Вы когда-нибудь интересовались тем, как планировать техническое обслуживание и ремонт своего автомобиля? Если вы счастливый обладатель нового авто из салона, то все ТО распланированы, а многие модели и вовсе сами напомнят, что им пора на техническое обслуживание. Если же авто уже не молодо, куплено на вторичном рынке или завезено из той же Японии, то вопрос становится более творческим.
Кстати, немного статистики (дополнительные ссылки - вот и вот): по состоянию на 2022 год в России зарегистрировано 45,42 млн легковых автомобилей из них 8,9 млн имеют возраст до 5 лет, 11,3 млн - возраст 6-10 лет, 12,5 млн. - возраст 11-15 лет, 8,5 млн - возраст 16-20 лет и оставшиеся 14,6 млн старше 20 лет. За 2022 год было продано около 662 тыс. новых автомобилей (падение к 2021 г. на 55%) и ввезено 221 тыс. подержанных автомобилей (рост почти на 82%) старше трех лет. По данным той же статистики у 3-летних автомобилей диапазон выявленных неисправностей составляет от 1,5 до 11,6 процента. А у машин с 11-летним периодом эксплуатации количество поломок достигает уже 36,8%. Автозапчасти в среднем подорожали на 30%, среднегодовой пробег автомобилей снизился на 15% по отношению к показателю 2021 года.
В связи с этим представляется интересным рассмотреть возможности по автоматизации планирования технического обслуживания и ремонта автомобиля.
График технического обслуживания отдельного автомобиля представляет план выполнения очередных видов технического обслуживания, назначаемых в зависимости от пробега или по времени работы автомобиля. Планирование может осуществляться по календарному времени или пробегу.
Достаточно очевидно, что при планировании надо учитывать многие факторы: от пробега и сезонности до качества конкретных запчастей (оригиналов и аналогов) и «болезней» конкретных моделей. Зададимся вопросом: а какие же основные направления планирования или диагностики существуют сейчас?
В настоящее время существуют различные решения в сфере мониторинга и прогнозирования технического обслуживания и ремонта автомобилей. Их можно разделить на следующие группы:
Централизованные базы диагностических показателей, используемые для пошаговых инструкций по ремонту, например от Hella Gutmann Solutions и Bosch.
Например, Hella Gutmann Solutions является разработчиком гаражно-диагностического оборудования и глобальной виртуальной базы данных, которая содержит пошаговые инструкции по ремонту автомобилей. Принцип работы HGS Data таков: вы выбираете модель автомобиля, необходимую спецификацию, после чего получаете исчерпывающую информацию о тех или иных процедурах. Все инструкции представлены с иллюстрациями и указанием необходимых инструментов для ремонта. Сейчас в базе около 2 млрд кодов ошибок и 5 млн алгоритмов решения проблем, что позволяет диагностировать 80% возможных неисправностей, сообщают в Hella. В процессе дальнейшего расширения базы данных число «неизвестных» системе проблем будет снижаться. Алгоритм оценивает вероятность той или иной неполадки на основе математической статистики. Искусственный интеллект проверяет параметры всех установленных в автомобиле систем, постоянно сужая спектр поиска неисправности и в нужный момент переходя к следующему этапу диагностики. В будущем немцы надеются полностью автоматизировать диагностический процесс, чтобы механикам оставалось лишь исправить выявленные неполадки по советам компьютера.
Данная группа сервисов ориентирована на пользователей конкретных марок диагностического и ремонтного оборудования, призвана повысить качество ремонта и диагностики, но не имеет функций прогнозирования. Данные системы распространены в профессиональной среде и развиваются.
Средства сбора телеметрии и предиктивного анализа показателей автомобиля с выдачей отчета о возможных проблемах (приложение по анализу звука двигателя ŠKODA Sound Analyse, средство сбора телеметрии Remoto для Kia, Nissan, Infiniti, Toyota, Genesis, Honda, программно-аппаратные комплексы Bugatti Chiron, ИТИС-KAMAZ, GM OnStar, BMW, Hyundai, Mercedes-Benz, Toyota/Lexus).
Berg Insight в далеком 2015 году сообщало, что количество установленных систем мониторинга автомобилей в Европе в четвертом квартале 2015 года составило 5,3 млн единиц, а к 2020 году – должно увеличится до 10,6 млн единиц. В Северной Америке количество автомобилей, подключенных к системам управления автопарками, в четвертом квартале 2015 года достигло 5,8 млн единиц. Среднегодовой темп прироста рынка ожидался на уровне 17%. К 2020 году объем рынка должен был составить 12,7 млн единиц. Европейское Агентство Глобальных Навигационных Спутниковых Систем (European GNSS Agency) в 2017 году прогнозировало рост этого рынка до 2022 года на 11% ежегодно.
