Vedligeholdelse af fremtidens køretøjer ved hjælp af Deep Data Analytics

Genudgivet af Platon

Abonnenter: 0

Så meget har ændret sig i løbet af de seneste par årtier i, hvad der udgør en bil. De dage er forbi, hvor det i det væsentlige var et elektromekanisk produkt, kun brugt til personlig transport. I løbet af årene har den udviklet sig til at tilføje infotainment i kabinen, tele- og datakommunikation, køreassistance, hele vejen til autonom køreoplevelse. Alle disse er naturligvis muliggjort med elektronik drevet af halvlederchips. Og med migrationen væk fra intern forbrænding til el-motordrevne biler, er behovet for vedligeholdelse af køretøjer, som vi traditionelt har kendt, faldet.

Samtidig har behovet for en anden form for overvågning været stigende med henblik på vedligeholdelse af køretøjer. Hardware- og softwarekomponenterne i bilelektronik skal overvåges og vedligeholdes for at sikre sikker og pålidelig køreoplevelse. Den traditionelle tilgang ville være periodisk vedligeholdelse af køretøjet baseret på en foruddefineret tidsplan for at kontrollere/udskifte elektroniske komponenter og opdatere indlejret kontrolsoftware. Men med nuværende og fremtidige biler, der er så meget afhængige af elektronik til at fungere, kan uforudsete katastrofale fejl i kritisk elektronik føre til en dødsulykke og forårsage en masse skader på ejendom. En bedre tilgang er nødvendig for at vedligeholde fremtidens køretøjer.

For nylig udgav proteanTecs og HARMAN en fælles hvidbog, der beskriver en ny tilgang og en effektiv løsning til at vedligeholde fremtidens køretøjer. Denne blog vil dække nogle markante punkter fra hvidbogen, og hvordan den fælles løsning vil hjælpe med at vedligeholde fremtidens køretøjer.

Software Defined Vehicle (SDV)

SDV er den retning, bilindustrien har bevæget sig hurtigt mod. SDV'er er biler designet til at blive styret af software for at få køretøjerne til at fungere mere effektivt og sikkert og for at gøre køretøjsvedligeholdelse lettere. Mens SDV'er bringer disse fordele, byder de også på nogle udfordringer. Enhver fejl i en SDV skal afhjælpes hurtigt og effektivt for at undgå yderligere skade fra SDV'en og på SDV'en. Hvis det er muligt, bør enhver driftssvigt af en SDV undgås.

ProteanTecs-HARMAN-løsningen til vedligeholdelse af køretøjer

HARMAN og proteanTecs har i fællesskab udviklet en prædiktiv og forebyggende vedligeholdelsesløsning (PPM), der kan detektere potentielle fejl i et køretøjs systemer. Løsningen kan tage forebyggende foranstaltninger for at forudsige og undgå katastrofale problemer. Det udnytter proteanTecs' proprietære avancerede enhedssundhedsovervågning og dyb dataanalyse til at skabe, udtrække og analysere dybe data inde fra SoC-enheder. Resultaterne giver indsigt i Electronic Control Unit (ECU) sundhed, hvilket gør det muligt for bilproducenter at overvåge ydeevne, lokalisere fejlkilder og forudsige Time to Failure (TTF). Den samlede løsning integrerer HARMANs indlejrede sikkerhed, analyse i køretøjer, cloud-til-bil-forbindelse og OTA-opdateringer (over-the-air). Slutresultatet er en effektiv løsning, der opfylder sikkerheds- og pålidelighedskravene for SDV'er. De følgende to applikationer er nøglekomponenter i løsningen.

Continuous Performance Monitoring (CPM) applikation

CPM-applikationen leverer overvågning i realtid af enheds- og boards elektriske ydeevneindikatorer for indbygget systemelektronik. Som en edge-applikation sænker den drifts- og sikkerhedsrisici ved at detektere fejl tæt på fejlen.

Anvendelse for nedværdigende overvågning (DM).

DM-applikationen er i det væsentlige en underfunktion af CPM-applikationen, designet til at forudsige Time to Failure (TTF) og Remaining Useful Life (RUL). Det gør den ved at måle forringelse af Key Performance Indicators (KPI) og hyppigheden af forekomst. Disse forudsigelser stilles til rådighed for Predictive and Preventive Maintenance (PPM) Cloud Manager for at udløse planlægningstjenester og forsendelse af dele.

proteanTecs PPM Highlevel View

Nogle brugssager

Whitepaperen præsenterer også en use case til forebyggelse af fejl, en til forudsigelse af kortsigtede indkommende fejl og en anden til forudsigelse af langsigtede konsekvenser. Fordelene ved disse use cases er indlysende. Whitepaperet går i mange detaljer om hver af disse tre use cases. For flere detaljer henvises til hvidbogen.

proteanTecs PPM 3 Use Cases Tabel

Resumé

HARMAN-proteanTecs-samarbejdet tilbyder en platform for bilproducenter til at opdage fejl, før de bliver til fejl, og rette fejlene gennem OTA-teknikker. Platformen inkorporerer en brancheførste Time-to-Correction-teknik og kan skaleres med den voksende kompleksitet af SDV'er. Løsningen hjælper med at reducere nedetid og vedligeholdelsesomkostninger, forbedre kundetilfredsheden og reducere tilbagekaldelser af køretøjer. Enhver, der er involveret i at udvikle hardware- og softwareløsninger til SDV'er, vil have gavn af at gennemgå hele hvidbogen.

Du kan downloade hvidbogen her.