Искусственный интеллект (ИИ) стал повсеместным явлением в современной повседневной жизни. Наиболее распространёнными примерами его применения являются смартфоны, поисковые системы интернета, платформы социальных сетей, банковские приложения, чат-боты и системы рекомендаций на маркетплейсах.
Чтобы повысить эффективность и интеллектуальность, многие отрасли, включая автомобильные, инвестируют в развитие новых технологий узкоспециализированных нейросетей и в строительство дата-центров. Общий термин «нейросети» обычно определяется, как способность системы точно воспринимать внешнюю информацию, надлежащим образом интерпретировать внешние данные и использовать эти знания для достижения конкретных целей и задач посредством гибкой адаптации. Но сами архитектуры и принципы работы у систем разные, «заточенные» под специфику отрасли. Методы искусственного интеллекта в деле обслуживания авто- и мото-транспорта, используются в таких областях, как прогнозируемое техническое обслуживание (PdM), прогнозируемое качество, аналитика безопасности и анализ гарантий. Для объяснения эволюции этих возможностей в обеспечении работоспособности компонентов, продуктов и систем было придумано и используется несколько терминов: электронное техническое обслуживание, прогнозирование и управление, техническое обслуживание 4.0 или интеллектуальное техническое обслуживание.
В мировой автомобильной промышленности происходят глобальные изменения, которые в значительной степени можно объяснить достижениями в области технического обслуживания автомобилей. Диагностика неисправностей автомобиля является важной, но сложной частью технического обслуживания автомобилей, которая включает в себя сбор и анализ сигналов от различных систем для выявления причин. Датчики и программное обеспечение отслеживают состояние транспортного средства, обнаруживают отклонения в работе, требующие внимания, прогнозируют или выявляют проблемы, связанные с этими нарушениями, раньше. Далее система, даёт рекомендации о том, какие меры по обслуживанию необходимо предпринять, чтобы обеспечить снижение затрат за счёт выявления/устранения проблем. Система извлекает ценную информацию из данных, полученных об этих автомобилях, чтобы помочь автопроизводителю прогнозировать и предотвращать сбои в будущем, внося изменения в устройство самых критичных узлов и агрегатов.
Эта технология позволяет прогнозировать оставшийся срок службы и выявлять сбои или снижение производительности на ранней стадии конструирования следующей модели. Поскольку современные автомобили становятся всё более сложными, это приводит к проблемам с точностью существующих систем и бортовой диагностикой (OBD). Поэтому организациям, занимающимся техническим обслуживанием и ремонтом авто, необходимо искать новые решения по экономичной и своевременной диагностике неисправностей.
Системы, основанные на правилах, несмотря на то, что они просты в реализации и удобны для чтения/интерпретации, как правило, слабы при эксплуатации на практике (особенно при работе со сложными вариантами использования или большой базой правил). Эти трудности проявляются, когда, например, приходится объяснять сложные таможенные условия или приспосабливаться к сотням нормативных актов — в таких обстоятельствах они могут оказаться неэффективными. А принцип работы OBD-систем как раз, в основном, основан на диагностических кодах неисправностей, что позволяет им реагировать и распознавать проблему только после того, как она возникла. Кроме того, они предоставляют ограниченный объём данных, что увеличивает нагрузку техников на поиск первопричины проблемы. Решая задачу предварительного прогнозирования возникновения неполадки, можно снизить затраты на техническое обслуживание, улучшить эксплуатационные характеристики и долговечность ТС, повысить их безопасность и надёжность, а также снизить воздействие на окружающую среду за счёт оптимизации графика профилактического технического обслуживания.
Достижения в области искусственного интеллекта привели к появлению специалистов по прогнозному интеллектуальному техническому обслуживанию автомобилей. Различные подходы, включая машинное обучение (ML) и глубокое обучение (DL), представляют собой многообещающие решения для повышения точности диагностики, обеспечения прогнозируемого технического обслуживания и адаптации к меняющимся условиям эксплуатации транспортных средств. Сторонние компании разработчиков создают различные алгоритмы программирования для прогнозирования и предупреждения о сбоях в системах современных автомобилей различных марок. Применяется использование мета-обучения и комбинирование различных моделей для оптимизации существующих технологий. Машинное обучение систем искусственного интеллекта оказалось жизнеспособным решением для прогнозного технического обслуживания и диагностики состояния транспортных средств в автомобильной промышленности, несмотря на ограниченный доступ к датчикам и проблемы с доступностью данных. Глубокое обучение, способное самообучаться, собирая массивы данных, постепенно обобщает подходы к прогнозированию неисправностей в автомобилях, сосредотачивая внимание на методологиях, теориях и приложениях в системах измерения и анализа данных в бортовых системах мониторинга состояния ТС.
Дело в том, что большинство нынешних систем диагностики OBD могут неадекватно различать, как незначительные, так и серьёзные неисправности, опираясь только на таблицу кодов. Но жизнь и взаимодействие такого числа механизмов оказывается гораздо сложнее, чем может предоставить такая система. Поэтому и существует необходимость в усовершенствованных методах и техниках для лучшего отслеживания и идентификации неисправностей для разных моделей авто, которые эксплуатируют разные люди, в разных режимах, а также климатических и физических условиях. Ведь даже при условии, что если два автомобиля, одинаковой марки водят по-разному двое водителей, каждый в своём стиле езды, то износ узлов и механизмов у них будет кардинально отличаться. Если владельцы ТС не будут дожидаться, пока один узел выйдет из строя (возможно, критически повлияв на другой), а своевременно выявит потенциальную проблему на прогнозном ТО – то это может сэкономить всем значительные силы, средства и время.
Исследователи постоянно разрабатывают новейшие алгоритмы и методы глубокого обучения, чтобы преодолеть ограничения, присущие ML в контексте интеллектуальной диагностики. Последние исследования были сосредоточены на применении методов глубокого обучения для диагностики неисправностей в различных компонентах гибридов и электромобилей. У современных систем есть значительный потенциал использования методов DL для обнаружения, диагностики и прогнозирования неисправностей аккумуляторных батарей, а также приводов. Однако существует настоятельная необходимость в интеграции и синтезе различных методов искусственного интеллекта для создания всеобъемлющих и надёжных систем диагностики самых разных автомобильных систем.