В настоящее время связь и интернет меняют ландшафт автомобильной промышленности, и, поскольку эти технологии постепенно внедряются, появляется ряд интересных областей инноваций, о которых пойдёт речь в данной статье.
Дистанционная диагностика является одной из таких областей, где технология прокладывает путь к новым революционным концепциям технического обслуживания транспортных средств, включая использование искусственного интеллекта и нейронных сетей глубокого обучения для разработки современных прогностических систем.
Новые транспортные средства, укомплектованные большим количеством электронных блоков управления (ЭБУ), стали очень сложными сетями, и это увеличивает потребность в разработке более эффективных инструментов и систем для эффективной диагностики ЭБУ. Текущие тенденции в функциональности предоставляют возможности, но также сопряжены с риском по мере увеличения сложности. Однако такие службы, как усовершенствованная система помощи водителю (Advanced Driver Assistance System (ADAS)) и европейская система автоматического оповещения о дорожных происшествиях на автотранспорте (emergency call (eCall)), уже используют эти преимущества. Стремление к автономному вождению приведет к дальнейшему развитию связи между автомобилями. Огромное увеличение объема данных, собранных с автомобиля, и возможность их обработки предполагает множество преимуществ в плане обслуживания. [1]
Одной из таких возможностей является диагностика автомобиля на протяжении всего жизненного цикла, от проектирования до производства и последующего технического обслуживания. Технические эксперты могут, например, базироваться в региональном техническом центре, из которого они могут получить доступ к данным отдельного транспортного средства для диагностики неисправностей. Эта информация может быть передана на станцию технического обслуживания, если местные специалисты не могут провести локальную диагностику. [2]
Это, однако, только верхушка айсберга с точки зрения инноваций. Непрерывный мониторинг данных в реальном времени через беспроводную сеть открывает широкий спектр возможностей. Неисправности и проблемы могут быть определены в режиме реального времени, а потенциальные неисправности могут быть выделены до того, как они приведут к более серьезным проблемам. Водители могут быть предупреждены о проблемах и направлены в ближайший сервисный центр, а информация и диагностика могут быть заранее отправлены в местный сервисный центр, чтобы они были готовы к ремонту.
Циклические данные, собранные с большого количества транспортных средств, также позволяют отслеживать процессы старения в большой выборке и могут давать указания по профилактическому обслуживанию. Некоторые производители уже используют беспроводные обновления программного обеспечения, и благодаря более сложному анализу и диагностике данных это область, которая предлагает огромную потенциальную экономию с точки зрения гарантийного ремонта. Внедрение услуг удаленной диагностики также уменьшает разрыв в цепочке создания стоимости и позволяет производителям напрямую общаться с владельцами транспортных средств, чтобы предлагать более качественные услуги. [3]
Другие движущие силы, стоящие за развитием дистанционной диагностики, включают управление автопарком и концепция отказа от личного транспорта в пользу поставщика услуг перевозок (Mobility-as-a-Service (MaaS, «мобильность как сервис»)). Для специалистов автопарка более быстрый анализ неисправностей и проблем приводит к более быстрым действиям. Это сокращает время простоя и означает, что транспортные средства могут быть отремонтированы до того, как возникнут проблемы. Мобильность как услуга набирает обороты в крупных городах по всему миру, поскольку все больше потребителей переходят от владения к общим услугам. Дистанционная диагностика будет иметь решающее значение для пассажирских автопарков, которые стремятся обеспечить комплексное и надежное обслуживание.
Следующим этапом является облачная диагностика, которая в сочетании с глубоким обучением и искусственным интеллектом добавляет новое направление в диагностику транспортных средств. Программное обеспечение, работающее в облаке, может управлять кампаниями для различных парков или моделей автомобилей. Эти кампании могут быть нацелены на конкретные транспортные средства, чтобы обеспечить их точное программирование и выделить отдельные неисправности. Например, циклическое считывание памяти неисправностей по всему парку означает, что устранение неисправностей и общее состояние можно проверять автоматически, а аномалии можно идентифицировать в режиме реального времени.
Одной из самых больших проблем, стоящих перед рядом отраслей, является проблема обработки и анализа огромных объемов данных практически в режиме реального времени. С возможностью сбора такого большого количества необработанных данных с миллионов транспортных средств возникает необходимость отфильтровать и обработать их, чтобы предпринять соответствующие действия. Инженеры в ряде секторов обращаются к искусственному интеллекту, чтобы решить эту проблему. Нейронные сети глубокого обучения предлагают решение проблемы больших данных путем «изучения» транспортного средства в процессе анализа данных. Методы нейронной сети включают в себя возможность обучения через введенные данные без явного программирования системы. Данные с транспортных средств могут непрерывно передаваться в облако, и алгоритмы искусственного интеллекта будут оценивать их в режиме реального времени. Алгоритмы могут быть обучены для выявления аномалий и выявления моделей поведения на основе данных, отправленных с датчиков транспортного средства. Искусственный интеллект уже внедряется в автономные испытательные машины с целью обнаружения и классификации объектов, и, похоже, он будет играть определенную роль в развитии прогнозирования, особенно когда автономные машины отправляются в путь.
Одна из выдающихся компаний в секторе диагностики — «Softing AG» (Германия), которая разработала автоматизированное облако для целей удаленной диагностики, программного обеспечения, измерений, тестирования и связи. Система предназначена для сбора, подготовки и анализа данных в облаке для лучшей диагностики.
Переданные данные хранятся в базе данных в облаке с агрегацией и дальнейшим анализом, выполняемым облачным приложением. Профили для различных транспортных средств используются для определения правильного типа данных, что упрощает их интерпретацию. Помимо получения данных о транспортном средстве, облачное приложение также поддерживает выполнение действий, таких как диагностические задачи, которые запускаются входными данными в пользовательском интерфейсе и приводят к передаче данных в транспортное средство.
Облачное решение позволяет осуществлять интеллектуальный сбор и анализ больших данных в облаке. Данные обрабатываются и отображаются графически для отображения закономерностей и корреляций, а также для представления информации в легко усваиваемом формате. Эта информация доступна удаленно через веб-сервисы, а изменения в состоянии автомобиля могут быть переданы непосредственно клиенту.
Таким образом, дистанционная автомобильная диагностика — это интересная область автомобильного производства, потому что она предлагает множество преимуществ. В недалеком будущем дистанционная диагностика автомобиля с использованием искусственного интеллекта будет применяться для определения процедур технического обслуживания конкретного автомобиля. Это будет полезным инструментом для руководителей предприятий автомобильного транспорта, в том числе и парков воинских частей, поскольку они стремятся сократить время простоя и затраты на ремонт.
Литература:
- Коробков В. В., Прохорова Е. В. Компьютерная диагностика современных систем управления двигателем [текст]. Сборник: Перспективные направления развития автотранспортного комплекса. сборник статей IX Всероссийской научно-производственной конференции. МНИЦ ПГСХА. Под общей редакцией В. В. Салмина. 2015. С. 21–24.
- Остапенко В. А., Дуганова Е. В. Компьютерная диагностика автомобилей [текст]. Сборник статей. Белгородского государственного Технологического университета им. В. Г. Шухова, 2018. С. 45–50.
- Яковлев В. Ф. Диагностика электронных систем управления автомобильными двигателями: учеб. пособ. / В. Ф. Яковлев. — Самара: Самар. гос. техн. ун-т, 2010. 89 с.
