O custo dos tempos de paragem não planeados
Para uma empresa com uma frota de algumas centenas de veículos, uma avaria não planeada não é apenas o custo da reparação. São os custos de atraso da carga e potenciais penalidades contratuais, o custo de um veículo substituto, a perda de confiança do cliente e — em casos extremos — custos legais relacionados com a violação do SLA. As estimativas do setor indicam que os tempos de paragem não planeados custam 3 a 5 vezes mais do que o mesmo tempo de paragem planeado. A manutenção reativa, ou seja, reparação após avaria, é a estratégia mais cara possível.
Manutenção preditiva — como funciona
Os sistemas de manutenção preditiva (predictive maintenance) combinam três categorias de dados. Dados telemétricos do veículo: parâmetros do motor, temperaturas, pressão do óleo, vibrações, dados sobre o estilo de condução do motorista. Dados históricos do sistema de serviço: quando e que reparações foram efetuadas, que peças foram substituídas e a que quilometragem. Dados contextuais externos: condições da estrada, perfis de rotas, condições meteorológicas.
Os modelos de AI treinados nestes dados aprendem padrões que precedem avarias de componentes específicos. Por exemplo: uma determinada combinação de temperatura do óleo, vibrações da caixa de velocidades e quilometragem desde o último serviço aumenta a probabilidade de avaria da caixa em 14 dias em 73%. O sistema gera um alerta para o despachante, que pode agendar uma visita de serviço numa janela que se adeque ao calendário de rotas.
Otimização de rotas e planeamento de recursos
A AI em logística vai além da manutenção de veículos. Os sistemas de otimização de rotas consideram simultaneamente dezenas de variáveis: estado técnico dos veículos, competências e horários de trabalho dos motoristas, janelas temporais de entrega, condições de trânsito atuais e previsões meteorológicas. A otimização que para 20 veículos e 100 paragens é impossível de fazer manualmente leva segundos aos algoritmos.
- Replaneamento dinâmico de rotas em resposta a atrasos ou alterações de encomendas
- Otimização do grau de carregamento dos veículos mantendo as restrições temporais
- Alocação de veículos a rotas considerando o seu estado técnico e serviços planeados
- Previsão da necessidade de veículos e pessoal para picos sazonais
Integração com sistemas de frota e TMS
O valor dos sistemas preditivos depende da qualidade e completude da integração com a infraestrutura existente. O sistema de gestão de transportes (TMS), o sistema de serviço, tacógrafos digitais, equipamentos de bordo — cada uma destas fontes fornece um pedaço do quadro. Os sistemas multi-agente da ESKOM.AI podem funcionar como camada de agregação e interpretação de dados de fontes heterogéneas, fornecendo uma imagem unificada do estado da frota sem necessidade de substituir sistemas existentes.
Requisitos de infraestrutura
A implementação de manutenção preditiva requer vários elementos: equipamento telemático nos veículos capaz de transmissão de dados em tempo real, uma plataforma de agregação e armazenamento de dados de séries temporais, e modelos ML fornecidos como serviço de inferência. Uma questão crucial é a latência — o alerta sobre uma avaria iminente deve chegar ao despachante com antecedência suficiente para que o planeamento do serviço faça sentido.
ROI e medição de efeitos
Um projeto típico de manutenção preditiva de frota mostra resultados mensuráveis em 6 a 12 meses após o lançamento: redução dos tempos de paragem não planeados em 30-60%, redução dos custos de peças sobresselentes pela reparação de componentes antes da sua destruição total, e prolongamento do ciclo de vida dos veículos. A medição requer, no entanto, uma baseline sólida do período anterior à implementação — sem ela é difícil separar o efeito do sistema da variabilidade natural.