Od reaktivní po prediktivní údržbu
Tradiční údržba flotily funguje ve dvou režimech: reaktivní (oprav, až se pokazí) a preventivní (oprav podle kalendáře, bez ohledu na skutečný stav). Oba jsou neoptimální — reaktivní přístup vede k nákladným neplánovaným prostojům, preventivní ke zbytečné výměně funkčních dílů. Prediktivní údržba využívá data k odhadu skutečného stavu komponent a plánování zásahů přesně tehdy, když jsou potřeba.
Datové zdroje pro predikci
Moderní vozidla generují tisíce datových bodů za sekundu: teplota motoru, vibrace, tlak oleje, spotřeba paliva, emisní data, diagnostické kódy (OBD-II/J1939), GPS data. K tomu servisní historie, údaje o stáří a kilometrech komponent, záznamy o provozních podmínkách a data od výrobce o známých problémech specifických modelů.
Modely predikce poruch
Algoritmy strojového učení identifikují vzory předcházející poruše — jemné změny ve vibracích indikující opotřebení ložisek, postupný nárůst teploty signalizující problém chlazení, změny spotřeby paliva ukazující na degradaci vstřikování. Modely se trénují na historických datech a s každou opravou se dataset rozšiřuje a model zpřesňuje.
Integrace s provozním plánováním
Prediktivní údržba dosahuje maximální hodnoty při integraci s provozním plánováním. Systém nejen predikuje, kdy bude potřeba oprava, ale navrhuje optimální okno údržby s ohledem na plán přeprav, dostupnost náhradních dílů a kapacitu dílen.
ROI a ekonomika prediktivní údržby
Návratnost investice do prediktivní údržby vychází z několika zdrojů: snížení neplánovaných prostojů, prodloužení životnosti komponent, optimalizace zásob náhradních dílů, snížení spotřeby paliva a zvýšení bezpečnosti.