Od reaktivnog do prediktivnog održavanja
Tradicionalno održavanje flote funkcionira u dva režima: reaktivni (popravi kad se pokvari) i preventivni (popravi prema kalendaru). Oba su neoptimalna. Prediktivno održavanje koristi podatke za procjenu stvarnog stanja komponenti i planiranje intervencija točno kada su potrebne.
Podatkovni izvori za predikciju
Moderna vozila generiraju tisuće podatkovnih točaka u sekundi: temperatura motora, vibracije, tlak ulja, potrošnja goriva, emisijski podaci, dijagnostički kodovi (OBD-II/J1939), GPS podaci.
Modeli predikcije kvarova
Algoritmi strojnog učenja identificiraju obrasce koji prethode kvaru — suptilne promjene vibracija, postupno povećanje temperature, promjene potrošnje goriva. Modeli se treniraju na povijesnim podacima i sa svakim popravkom set podataka se širi.
Integracija s operativnim planiranjem
Prediktivno održavanje postiže maksimalnu vrijednost integracijom s operativnim planiranjem. Sustav ne samo da predviđa kada će biti potreban popravak, već predlaže optimalni prozor za održavanje uzimajući u obzir plan prijevoza.
ROI i ekonomika prediktivnog održavanja
Povrat investicije proizlazi iz nekoliko izvora: smanjenje neplaniranih zastoja, produženje vijeka trajanja komponenti, optimizacija zaliha rezervnih dijelova, smanjenje potrošnje goriva i povećanje sigurnosti.