estimacions del sector indiquen que un temps d'inactivitat no planificat costa entre 3 i 5 vegades més que el mateix temps d'inactivitat planificat. El manteniment reactiu, és a dir, la reparació després de l'avaria, és l'estratègia més cara possible.
Manteniment predictiu — com funciona
Els sistemes de manteniment predictiu (predictive maintenance) combinen tres categories de dades. Dades telemàtiques del vehicle: paràmetres del motor, temperatures, pressions d'oli, vibracions, dades sobre l'estil de conducció del conductor. Dades històriques del sistema de manteniment: quan i quines reparacions es van fer, quines peces es van reemplaçar i a quin quilometratge. Dades contextuals externes: condicions viàries, perfils de rutes, condicions atmosfèriques.
Els models d'IA entrenats amb aquestes dades aprenen patrons que precedeixen les avaries de components específics. Per exemple: una combinació determinada de temperatura d'oli, vibracions de la caixa de canvis i quilometratge des del darrer manteniment augmenta la probabilitat d'avaria de la caixa en 14 dies en un 73%. El sistema genera una alerta per al planificador, que pot programar una visita al taller en una finestra compatible amb el calendari de rutes.
Optimització de rutes i planificació de recursos
La IA en logística va més enllà del manteniment de vehicles. Els sistemes d'optimització de rutes consideren simultàniament desenes de variables: estat tècnic dels vehicles, habilitats i temps de treball dels conductors, restriccions temporals de lliurament, condicions viàries actuals i previsions meteorològiques. L'optimització que en el cas de 20 vehicles i 100 parades és impossible de fer manualment, els algorismes la completen en segons.
- Replanificació dinàmica de rutes en resposta a retards o canvis de comandes
- Optimització del grau de càrrega dels vehicles respectant les restriccions temporals
- Assignació de vehicles a rutes considerant el seu estat tècnic i els manteniments planificats
- Previsió de la demanda de vehicles i personal per als pics estacionals
Integració amb sistemes de flota i TMS
El valor dels sistemes predictius depèn de la qualitat i completesa de la integració amb la infraestructura existent. El sistema de gestió de transport (TMS), el sistema de manteniment, els tacògrafs digitals, els dispositius de a bord — cadascuna d'aquestes fonts proporciona un fragment del panorama. Els sistemes multiagent d'ESKOM.AI poden actuar com a capa d'agregació i interpretació de dades de fonts heterogènies, proporcionant una visió unificada de l'estat de la flota sense necessitat de reemplaçar els sistemes existents.
Requisits d'infraestructura
La implementació del manteniment predictiu requereix diversos elements: dispositius telemàtics als vehicles capaços de transmetre dades en temps real, una plataforma d'agregació i emmagatzematge de dades de sèries temporals i models ML lliurats com a servei d'inferència. La qüestió clau és la latència — l'alerta sobre una avaria imminent ha d'arribar al planificador amb prou antelació perquè la planificació del manteniment tingui sentit.
ROI i mesurament d'efectes
Un projecte típic de manteniment predictiu de flota mostra efectes mesurables en un termini de 6-12 mesos des del llançament: reducció dels temps d'inactivitat no planificats del 30-60%, reducció de costos de peces de recanvi gràcies a la reparació de components abans de la seva destrucció total i extensió del cicle de vida dels vehicles. El mesurament requereix, però, una línia base sòlida del període anterior a la implementació — sense ella, és difícil separar l'efecte del sistema de la variabilitat natural.