Например, система отслеживания телеметрии существует у суперкара Bugatti Chiron. В режиме онлайн он передает данные о функционировании всех систем в сервисный центр производителя. Если обнаружена неисправность, ремонтная бригада оперативно отправляется в любую точку мира, чтобы устранить дефект, — во всяком случае, так утверждают в компании. Если же проблема не требует вмешательства квалифицированного специалиста, сервисный центр может просто позвонить владельцу авто — к примеру, если давление в шинах снизилось до критического уровня. Система телеметрии Bugatti контролирует около 10000 сигналов, поступающих от различных узлов автомобиля: двигателя, трансмиссии, освещения, климат-контроля, информационно-развлекательного центра и других.
Приложение с искусственным интеллектом Sound Analyser записывает звук работы автомобиля и сравнивает его с встроенной базой звуковых шаблонов. Умную программу уже испытывают 245 дилеров ŠKODA в 14 странах, включая Россию. Приложение Sound Analyser использует алгоритмы искусственного интеллекта, чтобы надежно, точно и быстро распознавать уровень износа деталей и предупреждать технических специалистов о необходимости их замены. Для этого программа принимает во внимание различные параметры, характерные для конкретной модели автомобиля, и анализирует условия эксплуатации. Sound Analyser значительно упрощает выполнение точной диагностики, поскольку для использования приложения мастерам нужен только обычный смартфон или планшет.
Еще один из примеров сервиса по работе с большими автомобильными данными — платформа Remoto. Она позволяет собирать информацию об автомобиле, управлять частью его функций и связываться с тем самым «мозговым центром» — облаком — для передачи данных. На данный момент Remoto работает с автомобилями Kia, Nissan, Infiniti, Toyota, Genesis, Honda. Технически возможна интеграция и с продукцией других автоконцернов, для расширения списка поддерживаемых моделей необходима небольшая кастомизация софта, подразумевающая взаимодействие с производителем (и его согласие на внедрение подобных технологий).
Инновационный центр "Камаз", дочернее предприятие автогиганта, партнёр и резидент фонда "Сколково", предлагает своим клиентам новую услугу – инженерно-аналитическое сопровождение транспорта. Инженерно-аналитическое сопровождение – новый сервис "ИТИС-KAMAZ" на базе больших данных, полученных с телеметрического оборудования. В рамках этой услуги ведётся сопровождение как отдельного автомобиля, так и целого автопарка: диагностика, анализ расхода топлива. Собранные в режиме реального времени данные обрабатываются, на основе полученных результатов водителю выдаётся рекомендация по изменению манеры вождения для снижения среднего расхода топлива.
Данная группа широко распространена, но жестко привязана к производителю автомобиля или требует установку дополнительного оборудования, функции прогнозирования ориентированы только на автовладельцев.
Мобильные приложения для учета и планирования, обслуживания, трекинга пробега, учета ресурса деталей и расходных материалов. Они имеют широкую аудиторию, но не ведут централизованную базу данных, функции прогнозирования минимальны, в основном в части регламентного обслуживания.
Например, Simplyauto - мобильное приложение, имеющее более 500 тысяч скачиваний, и предоставляющее функции трекинга миль и напоминания о сервисах. Zen.car – приложение с функциями подбора СТО, контроля расходов и расходников, рекомендаций по регламентному обслуживанию, имеет более 10 тысяч скачиваний в Google Play. Еще есть похожие приложения для отслеживания обслуживания автомобилей - Yeikcar и Моя машина - Авто расходы. Последнее умеет вести учет событий и затрат автомобиля (заправки, замены масла, ремонты, мойки, тюнинг и т.д.).
Сервисы подбора СТО на основе данных об автомобиле, требуемом ремонте и услугах СТО. Среди них можно выделить OpenBay, YourMechanic, Fiix, Wrench (США), WhoCanFixMyCar, ClickMechanic (Великобритания), «CarFix», «Uremont», Тинькофф Ремонт (Россия). Данные сервисы особенно широко распространены в западных странах, но не ориентированы на прогнозирование или сбор данных о техническом состоянии автомобилей.
За рубежом агрегатор «WhoCanFixMyCar» с начала работы подключил более 5500 автосервисов, а ее услугами воспользовалось более 70000 автовладельцев. Ежемесячно здесь заключается более 8000 сделок. Число автосервисов, работающих с индийской площадкой «Mericar», вот-вот перевалит за тысячу. Через платформу «ClickMechanic» ежемесячно оформляют заказы на ремонт своих машин тысячи автовладельцев Великобритании, а посещают ее более четверти миллиона пользователей. Скандинавский «Autobutler» объединяет более 3000 автосервисов, а его услугами воспользовалось более 370000 клиентов. Китайский «Tuhu» предлагает клиентам услуги более 6500 автосервисов в 260 городах, а число его пользователей превышает 5 млн человек. Сервисы ClickMechanic (Великобритания), YourMechanic, Fiix и Wrench (США) предоставляют услугу заказа автомеханика с «доставкой» на дом
Сервисы прогнозирования для СТО. Из таких нашелся только один: Glassen IT «Внедрение искусственного интеллекта на СТО», в основном ориентирован на автоматизацию общения с клиентами, предоставляет функции автоматического расчета ресурса расходных материалов и диагностики по звуку двигателя. Ориентирован на использование на отдельных СТО без создания единого набора данных.
Сервисы оценки повреждений кузова по фотографиям и видео. Используют машинное обучение для распознавания образов, в основном применяются в сфере страхования (разработки от ВТБ, Ростелеком, АльфаСтрахование) и контроля качества производства (КамАЗ). Данная группа приложений только оценивает текущие повреждения, не обобщает информацию и не имеет функций прогнозирования. Степень распространенности сервисов небольшая, решения развиваются.
Готовые и работающие решения – это интересно, но давайте посмотрим, а что же предлагает наука? Анализ научных публикаций показывает, что многие авторы работают по направлениям прогнозирования остаточных ресурсов узлов и агрегатов, а также оценки состояния автомобилей с помощью нейронных сетей. Можно выделить следующие направления работ:
Регрессионные и статистические модели прогнозирования состояния узлов и агрегатов по результатам диагностики, а также прогнозирования потенциальных затрат на обслуживание. Описаны применительно к большим предприятиям с парком однотипной тяжелой техники (грузовики, трактора). Реализованы на концептуальном уровне в Excel или Statistica.
Модели прогнозирования ресурса отдельных агрегатов (тормозная система, генератор, двигатель) по результатам диагностики. Ориентированы на конкретные агрегаты конкретных марок автомобилей.
Нейросетевые модели поиска повреждений. Основаны на сверточных нейронных сетях. Применимы для оценки повреждений кузова, не могут применяться для прогнозирования.
Нейросетевые модели оценки состояния подержанных автомобилей. Учитывают достаточный объем входных данных, но не могут прогнозировать, а только дают обобщенную оценку текущего состояния.
Нечеткие искусственные нейронные сети для диагностики. Применяют методы нечеткой логики для обработки входных параметрах, основаны на многоуровневых персептронах, архитектура нейросети задается вручную. Ориентированы на текущую оценку конкретных агрегатов автомобилей.
Если кому-то интересны сами публикации по этой теме, то вот ссылочки на различные публикации: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21.
Резюмируя можно сказать, что вопросы планирования обслуживания, повышения качества диагностики и снижения рисков внезапной поломки интересуют многих и существует немало решений, в том числе и таких, где используется искусственный интеллект. Очевидно, что искусственный интеллект, подключенный к датчикам и системам автомобиля, может выявлять потенциальные неисправности задолго до того, как они становятся реальными проблемам . Ведь гораздо дешевле пройти техобслуживание, чем чинить или заменять детали. Нейросеть сможет составлять графики профилактики, подсказывать адрес ближайшей автомастерской и контролировать ТО. Логи мониторинга всех систем помогут механикам понять, что и по какой причине вышло из строя или находится на грани поломки, а производителям автомобилей дадут возможность улучшать качество комплектующих и запчастей.
Однако надо заметить, что пока доминируют крайности: надо либо покупать машину со встроенной телеметрией (или установить за отдельные деньги), либо вести историю своего авто самостоятельно, либо же пользоваться услугами некоего продвинутого СТО со своей базой.
Наличие таких возможностей – уже не мало и хочется верить, что они будут развиваться и, когда-нибудь, мы дойдем до того, что умный помощник пришлет в личные сообщения напоминалку о том, что через неделю надо заехать на СТО, ибо с вероятностью 80% надо поменять какой-нибудь сальник, просто потому, что у большинства авто вашей модели на таком же пробеге и при таких же условиях схожая проблема уже была. Для такой футуристичной картины конечно же требуется сбор данных об автомобилях, их ремонтах и обслуживании от многих СТО и автовладельцев.
И последнее. Если обзор был интересен, пройдите опрос о параметрах программы, которая на основе больших данных могла бы подсказать, когда надо провести техническое обслуживание или ремонт: https://forms.yandex.ru/cloud/6411702f02848f483f2bac1c/
